KR102190619B1 - 데이터 정합 방법 및 데이터 정합 모듈 - Google Patents
데이터 정합 방법 및 데이터 정합 모듈 Download PDFInfo
- Publication number
- KR102190619B1 KR102190619B1 KR1020130044073A KR20130044073A KR102190619B1 KR 102190619 B1 KR102190619 B1 KR 102190619B1 KR 1020130044073 A KR1020130044073 A KR 1020130044073A KR 20130044073 A KR20130044073 A KR 20130044073A KR 102190619 B1 KR102190619 B1 KR 102190619B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- similarity
- relationship
- distance
- matrix
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000011524 similarity measure Methods 0.000 claims description 50
- 238000000611 regression analysis Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 266
- 238000013480 data collection Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 11
- 230000005855 radiation Effects 0.000 description 8
- 238000002604 ultrasonography Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000002357 laparoscopic surgery Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 108091008695 photoreceptors Proteins 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
- G06V10/7515—Shifting the patterns to accommodate for positional errors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
데이터 정합 방법은, 복수의 제1 데이터에 대한 적어도 하나의 제1 관계 데이터 및 복수의 제2 데이터에 대한 적어도 하나의 제2 관계 데이터를 연산하고 상기 적어도 하나의 제2 관계 데이터의 근사값을 연산하는 데이터 연산 단계, 상기 적어도 하나의 제1 관계 데이터 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 기초로 유사도를 연산하고, 상기 연산된 유사도를 기초로 서로 대응하는 복수의 제1 데이터 및 복수의 제2 데이터를 결정하는 데이터 결정 단계, 상기 서로 대응하는 상기 복수의 제1 데이터와 상기 복수의 제2 데이터를 기초로 정렬 패러미터를 연산하는 정렬 패러미터 연산 단계 및 상기 정렬 패러미터를 기초로 상기 제1 데이터로 형성된 제1 데이터 집단 및 상기 제2 데이터로 형성된 제2 데이터 집단을 정합하는 정합 단계를 포함한다.
Description
데이터 정합 방법 및 데이터 정합 모듈에 관한 것이다.
데이터 정합이란 서로 다른 데이터 집단에 속하는 복수의 데이터 중 서로 대응되는 데이터를 검출하여 하나의 데이터 집단으로 합성하거나 표시되도록 하는 방법이다. 데이터 정합의 일례로 영상 정합이 있다. 영상 정합이란, 동일한 대상을 서로 다른 시간이나 위치에서 촬영하여 획득된 서로 다른 영상에 있어서, 서로 다른 영상 간의 관계를 획득하여 서로 다른 영상을 연결 또는 일치시키는 것을 의미한다.
구체적으로 동일한 대상을 서로 다른 위치에서 촬영하여 복수의 영상을 획득하는 경우 복수의 영상 상의 동일한 대상은 서로 다른 형태로 표현된다. 다시 말해서 복수의 영상 상의 동일한 대상은 영상 내에서 서로 상이한 좌표계로 표현될 수 있다. 이때 복수의 영상 사이의 세기나 형태 또는 적어도 하나의 특징을 비교하여 서로 대응될 수 있는 부분이 검출될 수 있다. 일례로 동일한 대상에서 다른 부분하고 구별되는 특정한 일부분이 검출될 수 있다. 검출된 서로 대응될 수 있는 부분을 이용하여 복수의 영상을 서로 연결 또는 일치시키도록 하는 것이 영상 정합니다. 다시 말해서 복수의 영상 상의 동일한 대상을 하나의 좌표계로 표시할 수 있도록 처리하는 방법이다.
이와 같은 영상 정합은 특정 대상의 시간적 추이를 판단하거나, 특정 대상을 입체적으로 복원하는데 이용될 수 있어 물체 감지, 원격 탐지, 얼굴 인식 등에 이용되고 있다.
복수의 데이터 집단의 복수의 데이터를 적절하게 정합할 수 있도록 하는 데이터 정합 방법 및 데이터 정합 모듈을 제공하는 것을 목적으로 한다.
또한 데이터의 정합에 있어서 정합에 요구되는 데이터의 사용량을 절감하여 메모리 용량 등 필요한 리소스를 절감할 수 있도록 데이터 정합 방법 및 데이터 정합 모듈을 제공하는 것을 다른 목적으로 한다.
뿐만 아니라 신속하게 정합을 수행할 수 있도록 하는 데이터 정합 방법 및 데이터 정합 모듈을 제공하는 것을 또 다른 목적으로 한다.
상기와 같은 과제를 해결하기 위하여 데이터 정합 방법 및 데이터 정합 모듈이 제공된다.
데이터 정합 방법은, 복수의 제1 데이터에 대한 적어도 하나의 제1 관계 데이터 및 복수의 제2 데이터에 대한 적어도 하나의 제2 관계 데이터를 연산하고 상기 적어도 하나의 제2 관계 데이터의 근사값을 연산하는 데이터 연산 단계, 상기 적어도 하나의 제1 관계 데이터 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 기초로 유사도를 연산하고, 상기 연산된 유사도를 기초로 서로 대응하는 적어도 하나의 제1 데이터 및 적어도 하나의 제2 데이터를 결정하는 데이터 결정 단계, 상기 서로 대응하는 적어도 하나의 제1 데이터와 적어도 하나의 제2 데이터를 기초로 정렬 패러미터를 연산하는 정렬 패러미터 연산 단계 및 상기 정렬 패러미터를 기초로 상기 제1 데이터로 형성된 제1 데이터 집단 및 상기 제2 데이터로 형성된 제2 데이터 집단을 정합하는 정합 단계를 포함하고 있을 수 있다. 여기서 이용되는 제1 관계 데이터는 복수의 제1 데이터 사이의 거리 또는 복수의 제1 데이터 사이의 사이각일 수 있고, 제2 관계 데이터는, 상기 복수의 제2 데이터 사이의 거리 또는 상기 복수의 제2 데이터 사이의 사이각에 대한 데이터일 수 있다.
또한 데이터 정합 방법은, 복수의 제1 데이터에 대한 적어도 하나의 제1 관계 데이터 및 복수의 제2 데이터에 대한 적어도 하나의 제2 관계 데이터를 연산하고 상기 적어도 하나의 제1 관계 데이터 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 연산하는 데이터 연산 단계, 상기 적어도 하나의 제1 관계 데이터의 근사값 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 기초로 유사도를 연산하고, 상기 연산된 유사도를 기초로 서로 대응하는 적어도 하나의 제1 데이터 및 적어도 하나의 제2 데이터를 결정하는 데이터 결정 단계, 상기 서로 대응하는 적어도 하나의 제1 데이터와 적어도 하나의 제2 데이터를 기초로 정렬 패러미터를 연산하는 정렬 패러미터 연산 단계 및 상기 정렬 패러미터를 기초로 상기 제1 데이터로 형성된 제1 데이터 집단 및 상기 제2 데이터로 형성된 제2 데이터 집단을 정합하는 정합 단계를 포함하고 있을 수 있다.
데이터 정합 모듈은, 복수의 제1 데이터를 수집하고, 복수의 제2 데이터를 수집하는 데이터 수집부, 복수의 제1 데이터에 대한 적어도 하나의 제1 관계 데이터 및 복수의 제2 데이터에 대한 적어도 하나의 제2 관계 데이터를 연산하는 관계 데이터 연산부, 상기 적어도 하나의 제2 관계 데이터의 근사값을 연산하는 근사값 연산부, 상기 적어도 하나의 제1 관계 데이터 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 기초로 유사도를 연산하고, 상기 연산된 유사도를 기초로 서로 대응하는 적어도 하나의 제1 데이터 및 적어도 하나의 제2 데이터를 결정하는 데이터 결정부, 상기 서로 대응하는 적어도 하나의 제1 데이터와 적어도 하나의 제2 데이터를 기초로 정렬 패러미터를 연산하는 정렬 패러미터 연산부 및 상기 정렬 패러미터를 기초로 상기 제1 데이터로 형성된 제1 데이터 집단 및 상기 제2 데이터로 형성된 제2 데이터 집단을 정합하는 정합부를 포함할 수 있다.
상술한 데이터 정합 방법 및 데이터 정합 모듈에 의하면 복수의 데이터 집단의 데이터를 적절하게 정합할 수 있게 되는 효과를 얻을 수 있다.
또한 정렬 패러미터에 의해 국소적 정합을 수행하는 경우 부적절한 초기 정렬 패러미터에 의해 발생할 수 있는 정합의 오차의 개선이 가능해진다.
뿐만 아니라 영상 정합에 있어서 영상 내의 대상체의 기하학적 형상이 평이하여 적절한 특징점이 추출되지 않는 경우에서도 영상을 정합시킬 수 있게 된다.
또한 데이터의 정합에 있어서 정합에 요구되는 데이터의 사용량이 줄어들기 때문에 메모리 용량 등과 같은 요구 리소스를 감축시킬 수 있게 되고, 그에 따라 정합을 수행하는 장치와 관련한 비용의 절감 효과도 얻을 수 있게 된다.
뿐만 아니라 데이터 정합을 위한 데이터의 연산 시간이 단축되어, 신속하고 적절한 정합이 수행 가능해지는 효과도 얻을 수 있다.
또한 복강경 수술 장치 등에 이용되는 경우 별도의 마커(marker)를 이용하지 않고도, 복강경의 인체 내 위치를 알아낼 수 있는 효과도 얻을 수 있다.
도 1은 영상 장치의 일 실시예에 대한 구성도이다.
도 2 및 도 3은 데이터 집단의 일 실시예를 도시한 도면이다.
도 4는 관계 데이터를 설명하기 위한 도면이다.
도 5 내지 도 7은 유사도를 기초로 대응되는 데이터를 검출하는 방법을 설명하기 위한 도면이다.
도 8은 정합된 데이터 집단의 일 실시예를 도시한 도면이다.
도 9는 데이터 정합 방법의 일 실시예에 대한 흐름도이다.
도 10은 데이터 결정 방법의 일 실시예에 대한 흐름도이다.
도 11은 유사도 연산 방법의 일 실시에에 대한 흐름도이다.
도 12는 데이터 정합 방법의 다른 실시예에 대한 흐름도이다.
도 2 및 도 3은 데이터 집단의 일 실시예를 도시한 도면이다.
도 4는 관계 데이터를 설명하기 위한 도면이다.
도 5 내지 도 7은 유사도를 기초로 대응되는 데이터를 검출하는 방법을 설명하기 위한 도면이다.
도 8은 정합된 데이터 집단의 일 실시예를 도시한 도면이다.
도 9는 데이터 정합 방법의 일 실시예에 대한 흐름도이다.
도 10은 데이터 결정 방법의 일 실시예에 대한 흐름도이다.
도 11은 유사도 연산 방법의 일 실시에에 대한 흐름도이다.
도 12는 데이터 정합 방법의 다른 실시예에 대한 흐름도이다.
이하 도 1 내지 도 12를 참조로 데이터 정합 모듈 및 데이터 정합 방법에 대해 설명하도록 한다.
도 1은 영상 장치의 일 실시예에 대한 구성도이다.
도 1에 도시된 바에 따르면 영상 장치(1)는 데이터를 수집하는 데이터 수집부(10) 및 데이터 수집된 데이터를 정합하는 데이터 정합 모듈(20)을 포함할 수 있다.
데이터 수집부(10)는 서로 상이한 복수의 데이터 집단 중 어느 하나의 데이터 집단에 포함되는 복수의 데이터를 수집하도록 할 수 있다.
데이터 수집부(10)는 서로 상이한 시각, 방향 또는 거리에서 복수의 데이터를 수집하도록 할 수 있다. 또한 데이터 수집부(10)는 데이터를 수집한 시간이나 위치에 따라서 수집된 복수의 데이터를 각각 별도로 저장하여 복수의 데이터 집단을 획득할 수 있다. 데이터 집단은 각각 별도로 저장된 복수의 데이터의 집합체이다.
데이터 수집부(10)는 일 실시에에 의하면, 가시 광선을 수광하여 피사체에 대한 영상 데이터를 수집하는 카메라 모듈일 수 있다. 일 실시예에 의하면 데이터 수집부(10)는 다양한 시각 또는 위치에서 피사체에 의해 발광되거나 또는 피사체에 반사된 빛을 감광체를 통해 수광하여 피사체에 대한 영상 데이터를 수집하도록 할 수 있다. 이 경우 데이터 수집부(10)는 상술한 바와 같이 촬영된 각각의 시간이나 위치에 따라서 수집된 복수의 영상 데이터를 각각 별도로 저장하여 복수의 데이터 집단을 획득할 수 있다.
도 2 및 도 3은 데이터 집단의 일 실시예를 도시한 도면이다. 예를 들어 데이터 수집부(10)가 카메라 모듈인 경우, 데이터 수집부(10)의 카메라 모듈은 소정의 거리 및 방향에서 피사체를 촬영하고 촬영된 피사체에 대한 영상 데이터의 전부 또는 일부를 이용하여 도 2에 도시된 바와 같이 피사체에 대한 소정의 제1 데이터 집단(X)을 획득하도록 할 수 있다. 제1 데이터 집단(X)은 적어도 하나의 제1 영상 데이터(xi, xj)로 형성될 수 있다.
이 경우 소정의 제1 데이터 집단(X)은 촬영된 피사체에 대한 영상을 이루는 영상 데이터의 전부의 집합일 수도 있고, 촬영된 피사체에 대한 영상을 이루는 영상 데이터 중 일부, 일례로 영상 상의 특징점(feature point)들의 집합일 수도 있다. 또한 영상 데이터 중 임의적으로 추출된 일부의 영상 데이터의 집합일 수도 있다.
또한 소정의 데이터 집단(X)에 포함된 영상 데이터(xi, xj)는 카메라 모듈에 의해 수집된 원 영상 데이터(raw data)일 수도 있고, 원 영상 데이터를 증폭시킨 증폭된 영상 데이터일 수도 있다. 또한 아날로그/디지털 변환(analog/digital conversion)이 수행된 영상 데이터일 수도 있으며, 또한 소정의 영상 처리가 수행된 영상 데이터일 수도 있다. 이와 같이 소정의 데이터 집단(X)을 이루는 개별 영상 데이터는 각종 IC 칩 등을 이용하여 처리될 수 있는 다양한 종류의 데이터일 수 있다.
이와 같이 수집된 제1 데이터 집단(X)은 도 2에 도시된 것과 같이 복수의 제1 영상 데이터(xi, xj)가 피사체의 형상 등에 따라 구름(cloud) 형태로 표현될 수 있다.
한편, 데이터 수집부(10)의 카메라 모듈은 제1 데이터 집단(X)을 수집할 때와 상이한 시각이나 또는 상이한 위치, 일례로 상이한 방향 또는 상이한 거리에서 피사체에 대한 영상 데이터를 더 수집하도록 할 수 있다. 그리고 데이터 수집부(10)는 수집된 영상 데이터의 전부 또는 일부를 이용하여 도 3에 도시된 바와 같이 피사체에 대한 소정의 제2 데이터 집단(Y)을 획득하도록 할 수 있다. 제2 데이터 집단(Y)는 적어도 하나의 제2 영상 데이터(yi, yj)로 형성되어 있을 수 있다. 이 경우 촬영되는 피사체는 상술한 제1 영상 데이터(xi, xj)가 획득된 피사체와 동일한 피사체일 수도 있다.
상술한 바와 마찬가지로 데이터 수집부(10)에서 수집된 제2 데이터 집단(Y)은, 촬영된 피사체에 대한 영상을 이루는 영상 데이터의 전부의 집합일 수도 있고, 촬영된 피사체에 대한 영상을 이루는 영상 데이터 중 일부, 일례로 영상 상의 특징점들의 집합일 수도 있으며, 영상 데이터 중 임의적으로 추출된 일부의 영상 데이터의 집합일 수도 있다.
제1 데이터 집단(X)과 동일하게 제2 데이터 집단(Y) 역시 도 3에 도시된 것과 같이 복수의 제2 영상 데이터(yi, yj)가 피사체의 형상 등에 따라 구름(cloud) 형태로 표현될 수 있다.
실시예에 따라서 제2 데이터 집단(Y)은 제1 데이터 집단(X)과 동일한 방법으로 형성될 수 있다. 즉, 제1 데이터 집단(X)이 제1 영상 데이터(xi, xj)의 전부로 형성된 경우, 제2 데이터 집단(Y) 역시 제2 영상 데이터(yi, yj)의 전부로 형성될 수도 있다.
도 2의 제1 데이터 집단(X)과 도 3의 제2 데이터 집단(Y)은, 도 2 및 도 3에 도시된 바와 같이 서로 데이터가 수집된 시각이나 위치의 차이로 인하여 서로 상이하게 표현될 수 있다. 즉, 제1 데이터 집단(X) 및 제2 데이터 집단(Y)의 각각의 영상 데이터는 일부 동일할 수도 있고, 상이할 수도 있다.
만약 제1 데이터 집단(X)의 제1 영상 데이터와 제2 데이터 집단(Y)의 제2 영상 데이터(yi, yj)가 동일한 거리 및 서로 상이한 방향에서 촬영된 경우라면, 제1 영상 데이터(xi, xj) 및 제2 영상 데이터(yi, yj)는 각각 상이한 방향에서 보이는 동일한 피사체에 대한 정보를 담고 있게 된다. 따라서 제1 데이터 집단(X)의 제1 영상 데이터(xi, xj) 중에서 제2 데이터 집단(Y)의 제2 영상 데이터(yi, yj)에 대응될 수 있는 영상 데이터가 존재할 수 있다. 또한 반대로 제2 데이터 집단(Y)의 제2 영상 데이터(yi, yj) 중에서 제1 데이터 집단(X)의 제1 영상 데이터(xi, xj)에 대응될 수 있는 영상 데이터 역시 존재할 수 있다. 이와 같이 제1 데이터 집단(X)으로부터 제2 데이터 집단(X)의 어느 하나의 제2 영상 데이터(yi, yj)에 대응할 수 있는 제1 영상 데이터(xi, xj)를 추출하거나, 또는 제2 데이터 집단(Y)으로부터 제1 데이터 집단(X)의 어느 하나의 제1 영상 데이터(xi, xj)에 대응하는 제2 영상 데이터(yi, yj)를 추출하고 추출된 점을 이용하여 제1 데이터 집단(X) 및 제2 데이터 집단(Y)을 정합하도록 할 수도 있다.
이와 같은 제1 데이터 집단(X) 및 제2 데이터 집단(Y)의 정합은 데이터 정합 모듈(20)에서 수행될 수 있다.
상술한 바와 같이 데이터 수집부(10)가 카메라 모듈인 경우, 데이터 수집부(10)는 예를 들어 일반적인 광학 카메라일 수도 있고, 복강경 카메라와 같은 내시경 카메라일 수도 있으며, 컴퓨터 비전(computer vision) 등에서 이용되는 광학 카메라일 수도 있다.
다른 실시에에 의하면 데이터 수집부(10)는 방사선을 이용하여 피사체에 대한 영상 데이터를 수집하도록 할 수도 있다. 예를 들어 영상 장치(1)가 디지털 방사선 촬영 장치(digital radiography)나 컴퓨터 단층촬영장치(computed tomography)인 경우, 데이터 수집부(10)는 피사체로 방사선을 조사하는 방사선 조사부 및 피사체를 투과하여 도달하거나 또는 직접 도달하는 방사선을 수광하여 전기적 신호로 변환하는 방사선 검출부를 포함할 수 있다. 이 경우 데이터 수집부(10)는 피사체에 대한 복수의 방사선 영상 데이터를 수집하고 수집된 방사선 영상 데이터를 데이터 정합 모듈(20)로 전달하도록 할 수 있다. 상술한 바와 마찬가지로 데이터 수집부(10)가 방사선을 이용하여 피사체에 대한 복수의 방사선 영상 데이터를 수집하는 경우에도 수집된 복수의 방사선 영상 데이터는 서로 상이한 시간이나 위치에 따라 피사체를 촬영하여 서로 상이한 시간 또는 위치를 기준에 따라 구분될 수 있고, 구분된 복수의 방사선 영상 데이터는 복수의 상이한 데이터 집단(X, Y)을 형성할 수 있다.
또 다른 실시에에 의하면 데이터 수집부(10)는 초음파 등과 같은 음파를 이용하여 피사체에 대한 영상을 수집하도록 할 수도 있다. 예를 들어 영상 장치(1)가 초음파 영상 장치인 경우 데이터 수집부(10)는 초음파를 피사체 내부의 목표 부위에 조사하고 조사된 초음파를 수신하여 전기적 신호로 변환하여 출력하는 초음파 트랜스듀서(transducer)와 초음파 트랜스듀서로부터 출력되는 전기적 신호의 시차를 보정한 후 집속하여 초음파 영상 신호를 생성하는 집속부를 포함하고 있을 수 있다. 데이터 수집부(10)는 복수의 초음파 영상 신호를 생성하고 생성된 복수의 초음파 영상 신호를 데이터 정합 모듈(20)로 전달하도록 할 수도 있다. 마찬가지로 이 경우에도 데이터 수집부(10)는 서로 상이한 시간이나 위치의 복수의 초음파 영상 신호를 획득하도록 할 수 있다. 서로 상이한 시간이나 위치의 복수의 초음파 영상 신호는 복수의 상이한 데이터 집단(X, Y)을 형성할 수 있다.
데이터 정합 모듈(20)은, 데이터 수집부(10)로부터 복수의 데이터 집단(X, Y)을 형성하는 복수의 데이터를 입력받고, 데이터 수집부(10)로부터 입력받은 복수의 데이터 집단 중 적어도 두 개의 데이터 집단을 정합하여 정합 결과 데이터(r)를 출력하도록 할 수 있다.
도 1에 도시된 바를 참조하면 데이터 정합 모듈(20)은, 일 실시예에 의하면, 입력부(21), 관계 데이터 연산부(22), 근사값 연산부(23), 데이터 결정부(24) 정렬 패러미터 연산부(25) 및 정합부(26)를 포함하고 있을 수 있다.
데이터 정합 모듈(20)의 입력부(21)는, 데이터 수집부(10)로부터 복수의 데이터 집단(X, Y)을 형성하는 복수의 데이터, 일례로 제1 데이터(xi, xj) 또는 제2 데이터(yi, yj)를 입력받을 수 있다. 실시예에 따라서 입력부(21)는 소정의 프로토콜에 따라 외부의 데이터 수집부(10)와 데이터를 송수신할 수 있는 통신 모듈일 수도 있다.
관계 데이터 연산부(22)는 데이터 집단(X, Y) 내의 데이터 사이의 관계에 대한 적어도 하나의 관계 데이터를 연산한다. 즉, 제1 데이터 집단(X) 내의 복수의 제1 데이터(xi, xj) 사이의 제1 관계 데이터를 연산하거나 제2 데이터 집단(Y) 내의 복수의 제2 데이터(yi, yj) 사이의 제2 관계 데이터를 연산하도록 한다.
도 4는 관계 데이터를 설명하기 위한 도면이다.
일 실시예에 의하면 연산되는 관계 데이터는 각각의 데이터 사이의 기하학적인 관계(geometric relationship)에 대한 데이터일 수 있다. 구체적으로 예를 들어 관계 데이터는 동일한 데이터 집단 내의 적어도 두 데이터(xi, xj 또는 yi, yj) 사이의 거리(d)일 수도 있고, 또한 동일한 데이터 집단 내의 적어도 두 데이터(xi, xj 또는 yi, yj) 사이의 사이각(θ)일 수도 있다.
도 4에 도시된 바를 참조하면 동일한 데이터 집단 내의 적어도 두 데이터(xi, xj 또는 yi, yj) 사이의 거리(d)는 유클리디언 거리(Euclidian distance)로 정의될 수 있다.
또한 동일한 데이터 집단 내의 적어도 두 데이터(xi, xj 또는 yi, yj) 사이의 사이각(θ)은 소정의 기준점(o)과 동일한 데이터 집단 내의 적어도 두 데이터(xi, xj 또는 yi, yj)를 잇는 적어도 두 개의 선분 사이의 사이각(θ)으로 정의될 수 있다. 또한 동일한 데이터 집단 내의 적어도 두 데이터(xi, xj 또는 yi, yj) 사이의 사이각은 도 4에 도시된 바와 같이 어느 하나의 제1 데이터 xi에서의 법선 벡터 ui와 다른 하나의 제1 데이터 xj 에서의 법선 벡터 uj 사이의 사이각(θ)으로 정의될 수도 있다. 이 경우 법선 벡터 ui는 제1 데이터 xi 주변의 이웃 데이터를 이용하여 계산한 접 평면 si의 법선 벡터와 일치하거나 또는 거의 일치할 수 있다. 또한 법선 벡터 uj는 제1 데이터 xj 주변의 이웃 데이터를 이용하여 계산한 접 평면 sj의 법선 벡터와 일치하거나 또는 거의 일치할 수 있다.
일 실시예에 의하면 관계 데이터 연산부(21)는, 제1 데이터 집단(X)에 포함된 복수의 제1 데이터(xi, xj) 중 일부의 제1 데이터(xi, xj)만을 이용하여 동일한 데이터 집단 내의 적어도 두 데이터(xi, xj) 사이의 거리(d) 및/또는 사이각(θ)를 연산하도록 할 수 있다. 또한 다른 일 실시예에 의하면 관계 데이터 연산부(21)는, 제1 데이터 집단(X)에 포함된 모든 제1 데이터(xi, xj)를 이용하여 동일한 데이터 집단 내의 적어도 두 데이터(xi, xj) 사이의 거리(d) 및/또는 사이각(θ)를 연산하도록 할 수 있다.
또한 관계 데이터 연산부(21)는, 제2 데이터 집단(Y)에 포함된 복수의 제2 데이터(yi, yj) 전부 또는 복수의 제2 데이터(yi, yj) 중 일부의 제2 데이터(yi, yj)만을 이용하여 동일한 데이터 집단 내의 적어도 두 데이터(yi, yj) 사이의 거리(d) 및/또는 사이각(θ)를 연산하도록 할 수도 있다.
근사값 연산부(23)는 관계 데이터 연산부(21)에서 연산된 제1 관계 데이터 또는 제2 관계 데이터에 대한 근사값을 연산하도록 할 수 있다. 이 경우 근사값 연산부(23)는 관계 데이터 연산부(21)에서 연산된 관계 데이터 중 특정 데이터 집단, 일례로 제1 데이터 집단(X)의 복수의 데이터(xi, xj)를 기초로 연산된 제1 관계 데이터에 대한 근사값만을 연산하도록 할 수도 있다. 이 경우 특정 데이터 집단, 일례로 제1 데이터 집단(X)의 복수의 제1 관계 데이터 중 일부의 제1 관계 데이터에 대한 근사값만을 연산하도록 할 수도 있다. 뿐만 아니라 실시예에 따라서 근사값 연산부(23)는 관계 데이터 연산부(21)에서 연산된 모든 관계 데이터에 대해 근사값을 연산하도록 할 수도 있다.
만약 관계 데이터가 복수의 데이터(xi, xj 또는 yi, yj)에 대한 거리(d)인 경우, 근사값 연산부(23)는 예를 들어 하기의 수학식 1에 따라 거리(d)에 대한 근사값을 연산하도록 할 수 있다.
수학식 1에서 dij *는 두 데이터(xi, xj) 사이의 거리(d)에 대한 근사값을 의미한다. ωd는 거리에 대한 근사 계수로, 근사화될 거리의 범위를 의미한다. floor(·)는 바닥 함수(floor function)로 주어진 값에 대한 버림을 수행한 경우의 결과값을 연산하는 함수이다. 즉, 바닥 함수는 주어진 실수를 주어진 실수보다 크지 않은 정수로 변환하는 함수이다. dij는 두 데이터(xi, xj) 사이의 거리(d)를 의미한다.
ωd 및 바닥 함수를 이용하면 소정의 범위 내의 거리를 모두 동일한 값으로 근사화시킬 수 있다. 예를 들어 ωd가 5로 주어진 경우, 만약 관계 데이터 연산부(21)에서 연산된 거리에 대한 관계 데이터가 1인 경우 floor(·)의 연산 결과는 0으로 주어진다. 따라서 수학식 1에 의한 거리에 대한 근사값은 2.5가 된다. 만약 관계 데이터가 0 초과 5 미만의 범위 내에 해당하는 경우 수학식 1에 의한 거리의 근사값은 관계 데이터가 1인 경우와 동일하게 2.5가 된다. 마찬가지로 거리에 대한 관계 데이터가 5 초과 10 미만의 범위에 해당하는 경우 근사값은 모두 동일하게 7.5가 된다. 따라서 동일한 근사값을 갖는 거리의 범위 및 근사값은 주어진 근사 계수 ωd에 따라 결정될 수 있다.
한편 관계 데이터가 복수의 데이터(xi, xj) 또는 (yi, yj)에 대한 사이각(θ)인 경우, 근사값 연산부(23)는 예를 들어 하기의 수학식 2에 따라 사이각(θ)에 대한 근사값을 연산하도록 할 수 있다.
수학식 2에서 θij *는 두 데이터(xi, xj) 사이의 사이각(θ)에 대한 근사값을 의미한다. ωθ는 사이각에 대한 근사 계수로, 근사화될 사이각의 범위를 나타낸다. floor(·)는 바닥 함수이다. θij는 두 데이터(xi, xj) 사이의 사이각(θ)을 의미한다.
수학식 1을 통해 설명한 바와 마찬가지로 ωθ에 따라서 동일한 근사값을 갖는 사이각의 범위 및 사이각의 근사값이 결정될 수 있다.
데이터 결정부(24)는, 일 실시예에 의하면, 유사도를 연산한 후, 연산된 유사도를 기초로 서로 대응하는 제1 데이터 집단(X)의 적어도 하나의 제1 데이터(xi, xj) 및 제2 데이터 집단(Y)의 적어도 하나의 제2 데이터(yi, yj)를 결정하도록 한다.
데이터 결정부(24)는, 관계 데이터 연산부(22)에서 연산된 관계 데이터 및 근사값 연산부(23)에서 연산된 근사값을 이용하여 유사도를 연산하도록 할 수도 있다. 예를 들어 데이터 결정부(24)는 적어도 하나의 제1 관계 데이터와 적어도 하나의 제2 관계 데이터의 근사값을 이용하여 유사도를 연산하도록 할 수 있다. 또한 데이터 결정부(24)는 적어도 하나의 제1 관계 데이터의 근사값과 적어도 하나의 제2 관계 데이터를 이용하여 유사도를 연산하도록 할 수도 있다. 뿐만 아니라 데이터 결정부(24)는 적어도 하나의 제1 관계 데이터의 근사값과 적어도 하나의 제2 관계 데이터의 근사값을 이용하여 유사도를 연산하도록 할 수도 있다.
보다 구체적으로 데이터 결정부(24)는 일 실시예에 의하면 제1 관계 데이터와 제2 관계 데이터의 근사값, 제1 관계 데이터의 근사값과 제2 관계 데이터 또는 제1 관계 데이터의 근사값과 제2 관계 데이터의 근사값을 기초로 유사 척도 데이터를 먼저 연산하고, 연산된 유사 척도 데이터를 이용하여 유사도를 연산하도록 할 수도 있다.
여기서 유사 척도 데이터는 제1 관계 데이터와 제2 관계 데이터의 근사값, 제1 관계 데이터의 근사값과 제2 관계 데이터 또는 제1 관계 데이터의 근사값과 제2 관계 데이터의 근사값을 기초로 연산 및 획득되는 복수의 데이터들의 집단일 수 있다.
제1 데이터 집단(X)에 포함되는 데이터 중 정합에 이용될 제1 데이터(xi, xj)들 중 적어도 두 개의 제1 데이터(xi, xj)에 대한 제1 관계 데이터, 일례로 두 개의 제1 데이터(xi, xj)의 거리 dij와 사이각 θij와 제2 데이터 집단(Y)에 포함되는 데이터 중 정합에 이용될 적어도 두 개의 제2 데이터(yi' yj')에 대한 제2 관계 데이터, 일례로 적어도 두 개의 제2 데이터(yi' yj')의 거리 di'j'와 사이각 θi'j'가 서로 일치한다면, 제1 데이터 집단(X)의 제1 데이터(xi, xj)와 제2 데이터(yi' yj')는 각각 서로 대응되는 데이터로 볼 수도 있다. 따라서 이와 같은 일치 여부에 대한 정보를 기초로 제1 데이터 집단(X) 및 제2 데이터 집단(Y)의 서로 대응되는 데이터를 검출할 수 있게 된다.
유사 척도 데이터는 이와 같이 각 데이터 집단에 포함되는 데이터 사이의 관계 데이터를 이용하여, 각 데이터 집단 내에서 서로 대응될 수 있는 데이터를 추출하기 위한 유사도를 연산하기 위해 이용된다.
일 실시예에 의하면 유사 척도 데이터는 복수의 제1 데이터(xi, xj) 사이의 거리 및 복수의 제2 데이터(yi, yj) 사이의 거리의 근사값을 기초로 연산되거나, 또는 복수의 제1 데이터(xi, xj) 사이의 거리의 근사값 및 복수의 제2 데이터(yi, yj) 사이의 거리를 기초로 연산된 거리 유사 척도 데이터일 수 있다. 물론 거리 유사 척도 데이터는 복수의 제1 데이터(xi, xj) 사이의 거리의 근사값 및 복수의 제2 데이터(yi, yj) 사이의 거리의 근사값을 기초로 연산될 수도 있다.
또한 유사 척도 데이터는 다른 일 실시예에 의하면 복수의 제1 데이터(xi, xj) 사이의 사이각 및 복수의 제2 데이터(yi, yj) 사이의 사이각의 근사값을 기초로 연산된 사이각 유사 척도 데이터일 수도 있다. 또한 사이각 유사 척도 데이터는 복수의 제1 데이터(xi, xj) 사이의 사이각의 근사값 및 복수의 제2 데이터(yi, yj) 사이의 사이각을 기초로 연산된 것일 수도 있으며, 복수의 제1 데이터(xi, xj) 사이의 사이각의 근사값 및 복수의 제2 데이터(yi, yj) 사이의 사이각의 근사값을 기초로 연산된 것일 수도 있다.
또 다른 실시예에 따르면 유사 척도 데이터는, 상술한 거리 유사 척도 데이터 및 사이각 유사 척도 데이터를 이용하여 연산된 것일 수도 있다. 예를 들어 유사 척도 데이터는 거리 유사 척도 데이터와 사이각 유사 척도 데이터를 합하여 연산된 것일 수도 있다.
또 다른 실시예에 의하면 유사 척도 데이터는, 적어도 하나의 소정의 기저 데이터 및 기저 데이터에 대한 정보인 인덱스 데이터일 수도 있다. 여기서 소정의 기저 데이터는 각 데이터 집단에 포함되는 데이터 사이의 관계 데이터를 이용하여, 각 데이터 집단 내에서 서로 대응될 수 있는 데이터를 추출하기 위한 유사도를 연산하기 위해 이용되는 데이터일 수 있다.
상술한 바와 같은 유사 척도 데이터는, 소정의 행렬 형태로 표현될 수도 있을 것이다. 이하 유사 척도 데이터를 행렬 형태로 표현한 것을 유사 행렬이라 한다.
일 실시예에 의하면 거리 유사 척도 데이터는 거리 유사 행렬로 표현될 수 있다. 또한 사이각 유사 척도 데이터는 사이각 유사 행렬로 표현될 수 있다.
여기서 제1 데이터 집단(X)에 포함되는 데이터 중 정합에 이용될 제1 데이터(xi, xj)들의 개수를 nx이라 하고, 제2 데이터 집단(Y) 중 정합에 이용될 제2 데이터(yi' , yj')의 개수를 ny라 하자. i는 0과 nx 사이의 정수이고 i'는 0과 ny 사이의 정수로 주어질 수 있다. 이 경우 거리 유사 척도 데이터는 nx·ny × nx·ny의 거리 유사 행렬로 표현될 수 있고, 사이각 유사 척도 데이터는 각각 nx·ny × nx·ny의 사이각 유사 행렬로 표현될 수 있다. 예를 들어 제1 데이터(xi, xj)들의 개수 및 제2 데이터(yi' , yj')들의 개수가 각각 5로 주어지는 경우 거리 유사 척도 데이터인 거리 유사 행렬 또는 사이각 유사 척도 데이터인 사이각 유사 행렬은 각각 25 × 25의 행렬로 표현될 수 있다.
일 실시에에 의하면 거리 유사 행렬 D는 다음의 수학식 3과 같이 정의될 수 있다.
여기서 각각의 Dij는 소정의 크기의 행렬이다. 다시 말해서 거리 유사 행렬 D는, 적어도 하나의 블록 행렬 Dij의 조합으로 형성될 수 있다. 보다 구체적으로는 거리 유사 행렬 D는 대각선의 요소는 0이고, 그 외의 요소는 블록 행렬 Dij인 행렬일 수 있다.
일 실시에에 의하면 적어도 하나의 블록 행렬 Dij는 ny × ny의 행렬일 수 있다. 한편 거리 유사 행렬 D의 행과 열의 개수는 각각 nx로 주어질 수 있다. 이 경우 거리 유사 행렬 D의 크기는 nx·ny × nx·ny로 주어질 수 있다.
만약 거리 유사 행렬 D가 복수의 제1 데이터(xi, xj) 사이의 거리의 근사값 및 복수의 제2 데이터(yi, yj) 사이의 거리를 기초로 연산된 경우, 수학식 3의 거리 유사 행렬 D 내의 소정의 블록 행렬 Dij의 (i', j')번째 요소는, 예를 들어 다음의 수학식 4와 같이 정의될 수 있다.
여기서 Dij(i', j')는 블록 행렬 Dij의 (i', j')번째 요소값이고, K는 별도로 정해진 상수이다. 상수 K는 사용자 또는 시스템 설계자의 필요에 따라서 미리 정해질 수 있다. 예를 들어 상수 K는 4.5로 정해질 수 있다.
dij *는 제1 데이터 집단(X)의 제1 데이터(xi, xj) 사이의 거리의 근사값을 의미하고, di'j'는 및 복수의 제2 데이터(yi, yj) 사이의 거리를 의미한다.
a와 b는 미리 정해진 상수이다. a 및 b는 사용자 또는 시스템 설계자의 필요에 따라서 미리 정해질 수 있다. 예를 들어 a는 2로 정해지고, b는 3으로 정해질 수도 있다.
σd는 데이터 사이의 거리에 대한 허용 오차 범위 계수를 의미한다. 다시 말해서 σd는 제1 데이터(xi, xj) 사이의 거리의 근사값과 복수의 제2 데이터(yi, yj) 사이의 거리를 비교하는 경우, 제1 데이터(xi, xj) 사이의 거리의 근사값과 복수의 제2 데이터(yi, yj) 사이의 거리 사이에 발생할 수 있는 차이, 즉 오차의 허용 범위에 대한 기본 단위를 의미한다. 또한 bσd는 제1 데이터(xi, xj) 사이의 거리의 근사값과 복수의 제2 데이터(yi, yj) 사이의 거리 사이에 발생할 수 있는 오차의 허용 범위를 의미한다. B는 상술한 바와 같이 사용자 또는 시스템 설계자의 필요에 따라 미리 정해질 수 있는 상수이다.
수학식 4에 따르면 거리 유사 행렬 D의 블록 행렬 Dij의 (i', j')번째 요소의 값은, 만약 제1 데이터(xi, xj) 사이의 거리의 근사값과 복수의 제2 데이터(yi, yj) 사이의 거리가 소정의 오차 허용 범위, 예를 들어 3σd(b=3)보다 작은 경우 다음의 수학식 5의 연산 결과에 따라 정해질 수 있다.
여기서 블록 행렬 Dij의 (i', j')번째 요소의 최대값은 상수 K이다. 만약 K가 4.5로 정해지고 제1 데이터(xi, xj) 사이의 거리의 근사값과 복수의 제2 데이터(yi, yj) 사이의 거리의 오차가 없는 경우, 즉 오차값이 0인 경우 블록 행렬 Dij의 (i', j')번째 요소의 최대값은 4.5가 된다.
수학식 4에 따르면 만약 제1 데이터(xi, xj) 사이의 거리의 근사값과 복수의 제2 데이터(yi, yj) 사이의 거리가 소정의 오차 허용 범위, 일례로 3σd(b=3)보다 큰 경우에는 거리 유사 행렬 D의 블록 행렬 Dij의 (i', j')번째 요소의 값은 0이 될 것이다.
한편 일 실시에에 의하면 사이각 유사 행렬 A는 다음의 수학식 6과 같이 정의될 수 있다.
여기서 각각의 Aij는 소정의 크기의 행렬이다. 거리 유사 행렬 D와 동일하게 사이각 유사 행렬 A 역시 적어도 하나의 블록 행렬 Aij의 조합으로 형성될 수 있다. 보다 구체적으로는 거리 유사 행렬 A는 대각선의 요소는 0이고, 그 외의 요소는 블록 행렬 Aij인 행렬일 수 있다.
한편 적어도 하나의 블록 행렬 Aij는 예를 들어 ny × ny의 행렬일 수 있다. 이때 만약 사이각 유사 행렬 A의 행과 열의 개수가 각각 nx 이라면, 사이각 유사 행렬 A의 크기는, 거리 유사 행렬 D와 동일하게 nx·ny × nx·ny이 될 것이다.
거리 유사 행렬 D의 경우와 동일하게 사이각 유사 행렬 A 역시 복수의 제1 데이터(xi, xj) 사이의 거리의 근사값 및 복수의 제2 데이터(yi, yj) 사이의 거리를 기초로 연산될 수 있다. 이 경우, 수학식 6의 사이각 유사 행렬 A의 소정의 블록 행렬 Aij의 (i', j')번째 요소는, 예를 들어 다음의 수학식 7와 같이 정의될 수 있다.
수학식 7에 있어서, Aij(i', j')는 블록 행렬 Aij의 (i', j')번째 요소값이고, K는 사용자 또는 시스템 설계자의 필요에 따라서 미리 별도로 결정될 수 있는 상수이다. 실시예에 따라서 상수 K는 4.5일 수 있다.
θij *는 제1 데이터 집단(X)의 제1 데이터(xi, xj) 사이의 사이각의 근사값을 의미하고, θi'j'는 복수의 제2 데이터(yi, yj) 사이의 사이각을 의미한다.
또한 거리 유사 행렬 D의 경우와 마찬가지로 a와 b는 사용자 또는 시스템 설계자의 필요에 따라서 미리 정해질 수 있는 상수이다. 실시예에 따라서 a는 2이고, b는 3일 수 있다.
σθ는 데이터 사이의 사이각에 대한 허용 오차 범위 계수를 의미한다. 즉, σθ는 제1 데이터(xi, xj) 사이의 사이각의 근사값과 복수의 제2 데이터(yi, yj) 사이의 사이각 간의 오차의 허용 범위에 대한 기본 단위이다. 또한 bσd는 제1 데이터(xi, xj) 사이의 거리의 근사값과 복수의 제2 데이터(yi, yj) 사이의 거리 사이에 발생할 수 있는 오차의 허용 범위를 의미한다.
수학식 7에 따르면 사이각 유사 행렬 A의 블록 행렬 Aij의 (i', j')번째 요소의 값은, 만약 제1 데이터(xi, xj) 사이의 거리의 근사값과 복수의 제2 데이터(yi, yj) 사이의 거리가 소정의 오차 허용 범위, 예를 들어 3σd(b=3)보다 작은 경우 다음의 수학식 8의 연산 결과로 정해질 수 있다.
여기서 블록 행렬 Aij의 (i', j')번째 요소의 최대값은 상수 K일 수 있으며, 블록 행렬 Aij의 (i', j')번째 요소는, 제1 데이터(xi, xj) 사이의 사이각의 근사값과 복수의 제2 데이터(yi, yj) 사이의 사이각의 오차가 없는 경우, 즉 오차값이 0인 경우 최대값을 가진다. 만약 K가 4.5로 정해지면 블록 행렬 Dij의 (i', j')번째 요소의 최대값은 4.5가 될 것이다.
또한 수학식 7에 의하면 만약 제1 데이터(xi, xj) 사이의 사이각의 근사값과 복수의 제2 데이터(yi, yj) 사이의 사이각이 소정의 오차 허용 범위, 예를 들어 3σd(b=3)보다 큰 경우에는, 사이각 유사 행렬 A의 블록 행렬 Aij의 (i', j')번째 요소의 값은 0으로 정해질 수 있다.
한편 유사 척도 데이터의 일 실시예로 유사 행렬 G은 거리 유사 행렬 D와 사이각 유사 행렬 A에 의해 결정될 수도 있다.
구체적으로 유사 행렬 G는 크기가 nx·ny × nx·ny이며 다음의 수학식 9와 같이 거리에 대한 거리 유사 행렬 D와 사이각에 대한 사이각 유사 행렬 A의 합으로 연산될 수도 있다.
상술한 데이터 결정부(24)는, 일 실시예에 의하면, 거리 유사 행렬 D, 사이각 유사 행렬 A 또는 유사 행렬 G를 연산하고, 연산된 거리 유사 행렬 D, 사이각 유사 행렬 A 또는 유사 행렬 G를 이용하여 제1 데이터 집단(X) 및 제2 데이터 집단(Y)에 대한 유사도를 연산하도록 할 수도 있다.
한편 일 실시에에 의하면 유사 척도 데이터는 적어도 하나의 소정의 기저 데이터 및 기저 데이터에 대한 정보인 인덱스 데이터일 수 있다. 이와 같은 기저 데이터 및 인덱스 데이터 역시 행렬의 형태로 표현될 수도 있다. 기저 데이터가 행렬 형태로 표현된 경우를 기저 행렬 B이라고 하고, 인덱스 데이터가 행렬 형태로 표현된 것을 인덱스 행렬 H라고 하자.
만약 기저 데이터 및 인덱스 데이터가 행렬의 형태로 주어지는 경우, 기저 행렬 B 및 인덱스 행렬 H를 이용하여 상술한 거리 유사 행렬 D, 사이각 유사 행렬 A 및 유사 행렬 G를 연산할 수도 있다.
이 경우 기저 행렬 B는 소정의 행렬, 일례로 상술한 거리 유사 행렬 D, 사이각 유사 행렬 A 및 유사 행렬 G의 각 요소의 값에 대한 정보를 포함하고 있을 수 있다. 인덱스 행렬 H는 기저 행렬 B가 소정의 행렬, 일례로 거리 유사 행렬 D, 사이각 유사 행렬 A 및 유사 행렬 G 내에서의 위치를 표시하도록 할 수 있다.
일 실시예에 의하면 기저 행렬 B는 소정의 데이터 집단의 관계 데이터의 근사값 및 상이한 데이터 집단의 관계 데이터를 이용하여 획득될 수 있다. 또한 기저 행렬 B는 소정의 데이터 집단의 관계 데이터의 근사값 및 상이한 데이터 집단의 관계 데이터의 근사값을 이용하여 획득될 수도 있다.
한편 인덱스 행렬 H는 소정의 데이터 집단의 관계 데이터의 근사값을 기초로 획득될 수도 있다.
이하 거리 유사 행렬 D의 기저 행렬을 거리 기저 행렬이라고 하고, 사이각 유사 행렬의 기저 행렬을 사이각 기저 행렬이라고 한다. 또한 거리 유사 행렬 D의 인덱스 행렬을 거리 인덱스 행렬이라고 하고, 사이각 유사 행렬의 인덱스 행렬을 사이각 인덱스 행렬이라고 한다.
일 실시예에 의하면 거리 기저 행렬 BD는 거리 유사 행렬 D에 대한 적어도 하나의 고유한 블록 행렬 BD (p)(0≤p≤m-1)을 포함할 수 있다. 여기서 m은 거리 기저 행렬 BD의 개수를 의미한다. 거리 기저 행렬 BD (p)가 거리 유사 행렬 D의 고유한 블록 행렬인 경우, 거리 기저 행렬 BD (p)의 개수 m은 dmax/ωd로 주어질 수도 있다. 여기서 dmax는 제1 데이터 집단(X) 내의 데이터 사이의 거리 dij 중 최대값을 의미한다. 구체적으로 제1 데이터 집단(X)으로부터 총 m개의 고유한 거리의 근사값 dij *가 획득될 수 있는데, 수학식 4에 따라 m개의 고유한 블록 행렬 BD (p)가 생성될 수 있다. 다시 말해서 거리 유사 행렬 D에 대해서 m개의 거리 기저 행렬 BD (p)가 획득될 수 있다. 이와 같은 거리 기저 행렬 BD는 일 실시예에 의하면 수학식 1에 의해 연산될 수 있다.
일 실시예에 의하면 거리 인덱스 행렬 HD는 거리 기저 행렬 BD의 거리 유사 행렬 내의 위치를 표시할 수 있다. 구체적으로 거리 인덱스 행렬 HD의 (i,j)번째 요소값 HD(i,j)는 상술한 거리 유사 행렬 D의 블록 행렬 Dij과 거리 기저 행렬 BD (p)이 동일한 경우 1로 주어질 수 있다. 또한 상술한 거리 유사 행렬 D의 블록 행렬 Dij과 거리 기저 행렬 BD (p)이 상이한 경우에는 거리 인덱스 행렬 HD의 (i,j)번째 요소값 BD(i,j)는 0으로 주어질 수 있다. 즉, 거리 인덱스 행렬 HD는 1과 0으로 이루어진 행렬일 수 있다. 거리 인덱스 행렬 HD 역시 적어도 하나의 블록 행렬 HD (p)(0≤p≤m-1)를 포함하고 있을 수 있다. 거리 인덱스 행렬 HD는 거리의 근사값 dij *을 이용하여 연산될 수 있다.
거리 기저 행렬 BD 및 거리 인덱스 행렬 HD의 크기는 실시예에 따라서 각각 nx × nx 또는 ny × ny일 수 있다.
거리 기저 행렬 BD 및 거리 인덱스 행렬 HD이 이와 같이 주어지는 경우 거리 유사 행렬 D는 다음의 수학식 10과 같이 거리 기저 행렬 BD 및 거리 인덱스 행렬 HD의 크로네커곱(Kronecker product)으로 주어질 수 있다.
또한 일 실시예에 의하면 사이각 기저 행렬 BA는 사이각 유사 행렬 A에 대한 적어도 하나의 고유한 블록 행렬 BA (q)(0≤q≤n-1)을 포함할 수 있다. 여기서 n은 사이각 기저 행렬 BA의 개수를 의미한다. 사이각 기저 행렬 BA (q)가 사이각 유사 행렬 A의 고유한 블록 행렬인 경우, 사이각 유사 행렬 A에 대해서 n개의 사이각 기저 행렬 BA (q)가 획득될 수 있다. 여기서 사이각 기저 행렬 BA (q)의 개수 n은 θmax/ωθ로 주어질 수도 있다. θmax는 제1 데이터 집단(X) 내의 데이터 사이의 사이각 θij 중 그 값이 최대인 사이각을 의미한다. 이와 같은 사이각 기저 행렬 Bθ 역시 일 실시예에 의하면 수학식 1에 의해 연산될 수 있다.
일 실시예에 의하면 사이각 인덱스 행렬 HA는 사이각 기저 행렬 BA의 사이각 유사 행렬 내의 위치를 지시할 수 있다. 사이각 인덱스 행렬 HA의 일 예에 의하면 사이각 인덱스 행렬 HA의 (i,j)번째 요소값 HA(i,j)는, 상술한 사이각 유사 행렬 A의 블록 행렬 Aij와 사이각 기저 행렬 BA (p)가 동일하면 1로 정의될 수 있다. 만약 상술한 사이각 유사 행렬 A의 블록 행렬 Aij와 사이각 기저 행렬 BA (p)가 상이하다면, 사이각 인덱스 행렬 HA의 (i,j)번째 요소값 BA(i,j)는 0으로 정의될 수 있을 것이다. 즉, 사이각 인덱스 행렬 HA 역시 거리 인덱스 행렬 HD와 동일하게 1과 0으로 이루어진 행렬일 수 있다. 또한 사이각 인덱스 행렬 HA는 적어도 하나의 블록 행렬 HA (q)(0≤q≤m-1)로 이루어져 있을 수 있다. 사이각 인덱스 행렬 HA는 사이각의 근사값 θij *을 이용하여 연산될 수 있다.
사이각 기저 행렬 BA 및 사이각 인덱스 행렬 HA의 크기는 일례로 각각 nx × nx 또는 ny × ny일 수 있다.
사이각 유사 행렬 A 역시 거리 유사 행렬 D와 동일하게 사이각 기저 행렬 BA 및 사이각 인덱스 행렬 HA의 크로네커곱으로 표현될 수 있다. 이는 다음의 수학식 12와 같다.
사이각 기저 행렬 BA 및 사이각 인덱스 행렬 HA 의 크로네커곱 HA (p) BA (p)은 거리 기저 행렬 BD 및 거리 인덱스 행렬 HD 의 크로네커곱 HD (p) BD (p)과 동일하게 다음의 수학식 13로 주어질 수 있다.
실시예에 따라서 상술한 데이터 결정부(24)는, 거리 유사 행렬 D 또는 사이각 유사 행렬 A를 연산하지 않고, 거리 기저 행렬 BD 및 거리 인덱스 행렬 HD 또는 사이각 거저 행렬 BA 및 사이각 인덱스 행렬 HA 만을 연산하여 유사 행렬을 이용하여 유사도를 연산하는 것과 동일하게 유사도를 연산하도록 할 수도 있다.
데이터 결정부(24)는, 유사 척도 데이터, 일례로 거리 유사 행렬 D, 사이각 유사 행렬 A, 유사 행렬 G, 거리 기저 행렬 BD 또는 사이각 기저 행렬 BA 및 거리 인덱스 행렬 HD 또는 사이각 인덱스 행렬 HA을 연산한 후, 연산된 유사 척도 데이터를 기초로 유사도를 연산하도록 할 수 있다.
데이터 결정부(34)는 유사 척도 데이터인 유사 행렬, 기저 행렬 또는 인덱스 행렬의 주 고유 벡터를 연산하여 유사도를 획득하도록 할 수도 있다.
데이터 결정부(24)는 일 실시예에 따르면 유사 행렬, 기저 행렬 또는 인덱스 행렬에 대한 주 고유 벡터를 멱 방법(power method)을 이용하여 연산하도록 할 수도 있다. 멱 방법은 구체적으로 소정의 행렬과 소정의 벡터를 소정의 벡터가 수렴할 때까지 반복적으로 연산하여 수렴된 벡터를 획득하는 방법이다. 이 경우 최초 연산에 이용되는 소정의 벡터는 무작위로 선택된 임의의 벡터일 수 있다. 또한 최초 연산에 이용되는 소정의 벡터는 정규화된 벡터일 수도 있다. 한편 벡터가 수렴하였는지 여부는 소정의 행렬과 소정의 벡터를 연산하여 획득된 벡터를 정규화한 후 정규화된 벡터와 소정의 벡터 사이의 차이를 비교하여 정규화된 벡터와 소정의 벡터 사이의 차이가 소정의 상수보다 작은지 여부에 따라서 결정할 수 있다. 이와 같이 멱 방법에 따라 획득된 수렴된 벡터는 행렬의 주 고유 벡터가 된다.
예를 들어 주 고유 벡터는 다음의 수학식 14의 반복 연산 결과를 정규화하여 획득될 수도 있다.
구체적으로 수학식 14에 따라서 v(i)의 i가 1인 경우부터 지속적으로 v(i)를 연산하여 v(i)와 v(i-1)의 차이가 미리 정의된 소정의 상수보다 작은 v(i)를 획득하도록 한다. 획득된 v(i)와 v(i-1)의 차이가 미리 정의된 소정의 상수보다 작은 v(i)가 주 고유 벡터가 된다. 이와 같은 과정을 통해 연산된 주 고유 벡터를 기초로 제1 데이터 집단(X)의 제1 데이터(xi) 및 제2 데이터 집단(Y)의 제2 데이터(yi) 사이의 유사도가 연산될 수 있다.
한편 실시예에 따라서 주 고유 벡터를 연산하기 위하여 다음의 수학식 15가 이용될 수 있다.
수학식 15에 도시된 바에 의하면 유사 행렬 G는 거리 유사 행렬 D 및 사이각 유사 행렬 A의 합으로 표현될 수 있다. 따라서 유사 행렬을 구하지 않고도 거리 유사 행렬 D와 사이각 유사 행렬 A를 획득한 후 거리 유사 행렬 D와 사이각 유사 행렬 A를 이용하여 주 고유 벡터를 연산하도록 하는 것도 가능하다.
실시예에 따라서 거리 유사 행렬 D에 대한 주 고유 벡터를 상술한 수학식 14와 유사하게 연산하여 획득하고, 사이각 유사 행렬 A에 대한 주 고유 벡터를 상술한 수학식 14와 유사하게 연산하여 획득한 후 획득된 두 개의 주 고유 벡터를 합산하여 합산된 주 고유 벡터를 획득할 수도 있다. 획득된 합산된 주 고유 벡터를 기초로 유사도가 연산될 수 있다.
한편 수학식 15는 다음의 수학식 16과 같이 표현할 수 있다.
수학식 16에 의하면 유사 행렬 G, 거리 유사 행렬 D 및 사이각 유사 행렬 A을 연산하지 않고, 거리 유사 행렬 D 및 사이각 유사 행렬 A 각각의 인덱스 행렬 및 기저 행렬을 이용하여 주 고유 벡터를 연산하도록 할 수도 있다. 만약 유사 행렬 G를 획득하지 않고, 오직 거리 유사 행렬 D 및 사이각 유사 행렬 A 각각의 인덱스 행렬 및 기저 행렬을 이용하여 연산하는 경우, 거리 인덱스 행렬 HD (p)과 거리 기저 행렬 BD (p)의 크로네커곱 및 사이각 인덱스 행렬 HA (p)과 사이각 기저 행렬 BA (p)의 크로넥커곱을 이용하여 G의 일부만을 구성하고 벡터 v와 곱하여 연산하기 때문에 유사 행렬 G를 모두 구성하지 않고도 유사 행렬 G와 벡터 v를 곱하는 연산을 수행할 수 있게 된다. 따라서 이와 같이 인덱스 행렬 및 기저 행렬을 이용하여 연산하는 경우 연산량 및 저장 공간의 필요량을 절감할 수 있게 되는 효과를 얻을 수도 있다.
데이터 결정부(24)는 이와 같은 방법으로 주 고유 벡터를 획득할 수 있게 된다. 주 고유 벡터가 획득되면 데이터 결정부(24)는 주 고유 벡터로부터 제1 데이터 집단(X) 및 제2 데이터 집단(Y)의 대응점을 추출하도록 한다. 주 고유 벡터가 획득된 경우, 주 고유 벡터의 각각의 요소는 제1 데이터 집단(X)의 제1 데이터(xi) 및 제2 데이터 집단(Y)의 제2 데이터(yi) 사이의 유사도를 의미한다.
도 6은 주 고유 벡터를 행렬로 변환하는 방법을 설명하기 위한 도면이다. 도 6 및 도 7은 유사도를 기초로 대응되는 데이터를 검출하는 방법을 설명하기 위한 도면이다.
실시예에 따라서 주 고유 벡터는 도 5의 좌측에 도시된 바와 같이 nAnB×1의 행렬로 표현될 수 있다. 이 경우 주 고유 벡터를 도 5의 우측에 도시된 것과 같이 nA × nB의 행렬로 변환하면, 유사도에 대한 정보를 포함하는 유사도 행렬을 얻을 수 있다. 구체적으로 유사도 행렬의 (i, i')번째 요소는 제1 데이터 집단(X)의 소정의 제1 데이터(xi)와 제2 데이터 집단(Y)의 소정의 제2 데이터(yi)가 서로 유사한 정도, 즉 유사도 값을 의미한다. 도 6에 도시된 바를 참조하면 제1 데이터 집단(X)의 첫 번째 제1 데이터(x1)와 제2 데이터 집단(Y)의 첫 번째 제2 데이터(y1) 집단의 유사도 값은 z11로 주어질 수 있다. 마찬가지로 제1 데이터 집단(X)의 세 번째 제1 데이터(x3)와 제2 데이터 집단(Y)의 네 번째 제2 데이터(y4) 집단의 유사도 값은 z43으로 주어질 수 있다. 한편 이 경우 유사도 값이 크면 클수록 제1 데이터 집단(X)의 소정의 제1 데이터(xi)와 제2 데이터 집단(Y)의 제2 데이터(yi)가 더 유사하다고 판단할 수 있다. 따라서 유사도 값에 따라 제1 데이터 집단(X) 및 제2 데이터 집단(Y)의 대응점을 검출할 수 있게 된다.
도 7은 이와 같이 유사도 행렬의 일례를 도시한 것이다. 도 7에 도시된 바를 참조하면 제1행의 각 요소는 제1 데이터 집단(X)의 제1 데이터(x1 내지 x4)와 제2 데이터 집단의 첫 번째 제2 데이터(y1) 사이의 유사도를 의미한다. 도 7에 도시된 바를 참조하면, 첫 번째 제1 데이터(x1)와 첫 번째 제2 데이터(y1) 사이의 유사도는 4.5이고, 두 번째 제1 데이터(x2)와 첫 번째 제2 데이터(y1) 사이의 유사도는 0.2라는 것을 알 수 있다. 이 경우 첫 번째 제1 데이터(x1)와 첫 번째 제2 데이터(y1) 사이의 유사도는 4.5로 다른 값들에 비해 크다. 따라서 첫 번째 제1 데이터(x1)와 첫 번째 제2 데이터(y1)가 서로 매우 유사하다고 판단할 수 있다. 한편 두 번째 제1 데이터(x2)와 첫 번째 제2 데이터(y1) 사이의 유사도는 0.2로 작다. 따라서 두 번째 제1 데이터(x2)와 첫 번째 제2 데이터(y1)는 거의 유사하지 않다고 판단할 수 있다. 이와 같은 방식으로 도 7의 유사도 행렬에서 유사도 값이 다른 위치의 유사도 값들에 비해 큰 값들을 추출하면 대각선 상의 4.5, 4.1, 4.3 및 3.9(도 6의 z11, z22, z33, z44)임을 알 수 있다. 그에 따라 첫 번째 제1 데이터(x1) 및 첫 번째 제2 데이터(y1)가 서로 유사하고, 두 번째 제1 데이터(x2) 및 두 번째 제2 데이터(y2)가 서로 유사하며, 세 번째 제1 데이터(x3) 및 세 번째 제2 데이터(y3)가 서로 유사하고, 네 번째 제1 데이터(x4) 및 네 번째 제2 데이터(y4)가 서로 유사하다고 판단할 수 있다. 다시 말해서, 첫 번째 제1 데이터(x1) 및 첫 번째 제2 데이터(y1)가 서로 대응되고, 두 번째 제1 데이터(x2) 및 두 번째 제2 데이터(y2)가 서로 대응되며, 세 번째 제1 데이터(x3) 및 세 번째 제2 데이터(y3)가 서로 대응하고, 네 번째 제1 데이터(x4) 및 네 번째 제2 데이터(y4)가 서로 대응한다고 판단할 수 있다. 이에 따라 제1 데이터 집단(X) 및 제2 데이터 집단(Y)에서 서로 대응하는 적어도 하나의 데이터를 결정 및 검출할 수 있게 된다.
실시예에 따라서 데이터 결정부(24)는 획득된 유사도 행렬에 대해 헝가리안 방법(Hungarian Method)과 같은 양자 그래프 정합(Bipartite Graph Matching) 방법을 적용하여 제1 데이터 집단(X) 및 제2 데이터 집단(Y)로부터 서로 대응하는 복수의 데이터를 검출하도록 할 수도 있다.
데이터 결정부(24)는 이와 같은 방법에 의해 복수의 데이터 집단(X, Y)으로부터 복수의 대응되는 데이터를 검출하도록 할 수 있게 된다.
도 1에 도시된 바를 참조하면 데이터 결정부(24)에서 결정 및 검출된 복수의 대응되는 데이터는 정렬 패러미터 연산부(25)로 전달된다. 정렬 패러미터 연산부(25)는 전달받은 복수의 대응되는 데이터를 기초로 적절한 정렬 패러미터를 연산한다.
서로 대응되는 복수의 데이터, 즉 서로 대응되는 제1 데이터(xi) 및 제2 데이터(yi)의 관계는 다음의 수학식과 같이 표현될 수 있다.
여기서 R과 t는 정렬 패러미터로 R은 회전 행렬을 의미하고, t는 전위 벡터를 의미한다. 다시 말해서 xi을 R에 따라 회전시키고 t만큼 이동시키면 yi에 정합된다는 것을 의미한다.
한편 xi 및 yi는 제1 데이터 및 제2 데이터로 이미 획득된 알고 있는 값이므로, 최소 제곱법(LSM, least squares method)을 이용하면 적절한 회전 행렬 R 및 적절한 전위 벡터 t를 연산할 수 있게 된다. 즉, xi 및 yi에 대한 회귀 분석을 수행하여 적절한 정렬 패러미터를 얻을 수 있게 된다.
정합부(26)는 정렬 패러미터 연산부(25)에서 획득된 소정의 정렬 패러미터를 이용하여 제1 데이터 집단(X) 및 제2 데이터 집단(Y)을 정합한다. 실시예에 따라서 정합부(26)는 획득된 소정의 정렬 패러미터를 이용하여 국소적 정합을 수행하도록 할 수도 있다. 정합부(26)는 예를 들어 반복 최근접 포인트(ICP, iterative closest point) 방법을 이용하여 획득된 정렬 패러미터보다 더 정확한 정렬 패러미터를 계산한 후 계산된 정렬 패러미터를 이용하여 국소적 정합을 수행하도록 할 수도 있다.
도 8은 정합된 데이터 집단의 일 실시예를 도시한 도면이다. 정합부(26)에서 획득한 소정의 정렬 패러미터를 이용하여 정합을 수행하여 도 8에 도시된 바와 같이 제1 데이터 집단(X) 및 제2 데이터 집단(Y)가 정합된 정합된 데이터 집단을 얻을 수 있게 된다.
이상 설명한 데이터 수집부(10) 및 데이터 정합 모듈(20)는 하나의 장치에 마련되어 있을 수도 있고, 또한 상이한 복수의 장치에 각각 분산되어 마련되어 있을 수도 있다. 예를 들어 데이터 수집부(10)는 영상 촬영 장치, 일례로 카메라 등에 형성되고, 데이터 정합 모듈(20)는 영상 촬영 장치와 유무선 네트워크를 통해 데이터 송수신이 가능한 별도의 워크 스테이션에 형성되어 있는 것도 가능하다.
이하 데이터 정합 방법의 일 실시예에 대해 설명하도록 한다.
도 9는 데이터 정합 방법의 일 실시예에 대한 흐름도이다.
도 9에 도시된 바에 따라 제1 데이터 집단(X)가 획득되면,(s100) 획득된 제1 데이터 집단(X)의 적어도 하나의 제1 데이터에 대한 제1 관계 데이터가 연산될 수 있다.(s101) 여기서 제1 관계 데이터는 복수의 제1 데이터 사이의 거리 및/또는 사이각일 수 있다.
마찬가지로 단계 s100 및 s101과 동시에 또는 이시에 제2 데이터 집단(Y)가 획득되면,(s110) 획득된 제2 데이터 집단(Y)의 적어도 하나의 제2 데이터에 대한 제2 관계 데이터가 연산될 수 있다.(s111) 제2 관계 데이터는 복수의 제2 데이터 사이의 거리 또는 사이각일 수 있다. 한편 실시예에 따라서 제2 데이터에 대한 제2 관계 데이터가 연산되면 이어서 제2 관계 데이터의 근사값이 연산된다.(s112) 이 경우 상술한 수학식 1 및/또는 수학식 2를 이용하여 제2 관계 데이터의 근사값이 연산될 수 있다.
이어서 제1 관계 데이터 및 제2 관계 데이터의 근사값을 이용하여 제1 데이터 집단(x)의 적어도 하나의 제1 데이터 및 제2 데이터 집단(Y)의 적어도 하나의 제2 데이터 사이의 유사도가 연산될 수 있다.(s120)
그러면 연산된 유사도를 이용하여 제1 데이터 집단(x)의 적어도 하나의 제1 데이터 및 제2 데이터 집단(Y)의 적어도 하나의 제2 데이터 중 서로 대응될 수 있는 제1 데이터 및 제2 데이터가 결정될 수 있다.(s130) 이 경우 제1 데이터 집단(x)의 적어도 하나의 제1 데이터에 대응하는 제2 데이터 집단(Y)의 적어도 하나의 제2 데이터를 검출하여 서로 대응될 수 있는 제1 데이터 및 제2 데이터가 결정되도록 할 수도 있다.
서로 대응될 수 있는 제1 데이터 및 제2 데이터를 기초로 소정의 정렬 패러미터가 연산된다.(s140) 이때 정렬 패러미터는 제1 데이터 집단(X) 및 제2 데이터 집단(Y) 중 적어도 하나의 데이터 집단을 회전하도록 하거나 이동하도록 하는 패러미터일 수도 있다. 보다 상세하게는 정렬 패러미터는 회전 행렬 및 전위 벡터일 수도 있다.
획득된 정렬 패러미터를 이용하여 제1 데이터 집단(X) 및 제2 데이터 집단(Y)가 정합된다.(s150) 그 결과 도 8에 도시된 것과 같이 복수의 데이터 집단(X, Y)가 정합될 수 있게 된다.
이하 서로 대응될 수 있는 제1 데이터 및 제2 데이터를 결정하는 방법에 대해 보다 상세히 설명하도록 한다.
도 10은 데이터 결정 방법의 일 실시예에 대한 흐름도이다.
도 10에 도시된 바와 같이 제1 데이터 집단(X)의 제1 관계 데이터 및 제2 데이터 집단(Y)의 제2 관계 데이터의 근사값이 입력되면,(s121) 입력된 제1 데이터 집단(X)의 제1 관계 데이터 및 제2 데이터 집단(Y)의 제2 관계 데이터의 근사값을 이용하여 유사 척도 데이터가 연산된다.(s122) 실시예에 따라서 유사 척도 데이터로 유사 행렬이 연산될 수도 있고, 거리 유사 행렬이 연산될 수도 있으며, 사이각 유사 행렬이 연산될 수도 있다. 필요에 따라서 유사 척도 데이터로 거리 유사 행렬 및 사이각 유사 행렬이 모두 연산될 수도 있다. 뿐만 아니라 유사 척도 데이터로 기저 데이터 및 인덱스 데이터가 연산될 수도 있다. 이 경우 기저 데이터로 거리 기저 데이터가 연산될 수도 있고, 사이각 기저 데이터가 연산될 수도 있다. 또한 인덱스 데이터로 거리 인덱스 데이터가 연산될 수도 있고, 사이각 인덱스 데이터가 연산될 수도 있다. 실시예에 따라서 거리 기저 데이터 및 거리 인덱스 데이터만 연산될 수도 있고, 사이각 기저 데이터 및 사이각 인덱스 데이터만 연산될 수도 있으며, 기저 데이터 및 거리 인덱스 데이터, 사이각 기저 데이터 및 사이각 인덱스 데이터가 모두 연산될 수도 있다.
이어서 유사 척도 데이터를 기초로 유사도가 연산된다.(s123) 일 실시예에 의하면 유사 척도 데이터가 소정의 행렬 형태로 표현되는 경우, 즉 유사 척도 데이터가 거리 유사 행렬 또는 사이각 유사 행렬이거나, 또는 행렬 형태로 표현되는 기저 데이터 및 인덱스 데이터인 경우, 소정의 행렬의 주 고유 벡터를 연산하도록 하여 유사도가 연산될 수도 있다. 이 경우 멱 방법을 이용하여 소정의 행렬의 주 고유 벡터를 연산하도록 할 수 있다. 주 고유 벡터가 연산되면 주 고유 벡터의 각 요소가 제1 데이터 집단(X)이 제1 데이터와 제2 데이터 집단(Y)의 제2 데이터 사이의 유사도 값을 나타낼 수 있다.
이어서 연산된 유사도, 일례로 주 고유 벡터의 각 요소를 기초로 제1 데이터 집단(X)의 제1 데이터 및 제2 데이터 집단(Y)의 제2 데이터 중에서 서로 대응하는 데이터를 결정하도록 한다.(s124) 그 결과 서로 대응되는 제1 데이터 집단(X)의 제1 데이터 및 제2 데이터 집단(Y)의 제2 데이터가 결정될 수 있다.
이하 유사도 연산 방법의 일 실시예에 대해 보다 상세히 설명하도록 한다.
도 11은 유사도 연산 방법의 일 실시에에 대한 흐름도로, 유사 행렬, 거리 유사 행렬 및 사이각 유사 행렬을 이용하지 않고, 거리 유사 행렬 및 사이각 유사 행렬 각각의 인덱스 행렬 및 기저 행렬을 이용하여 주 고유 벡터를 연산하여 유사도를 연산하는 방법의 일 실시에를 도시한 것이다.
도 11에 도시된 바에 따르면 먼저 무작위로 임의의 벡터 v(1)가 초기값으로 주어진다.(s160) 여기서 초기값으로 주어지는 임의의 벡터 v(1)는 크기가 1이 되도록 정규화된 벡터일 수 있다.
이어서 거리 인덱스 데이터(H) 및 거리 기저 데이터(B)에 대한 소정의 벡터를 연산하기 위해 모든 요소가 0인 벡터 α가 설정될 수 있다.(s170) 벡터 α가 설정된 후, 거리 인덱스 데이터(H) 및 기저 거리 데이터(B), 일례로 거리 인덱스 행렬 및 거리 기저 행렬이 입력된다.(s171, s172) 실시예에 따라서 거리 인덱스 데이터(H) 및 거리 기저 데이터(B)가 입력되는 단계(s172)는 α가 설정되는 단계(s170)과 동시에 수행될 수도 있고, 또는 α가 설정되는 단계(s170)에 선행하여 수행될 수도 있다.
거리 인덱스 데이터(H) 및 거리 기저 데이터(B)의 크로네커 곱과 임의의 벡터 v(1)의 곱이 연산되고, 벡터 α값에 거리 인덱스 데이터(H) 및 거리 기저 데이터(B)의 크로네커 곱과 임의의 벡터 v(1)의 곱과 설정된 α을 더한 값이 입력된다.(s173) 이와 같은 과정은 총 m회 반복될 수 있다.(s174, s175) 여기서 m은 거리의 최대값인 dmax를 거리에 대한 근사 계수ωd로 나눈 값일 수 있다. 그 결과 다음의 수학식 18를 연산한 연산 결과값이 최종적으로 연산된다.
수학식 18은 수학식 16의 우변에 기재되어 있다.
마찬가지로 사이각 인덱스 데이터(H) 및 사이각 기저 데이터(B)에 대한 소정의 벡터를 연산하기 위해 모든 요소가 0인 벡터 β가 설정된다.(s180) 이어서 각도에 대한 사이각 인덱스 데이터(H) 및 사이각 기저 데이터(B)가 입력될 수 있다.(s181, s182) 실시예에 따라서 사이각 인덱스 데이터(H) 및 기저 데이터(B)가 입력되는 단계(s182)는 β가 설정되는 단계(s180)과 동시에 수행될 수도 있고, 또는 β가 설정되는 단계(s180)에 선행하여 수행될 수도 있다.
사이각 인덱스 데이터(H) 및 사이각 기저 데이터(B)의 크로네커곱이 연산되고, 크로네커곱의 연산 결과와 임의의 벡터 v(1)의 곱이 연산된다. 그리고 벡터 α값에 설정된 α값과 크로네커곱의 연산 결과와 벡터 v(1)을 더한 값이 입력된다.(s183) 이와 같은 과정은 총 n회 반복될 수 있다.(s184, s185) 여기서 n은 사이각의 최대값인 θmax를 사이각에 대한 근사 계수ωθ로 나눈 값일 수 있다. 그 결과 다음의 수학식 19에 대한 연산 결과값이 최종적으로 연산된다.
상술한 단계 s180 내지 단계 s185는 단계 s170 내지 단계 s175와 동시에 또는 이시에 수행될 수 있다.
수학식 18 및 수학식 19의 연산 결과값이 획득되면, 두 연산 결과값은 합산되고, 합산 결과를 정규화하여 v(2)가 획득된다. 이어서 v(2)가 수렴되었는지 여부를 판단하고,(s191) 수렴되지 않은 경우 v(2)를 초기값으로 하여 단계 s170 내지 s185를 반복하도록 할 수 있다.(s192) 수렴 여부는 v(k)와 v(k-1)의 비교를 통해 판단할 수 있다. 예를 들어 v(k)와 v(k-1)의 차이가 기정의된 소정의 상수보다 작은 경우 수렴되었다고 판단할 수 있다.
최종적으로 수렴된 v(k)가 획득될 수 있다. 획득된 수렴된 v(k)가 주 고유 벡터로 인정될 수 있다.(s193) 결과적으로 주 고유 벡터가 획득된다. 획득된 주 고유 벡터는 제1 데이터 집단(X)의 각각의 제1 데이터 및 제2 데이터 집단(Y)의 각각의 제2 데이터 사이의 유사도에 대한 정보를 포함하고 있을 수 있다. 따라서 주 고유 벡터를 이용하여 각각의 제1 데이터 및 각각의 제2 데이터 사이의 유사도 값을 획득하고, 획득된 유사도 값을 이용하여 서로 대응되는 제1 데이터 및 제2 데이터를 검출할 수 있게 된다.
도 12는 데이터 정합 방법의 다른 실시예에 대한 흐름도이다.
도 12에 도시된 바에 의하면 먼저 제1 데이터 집단(X)이 획득된다.(s200) 그러면 획득된 제1 데이터 집단(X)의 적어도 하나의 제1 데이터에 대한 제1 관계 데이터가 연산된다.(s201) 일 실시예에 의하면 연산된 제1 관계 데이터를 이용하여 제1 관계 데이터에 대한 근사값이 연산될 수 있다.(s202) 이 경우 제1 관계 데이터에 대한 근사값의 연산을 위해서 상술한 수학식 1 및/또는 수학식 2가 이용될 수 있다.
마찬가지로 제2 데이터 집단(Y)이 획득되면,(s210) 획득된 제2 데이터 집단(Y)의 적어도 하나의 제2 데이터에 대한 제2 관계 데이터가 연산된다.(s211) 이어서 제2 관계 데이터의 근사값이 연산된다.(s212) 제2 관계 데이터의 근사값의 연산을 위해서 상술한 수학식 2가 이용될 수도 있을 것이다. 이 때 수학식 2의 근사 계수는 수학식 1에서 이용된 근사 계수와 동일할 수도 있고, 상이할 수도 있다. 단계 210 내지 단계 s212는, 단계 s200 내지 s202와 동시에 또는 이시에 수행될 수 있다.
제1 관계 데이터의 근사값 및 제2 관계 데이터의 근사값을 이용하여 제1 데이터 집단(x)의 적어도 하나의 제1 데이터 및 제2 데이터 집단(Y)의 적어도 하나의 제2 데이터 사이의 유사도가 연산될 수 있다.(s220)
이어서 연산된 유사도를 이용하여 제1 데이터 집단(x)의 적어도 하나의 제1 데이터 및 제2 데이터 집단(Y)의 적어도 하나의 제2 데이터 중 서로 대응될 수 있는 제1 데이터 및 제2 데이터가 결정 및 추출된다.(s230)
그리고 서로 대응될 수 있는 제1 데이터 및 제2 데이터를 기초로 소정의 정렬 패러미터가 연산된다.(s240) 연산된 정렬 패러미터를 이용하여 제1 데이터 집단(X) 및 제2 데이터 집단(Y)이 정합될 수 있다.(s250)
10 : 데이터 수집부 20 : 데이터 정합 모듈
21 : 입력부 22 : 관계 데이터 연산부
23 : 근사값 연산부 24 : 데이터 결정부
25 : 정렬 패러미터 연산부 26 : 정합부
21 : 입력부 22 : 관계 데이터 연산부
23 : 근사값 연산부 24 : 데이터 결정부
25 : 정렬 패러미터 연산부 26 : 정합부
Claims (21)
- 복수의 제1 데이터 사이의 적어도 하나의 제1 관계 데이터 및 복수의 제2 데이터 사이의 적어도 하나의 제2 관계 데이터를 연산하고 상기 적어도 하나의 제2 관계 데이터의 근사값을 연산하는 데이터 연산 단계;
상기 적어도 하나의 제1 관계 데이터 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 기초로 유사도를 연산하고, 상기 연산된 유사도를 기초로 서로 대응하는 적어도 하나의 제1 데이터 및 적어도 하나의 제2 데이터를 결정하는 데이터 결정 단계;
상기 서로 대응하는 적어도 하나의 제1 데이터와 적어도 하나의 제2 데이터를 기초로 정렬 패러미터를 연산하는 정렬 패러미터 연산 단계; 및
상기 정렬 패러미터를 기초로 상기 제1 데이터로 형성된 제1 데이터 집단 및 상기 제2 데이터로 형성된 제2 데이터 집단을 정합하는 정합 단계;
를 포함하는 데이터 정합 방법.
- 제1항에 있어서,
상기 제1 관계 데이터는, 상기 복수의 제1 데이터 사이의 거리 또는 상기 복수의 제1 데이터 사이의 사이각에 대한 관계 데이터이고, 상기 제2 관계 데이터는, 상기 복수의 제2 데이터 사이의 거리 또는 상기 복수의 제2 데이터 사이의 사이각에 대한 관계 데이터인 데이터 정합 방법.
- 제1항에 있어서,
상기 데이터 결정 단계는,
상기 적어도 하나의 제1 관계 데이터 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 기초로 유사 척도 데이터를 연산하는 유사 척도 데이터 연산 단계;
상기 유사 척도 데이터를 이용하여 유사도를 연산하는 유사도 연산 단계; 및
상기 연산된 유사도를 기초로 서로 대응하는 복수의 제1 데이터 및 복수의 제2 데이터를 결정하는 대응 데이터 결정 단계;
를 포함하는 데이터 정합 방법.
- 제3항에 있어서,
상기 유사 척도 데이터 연산 단계는, 상기 복수의 제1 데이터 사이의 거리 및 상기 복수의 제2 데이터 사이의 거리의 근사값을 기초로 거리 유사 척도 데이터를 연산하고, 상기 복수의 제1 데이터 사이의 사이각 및 상기 복수의 제2 데이터 사이의 사이각의 근사값을 기초로 사이각 유사 척도 데이터를 연산하는 단계이고,
상기 유사도 연산 단계는, 상기 거리 유사 척도 데이터 및 상기 사이각 유사 척도 데이터를 이용하여 유사도를 연산하는 단계인 데이터 정합 방법.
- 제3항에 있어서,
상기 유사 척도 데이터는, 기저 데이터 및 상기 기저 데이터에 대한 정보인 인덱스 데이터인 데이터 정합 방법.
- 제5항에 있어서,
상기 대응 데이터 결정 단계는, 상기 인덱스 데이터와 상기 기저 데이터를 기초로 서로 대응하는 복수의 제1 데이터 및 복수의 제2 데이터를 결정하는 단계인 데이터 정합 방법.
- 제5항에 있어서,
상기 인덱스 데이터 및 기저 데이터는, 상기 복수의 제1 데이터 사이 또는 상기 복수의 제2 데이터의 거리에 대한 인덱스 데이터 및 기저 데이터이거나, 또는 상기 복수의 제1 데이터 사이 또는 상기 복수의 제2 데이터의 사이각에 대한 인덱스 데이터 및 기저 데이터인 데이터 정합 방법.
- 제3항에 있어서,
상기 유사도는, 상기 유사 척도 데이터에 대해 연산된 주 고유 벡터인 데이터 정합 방법.
- 제1항에 있어서,
상기 정렬 패러미터 연산 단계는, 서로 대응하는 상기 복수의 제1 데이터 및 상기 복수의 제2 데이터 사이의 관계를 기초로 상기 정렬 패러미터를 연산하는 데이터 정합 방법.
- 제8항에 있어서,
상기 정렬 패러미터 연산 단계는, 서로 대응하는 상기 복수의 제1 데이터 및 상기 복수의 제2 데이터에 대해 회귀 분석을 수행하여 상기 정렬 패러미터를 연산하는 데이터 정합 방법.
- 복수의 제1 데이터 및 복수의 제2 데이터가 입력되는 데이터 입력부;
복수의 제1 데이터 사이의 적어도 하나의 제1 관계 데이터 및 복수의 제2 데이터 사이의 적어도 하나의 제2 관계 데이터를 연산하는 관계 데이터 연산부;
상기 적어도 하나의 제2 관계 데이터의 근사값을 연산하는 근사값 연산부;
상기 적어도 하나의 제1 관계 데이터 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 기초로 유사도를 연산하고, 상기 연산된 유사도를 기초로 서로 대응하는 적어도 하나의 제1 데이터 및 적어도 하나의 제2 데이터를 결정하는 데이터 결정부;
상기 서로 대응하는 적어도 하나의 제1 데이터와 적어도 하나의 제2 데이터를 기초로 정렬 패러미터를 연산하는 정렬 패러미터 연산부; 및
상기 정렬 패러미터를 기초로 상기 제1 데이터로 형성된 제1 데이터 집단 및 상기 제2 데이터로 형성된 제2 데이터 집단을 정합하는 정합부;
를 포함하는 데이터 정합 모듈.
- 제11항에 있어서,
상기 제1 관계 데이터는, 상기 복수의 제1 데이터 사이의 거리 또는 상기 복수의 제1 데이터 사이의 사이각에 대한 관계 데이터이고, 상기 제2 관계 데이터는, 상기 복수의 제2 데이터 사이의 거리 또는 상기 복수의 제2 데이터 사이의 사이각에 대한 관계 데이터인 데이터 정합 모듈.
- 제11항에 있어서,
상기 데이터 결정부는, 상기 적어도 하나의 제1 관계 데이터 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 기초로 유사 척도 데이터를 연산하고, 상기 유사 척도 데이터를 이용하여 유사도를 연산하며, 상기 연산된 유사도를 기초로 서로 대응하는 복수의 제1 데이터 및 복수의 제2 데이터를 결정하는 데이터 정합 모듈.
- 제13항에 있어서,
상기 데이터 결정부는, 상기 복수의 제1 데이터 사이의 거리 및 상기 복수의 제2 데이터 사이의 거리의 근사값을 기초로 거리 유사 척도 데이터를 연산하고, 상기 복수의 제1 데이터 사이의 사이각 및 상기 복수의 제2 데이터 사이의 사이각의 근사값을 기초로 사이각 유사 척도 데이터를 연산한 후, 상기 거리 유사 척도 데이터 및 상기 사이각 유사 척도 데이터를 이용하여 유사도를 연산하는 데이터 정합 모듈.
- 제13항에 있어서,
상기 유사 척도 데이터는, 기저 데이터 및 상기 기저 데이터에 대한 정보인 인덱스 데이터인 데이터 정합 모듈.
- 제15항에 있어서,
상기 데이터 결정부는, 상기 인덱스 데이터와 상기 기저 데이터를 기초로 서로 대응하는 복수의 제1 데이터 및 복수의 제2 데이터를 결정하는 데이터 정합 모듈.
- 제15항에 있어서,
상기 인덱스 데이터 및 기저 데이터는, 상기 복수의 제1 데이터 사이 또는 상기 복수의 제2 데이터의 거리에 대한 인덱스 데이터 및 기저 데이터이거나, 또는 상기 복수의 제1 데이터 사이 또는 상기 복수의 제2 데이터의 사이각에 대한 인덱스 데이터 및 기저 데이터인 데이터 정합 모듈.
- 제13항에 있어서,
상기 유사도는, 상기 유사 척도 데이터에 대해 연산된 주 고유 벡터인 데이터 정합 모듈.
- 제11항에 있어서,
상기 정렬 패러미터 연산부는, 서로 대응하는 상기 복수의 제1 데이터 및 상기 복수의 제2 데이터 사이의 관계를 기초로 상기 정렬 패러미터를 연산하는 데이터 정합 모듈.
- 제18항에 있어서,
상기 정렬 패러미터 연산부는, 서로 대응하는 상기 복수의 제1 데이터 및 상기 복수의 제2 데이터에 대해 회귀 분석을 수행하여 상기 정렬 패러미터를 연산하는 데이터 정합 모듈.
- 복수의 제1 데이터 사이의 적어도 하나의 제1 관계 데이터 및 복수의 제2 데이터 사이의 적어도 하나의 제2 관계 데이터를 연산하고 상기 적어도 하나의 제1 관계 데이터 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 연산하는 데이터 연산 단계;
상기 적어도 하나의 제1 관계 데이터의 근사값 및 상기 적어도 하나의 제2 관계 데이터의 근사값을 기초로 유사도를 연산하고, 상기 연산된 유사도를 기초로 서로 대응하는 복수의 제1 데이터 및 복수의 제2 데이터를 결정하는 데이터 결정 단계;
상기 서로 대응하는 상기 복수의 제1 데이터와 상기 복수의 제2 데이터를 기초로 정렬 패러미터를 연산하는 정렬 패러미터 연산 단계; 및
상기 정렬 패러미터를 기초로 상기 제1 데이터 및 상기 제2 데이터를 정합하는 정합 단계;
를 포함하는 데이터 정합 방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130044073A KR102190619B1 (ko) | 2013-04-22 | 2013-04-22 | 데이터 정합 방법 및 데이터 정합 모듈 |
US14/162,883 US9159131B2 (en) | 2013-04-22 | 2014-01-24 | Data matching method and data matching apparatus for matching data groups according to alignment parameters |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130044073A KR102190619B1 (ko) | 2013-04-22 | 2013-04-22 | 데이터 정합 방법 및 데이터 정합 모듈 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20140126050A KR20140126050A (ko) | 2014-10-30 |
KR102190619B1 true KR102190619B1 (ko) | 2020-12-14 |
Family
ID=51729045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020130044073A KR102190619B1 (ko) | 2013-04-22 | 2013-04-22 | 데이터 정합 방법 및 데이터 정합 모듈 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9159131B2 (ko) |
KR (1) | KR102190619B1 (ko) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102190619B1 (ko) * | 2013-04-22 | 2020-12-14 | 삼성전자주식회사 | 데이터 정합 방법 및 데이터 정합 모듈 |
CN105869141A (zh) * | 2015-12-15 | 2016-08-17 | 乐视致新电子科技(天津)有限公司 | 图像配准方法及装置 |
CN111726191B (zh) * | 2019-03-21 | 2024-07-02 | 中兴通讯股份有限公司 | 信号处理方法、装置及计算机可读存储介质 |
US11783000B1 (en) * | 2023-01-20 | 2023-10-10 | Know Systems Corp. | Knowledge portal for exploration space with interactive avatar |
CN117891931B (zh) * | 2024-01-25 | 2024-07-12 | 苏州博天乾源网络信息技术有限公司 | 企业需求与资源供应自动匹配方法及*** |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5951571A (en) | 1996-09-19 | 1999-09-14 | Surgical Navigation Specialist Inc. | Method and apparatus for correlating a body with an image of the body |
US6597818B2 (en) * | 1997-05-09 | 2003-07-22 | Sarnoff Corporation | Method and apparatus for performing geo-spatial registration of imagery |
KR100522373B1 (ko) * | 2003-05-02 | 2005-10-20 | 중앙대학교 산학협력단 | 센서의 사영행렬을 이용하는 3차원 데이터의 자동 정합 방법 |
US7783113B2 (en) * | 2004-10-08 | 2010-08-24 | Drvision Technologies Llc | Partition pattern match and integration method for alignment |
US7822291B2 (en) * | 2004-10-28 | 2010-10-26 | Siemens Medical Solutions Usa, Inc. | Non-rigid multi-modal registration using statistical learning methods |
US8323198B2 (en) * | 2007-01-29 | 2012-12-04 | Siemens Medical Solutions Usa, Inc. | Spatial and temporal alignment for volume rendering in medical diagnostic ultrasound |
KR100930626B1 (ko) | 2007-08-23 | 2009-12-09 | 전자부품연구원 | 스테레오 카메라를 구비한 로봇의 물체 자세 인식 방법 |
US8437577B2 (en) * | 2009-03-05 | 2013-05-07 | Tektronix, Inc. | Methods and systems for image registration |
WO2011028273A2 (en) * | 2009-09-01 | 2011-03-10 | Children's Medical Center Corporation | Image registration methods and apparatus using random projections |
KR100976138B1 (ko) * | 2009-09-16 | 2010-08-16 | (주)올라웍스 | 건축물 이미지의 계층적 매칭 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체 |
KR101079702B1 (ko) * | 2010-02-18 | 2011-11-04 | 한국과학기술연구원 | 스캔 데이터 정합 시스템 및 이를 이용한 스캔 데이터 정합 방법 |
KR101791590B1 (ko) | 2010-11-05 | 2017-10-30 | 삼성전자주식회사 | 물체 자세 인식장치 및 이를 이용한 물체 자세 인식방법 |
US9692991B2 (en) * | 2011-11-04 | 2017-06-27 | Qualcomm Incorporated | Multispectral imaging system |
KR102190619B1 (ko) * | 2013-04-22 | 2020-12-14 | 삼성전자주식회사 | 데이터 정합 방법 및 데이터 정합 모듈 |
-
2013
- 2013-04-22 KR KR1020130044073A patent/KR102190619B1/ko active IP Right Grant
-
2014
- 2014-01-24 US US14/162,883 patent/US9159131B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US9159131B2 (en) | 2015-10-13 |
US20140314328A1 (en) | 2014-10-23 |
KR20140126050A (ko) | 2014-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102560911B1 (ko) | 화상 처리 장치, 화상 처리 방법 및 저장 매체 | |
KR102190619B1 (ko) | 데이터 정합 방법 및 데이터 정합 모듈 | |
CN110689577B (zh) | 单相机环境中主动式刚体的位姿定位方法及相关设备 | |
US9898819B2 (en) | System and method for detecting region of interest | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
JP6525635B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
EP3846688A1 (en) | Apparatus and process for medical imaging | |
EP3832351A1 (en) | Apparatuses and methods for training a machine learning network for use with a time-of-flight camera | |
TWI654965B (zh) | 電阻抗斷層攝影術影像之後處理系統與後處理方法 | |
Son et al. | Learning to remove multipath distortions in time-of-flight range images for a robotic arm setup | |
CN111462097A (zh) | 基于联邦学习的图像处理方法、装置、设备及存储介质 | |
KR20220014678A (ko) | 영상의 깊이를 추정하는 방법 및 장치 | |
JP2017199278A (ja) | 検出装置、検出方法、およびプログラム | |
CN106295710A (zh) | 基于非几何约束的图像局部特征匹配方法、装置及终端 | |
He et al. | Linear approach for initial recovery of the exterior orientation parameters of randomly captured images by low-cost mobile mapping systems | |
CN111739099A (zh) | 预防跌落方法、装置及电子设备 | |
Malpica et al. | Range image quality assessment by structural similarity | |
US20220156977A1 (en) | Calibration apparatus, calibration method, and non-transitory computer readable medium storing program | |
US20150254527A1 (en) | Methods for 3d object recognition and registration | |
AU2016321728B2 (en) | An apparatus and a method for encoding an image captured by an optical acquisition system | |
Liu et al. | Object localization and size measurement using networked address event representation imagers | |
JP6452324B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
KR102177951B1 (ko) | 슬라이드 이미지에 포함된 생체 조직의 길이를 측정하는 방법 및 이를 수행하는 컴퓨팅 시스템 | |
JP2017011537A (ja) | カメラキャリブレーション方法、カメラキャリブレーション装置及びカメラキャリブレーションプログラム | |
KR20190042472A (ko) | 인공신경망 기반의 플렌옵틱 카메라 어레이 깊이 영상 획득 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application | ||
J201 | Request for trial against refusal decision | ||
J301 | Trial decision |
Free format text: TRIAL NUMBER: 2020101000241; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20200122 Effective date: 20200807 |
|
GRNO | Decision to grant (after opposition) | ||
GRNT | Written decision to grant |