KR102263590B1 - 이미지 정합 방법 - Google Patents
이미지 정합 방법 Download PDFInfo
- Publication number
- KR102263590B1 KR102263590B1 KR1020210046357A KR20210046357A KR102263590B1 KR 102263590 B1 KR102263590 B1 KR 102263590B1 KR 1020210046357 A KR1020210046357 A KR 1020210046357A KR 20210046357 A KR20210046357 A KR 20210046357A KR 102263590 B1 KR102263590 B1 KR 102263590B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- sub
- cluster
- divided
- generating
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000007781 pre-processing Methods 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims description 72
- 238000003860 storage Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 17
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 description 13
- 239000000284 extract Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 241000282326 Felis catus Species 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- 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
- G06T3/18—Image warping, e.g. rearranging pixels individually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
본 개시의 몇몇 실시예에 따른, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 이미지 정합 방법이 개시된다. 상기, 이미지 정합 방법은 제 1 이미지의 제 1 픽셀 수 및 제 2 이미지의 제 2 픽셀 수에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 단계; 상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 단계; 및 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계를 포함할 수 있다.
Description
본 개시는 이미지 처리 방법에 관한 것으로, 구체적으로 이미지를 정합하는 방법에 관한 것이다.
이미지 정합(registration)은 복수의 이미지들 각각에 포함된 객체로부터 특징을 추출하고, 추출된 특징들을 상호 매칭시키는 처리 과정을 통해 수행된다. 이때, 복수의 이미지들 각각에서 특징을 추출하는 과정은 일반적으로 SIFT(Scale Invariant Feature Transform) 알고리즘을 통해 수행될 수 있다. 그리고, 추출된 특징을 상호 매칭시키는 과정은 BF Matcher(Brute-Force) 등을 통해 수행될 수 있다.
구체적으로, SIFT 알고리즘은 이미지의 크기와 회전에 불변하는 특징을 추출하는 알고리즘으로서, 서로 다른 두 이미지의 크기가 상이하고, 어느 한 이미지가 회전되어 있는 경우에도 특징점을 찾을 수 있는 알고리즘이다. 그리고, SIFT 알고리즘을 통해 특징점이 추출된 경우, BF Matcher 알고리즘을 통해 한 이미지와 다른 이미지에 있는 특징점을 매칭할 수 있다.
한편, 최근에는 카메라 성능의 발달과 더불어 위성 기술의 발달로 인하여 고해상도이며, 넓은 범위를 담을 수 있는 위성 이미지들이 획득되고 있다. 이러한 위성 이미지를 정합하기 위해서도 마찬가지로 SIFT 알고리즘 또는 SIFT 알고리즘 기반의 모델을 통해 특징점을 추출하는 과정이 필요하다. 그러나, 이러한 위성 이미지는 객체의 수가 너무 많기에, SIFT 기반의 알고리즘 또는 모델을 통하여 이미지로부터 특징점을 추출하는 것이 어려울 수 있다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 위성 이미지와 같은 큰 사이즈의 이미지를 정합하는 방법을 제공하고자 한다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따라, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 이미지 정합 방법이 개시된다. 상기 이미지 정합 방법은, 제 1 이미지의 제 1 픽셀 수 또는 제 2 이미지의 제 2 픽셀 수 중 적어도 하나에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 단계; 상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 단계; 및 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계; 를 포함할 수 있다.
또한, 상기 전처리를 수행할지 여부를 결정하는 단계는, 상기 제 1 픽셀 수 또는 상기 제 2 픽셀 수 중 적어도 하나가 기 설정된 값 이상인 경우, 상기 전처리를 수행한다고 결정하는 단계; 를 포함할 수 있다.
또한, 상기 전처리를 수행할지 여부를 결정하는 단계는, 상기 제 1 픽셀 수 및 상기 제 2 픽셀 수가 기 설정된 값 미만인 경우, 상기 전처리를 수행하지 않고 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계; 를 포함할 수 있다.
또한, 상기 제 1 이미지는 위성 이미지이고, 그리고 상기 제 2 이미지는 상기 제 1 이미지가 생성된 이후에 생성된 위성 이미지일 수 있다.
또한, 상기 전처리 과정은, 상기 제 1 이미지를 기 설정된 크기로 축소하여, 제 1 서브 이미지를 생성하고, 그리고 상기 제 2 이미지를 기 설정된 크기로 축소하여, 제 2 서브 이미지를 생성하는 단계; 상기 제 1 서브 이미지로부터 적어도 하나의 제 1 특징점을 추출하고, 그리고 상기 제 2 서브 이미지로부터 적어도 하나의 제 2 특징점을 추출하는 단계; 상기 적어도 하나의 제 1 특징점 및 상기 적어도 하나의 제 2 특징점을 비교하여 매칭되는 적어도 하나의 제 1 매칭점을 결정하는 단계; 및 상기 적어도 하나의 제 1 매칭점에 기초하여, 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고 그리고 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계; 를 포함할 수 있다.
또한, 상기 전처리 과정은, 상기 적어도 하나의 제 1 매칭점이 결정된 경우, 상기 적어도 하나의 제 1 매칭점을 제외한 나머지 특징점을 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에서 제거하는 단계; 를 더 포함하며, 그리고 상기 적어도 하나의 제 1 매칭점에 기초하여, 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고 그리고 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계는, 상기 나머지 특징점이 제거된 제 1 서브 이미지 및 제 2 서브 이미지에 기초하여, 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고 그리고 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계; 를 포함할 수 있다.
또한, 상기 적어도 하나의 제 1 매칭점에 기초하여, 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고, 그리고 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계는, 상기 적어도 하나의 제 1 매칭점에 대한 클러스터링(clustering)을 수행하여 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성하는 단계; 및 상기 적어도 하나의 군집에 기초하여, 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지를 생성하는 단계; 를 포함할 수 있다.
또한, 상기 적어도 하나의 군집에 기초하여, 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지를 생성하는 단계는, 상기 적어도 하나의 군집 중 상기 적어도 하나의 제 1 매칭점의 밀도가 가장 높은 주(major) 군집을 결정하는 단계; 상기 제 1 서브 이미지에서 상기 주 군집이 배치되는 영역에 대한 제 1 영역 정보를 결정하고, 그리고 상기 제 2 서브 이미지에서 상기 주 군집이 배치되는 영역에 대한 제 2 영역 정보를 결정하는 단계; 및 상기 제 1 영역 정보를 이용하여 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고, 그리고 상기 제 2 영역 정보를 이용하여 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계; 를 포함할 수 있다.
또한, 상기 전처리 과정은, 상기 적어도 하나의 군집이 생성된 경우, 상기 적어도 하나의 군집 중 상기 적어도 하나의 제 1 매칭점의 개수가 기 설정된 개수 미만인 미달 군집을 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에서 제거하는 단계; 를 더 포함하며, 그리고 상기 적어도 하나의 군집에 기초하여, 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지를 생성하는 단계는, 상기 미달 군집이 제거된 제 1 서브 이미지에서 상기 적어도 하나의 군집이 배치되는 영역에 대한 제 3 영역 정보를 결정하고, 그리고 상기 미달 군집이 제거된 제 2 서브 이미지에서 상기 적어도 하나의 군집이 배치되는 영역에 대한 제 4 영역 정보를 결정하는 단계; 및 상기 제 3 영역 정보를 이용하여 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고, 그리고 상기 제 4 영역 정보를 이용하여 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계; 를 포함할 수 있다.
또한, 상기 적어도 하나의 제 1 매칭점에 대한 클러스터링을 수행하여 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성하는 단계는, 상기 적어도 하나의 제 1 매칭점의 밀도를 이용하는 밀도 기반 클러스터링(Density-based spatial clustering of applications with noise, DBSCAN)기법에 따라 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성하는 단계; 를 포함할 수 있다.
또한, 상기 적어도 하나의 제 1 매칭점에 대한 클러스터링을 수행하여 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성하는 단계는, 상기 적어도 하나의 제 1 매칭점으로 구성되는 군집을 형성할 수 있는 K-평균 클러스터링(K-Means Clustering) 기법에 따라 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성하는 단계; 를 포함할 수 있다.
또한, 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계는, 상기 제 1 분할 이미지로부터 적어도 하나의 제 3 특징점을 추출하고, 그리고 상기 제 2 분할 이미지로부터 적어도 하나의 제 4 특징점을 추출하는 단계; 상기 적어도 하나의 제 3 특징점 및 상기 적어도 하나의 제 4 특징점을 비교하여 매칭되는 적어도 하나의 제 2 매칭점에 기초하여, 정합 파라미터를 산출하는 단계; 상기 정합 파라미터에 기초하여, 상기 제 2 이미지를 워핑(warping)하는 단계; 및 상기 제 1 이미지 및 워핑된 제 2 이미지를 정합하는 단계; 를 포함할 수 있다.
또한, 상기 제 1 분할 이미지로부터 적어도 하나의 제 3 특징점을 추출하고, 그리고 상기 제 2 분할 이미지로부터 적어도 하나의 제 4 특징점을 추출하는 단계는, 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지 각각이 신경망(neural network) 기반의 특징점 추출 모델에 입력 가능할 때까지 상기 전처리 과정을 반복 수행하는 단계; 를 포함할 수 있다.
또한, 상기 제 1 영역 정보는, 상기 제 1 서브 이미지에서 상기 주 군집의 중심에 해당하는 제 1 좌표점 및 상기 주 군집이 배치되는 크기에 대한 정보를 포함하고, 상기 제 2 영역 정보는, 상기 제 2 서브 이미지에서 상기 주 군집의 중심에 해당하는 제 2 좌표점 및 상기 주 군집이 배치되는 크기에 대한 정보를 포함할 수 있다.
또한, 상기 제 3 영역 정보는, 상기 미달 군집이 제거된 제 1 서브 이미지에서 상기 적어도 하나의 군집 각각의 중심에 해당하는 적어도 하나의 제 3 좌표점 및 상기 적어도 하나의 군집 각각이 배치되는 크기에 대한 정보를 포함하고, 상기 제 4 영역 정보는, 상기 미달 군집이 제거된 제 2 서브 이미지에서 상기 적어도 하나의 군집 각각의 중심에 해당하는 적어도 하나의 제 4 좌표점 및 상기 적어도 하나의 군집 각각이 배치되는 크기에 대한 정보를 포함할 수 있다.
또한, 상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 단계는, 상기 제 1 분할 이미지의 크기를 결정하는 단계; 및 상기 제 1 분할 이미지의 크기에 기초하여, 상기 제 1 분할 이미지의 크기에 대응하도록 상기 제 2 분할 이미지를 생성하는 단계; 를 포함할 수 있다.
또한, 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 이미지를 정합하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 제 1 이미지의 제 1 픽셀 수 또는 제 2 이미지의 제 2 픽셀 수 중 적어도 하나에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 동작; 상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 동작; 및 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 동작; 을 포함할 수 있다.
또한, 전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 이미 정합을 처리하는 서버가 개시된다. 상기 서버는, 복수의 이미지를 수신하는 통신부; 상기 복수의 이미지를 저장하는 저장부; 및 제 1 이미지의 제 1 픽셀 수 또는 제 2 이미지의 제 2 픽셀 수 중 적어도 하나에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 프로세서; 를 포함하고, 상기 프로세서는 상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하고, 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합할 수 있다.
본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 몇몇 실시예에 따르면, 위성 이미지와 같은 큰 사이즈의 이미지에 있어서도 정합을 수행할 수 있는 방법을 제공하고자 한다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 특정 세부사항들 없이 실시될 수 있음은 명백할 것이다. 다른 예시들에서, 공지의 구조들 및 장치들이 하나 이상의 양상들의 기재를 용이하게 하기 위해 블록도 형태로 도시된다.
도 1은 본 개시의 몇몇 실시예에 따른 서버의 일례를 설명하기 위한 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 서버가 이미지를 정합하는 방법의 일례를 설명하기 위한 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따른 전처리 과정의 일례를 설명하기 위한 흐름도이다.
도 4는 본 개시의 몇몇 실시예에 따른 서버가 적어도 하나의 군집에 기초하여 분할 이미지를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 5는 본 개시의 몇몇 실시예에 따른 서버가 주 군집을 이용하여 분할 이미지를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 6은 본 개시의 몇몇 실시예에 따른 서버가 제 1 분할 이미지 및 제 2 분할 이미지에 기초하여 제 1 이미지 및 제 2 이미지를 정합하는 방법의 일례를 설명하기 위한 흐름도이다.
도 7은 본개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 8은 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도를 도시한다.
도 1은 본 개시의 몇몇 실시예에 따른 서버의 일례를 설명하기 위한 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 서버가 이미지를 정합하는 방법의 일례를 설명하기 위한 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따른 전처리 과정의 일례를 설명하기 위한 흐름도이다.
도 4는 본 개시의 몇몇 실시예에 따른 서버가 적어도 하나의 군집에 기초하여 분할 이미지를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 5는 본 개시의 몇몇 실시예에 따른 서버가 주 군집을 이용하여 분할 이미지를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 6은 본 개시의 몇몇 실시예에 따른 서버가 제 1 분할 이미지 및 제 2 분할 이미지에 기초하여 제 1 이미지 및 제 2 이미지를 정합하는 방법의 일례를 설명하기 위한 흐름도이다.
도 7은 본개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 8은 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도를 도시한다.
다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.
이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.
비록 제 1, 제 2 등이 다양한 소자나 구성요소들을 서술하기 위해서 사용되나, 이들 소자나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제 1 소자나 구성요소는 본 발명의 기술적 사상 내에서 제 2 소자나 구성요소 일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어"있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.
이하의 설명에서 사용되는 구성 요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 개시에서, 서버는 위성 이미지와 같은 큰 사이즈를 갖는 복수의 이미지에 대해 정합을 수행할 수 있다. 이때, 복수의 이미지 각각의 크기가 너무 큰 경우, 복수의 이미지 각각은 신경망(neural network) 기반의 특징점 추출 모델 등에 입력값으로 넣기가 불가능할 수 있다. 만약, 서버가 이미지의 크기를 확인하지 않고 복수의 이미지 각각을 신경망 기반의 특징점 추출 모델에 입력값으로 넣는 경우, 결과값은 연산하지 못한 채 시간과 리소스(resource)만 낭비할 수 있다. 따라서, 본 개시에의 서버는 복수의 이미지가 획득된 경우, 복수의 이미지에 전처리를 수행할지 여부를 먼저 결정할 수 있다. 그리고, 서버는 복수의 이미지에 전처리를 수행할 필요가 있다고 결정한 경우, 복수의 이미지에 전처리를 수행할 수 있다. 이하, 본 개시에 따른 이미지 정합 방법에 대해 도 1 내지 도 8을 통해 설명한다.
도 1은 본 개시의 몇몇 실시예에 따른 서버의 일례를 설명하기 위한 블록 구성도이다.
도 1을 참조하면, 서버(100)는 프로세서(110), 저장부(120) 및 통신부(130)를 포함할 수 있다. 다만, 상술한 구성 요소들은 서버(100)를 구현하는데 있어서 필수적인 것은 아니어서, 서버(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
서버(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 또는 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 프로세서(110)는 통상적으로 서버(100)의 전반적인 동작을 처리할 수 있다. 프로세서(110)는 서버(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 저장부(120)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 서버(100)의 중앙 처리 장치(CPU: Central Processing Unit), 범용 그래픽 처리 장치 (GPGPU: General Purpose Graphics Processing Unit), 텐서 처리 장치(TPU: Tensor Processing Unit) 등의 데이터 분석을 위한 프로세서를 포함할 수 있다.
본 개시에서, 프로세서(110)는 제 1 이미지 및 제 2 이미지를 획득할 수 있다. 일례로, 프로세서(110)는 통신부(130)를 통해 외부 단말로부터 제 1 이미지 및 제 2 이미지를 수신할 수 있다. 그리고, 프로세서(110)는 제 1 이미지 및 제 2 이미지가 획득된 경우, 제 1 이미지 및 제 2 이미지를 정합할 수 있다. 여기서, 이미지 정합은 제 1 이미지 및 제 1 이미지와 적어도 일부가 상이한 제 2 이미지와 같은 복수의 이미지를 하나의 좌표계에서 나타내기 위한 것일 수 있다. 이때, 프로세서(110)는 제 1 이미지 및 제 2 이미지에 전처리를 수행할지 여부를 결정할 수 있다.
구체적으로, 프로세서(110)는 제 1 이미지 및 제 2 이미지를 정합하기 위해, 제 1 이미지 및 제 2 이미지 각각의 특징점을 추출할 수 있다. 여기서, 특징점은 이미지에서 특징이 되는 부분으로서 프로세서(110)가 제 1 이미지 및 제 2 이미지에서 공통적인 부분을 찾기 위한 것일 수 있다. 그러나, 제 1 이미지 및 제 2 이미지의 크기가 프로세서(110) 또는 서버(100)의 성능에 비하여 과도하게 큰 경우, 프로세서(110)는 제 1 이미지 및 제 2 이미지의 특징점을 추출하지 못할 수도 있다. 일례로, 위성 이미지와 같은 제 1 이미지 및 제 2 이미지에 있어서는 특징점이 과도하게 많을 수 있다. 이 경우 프로세서(110)가 특징점을 추출하는 데 많은 시간이 소모되거나 또는 불가능할 수도 있다. 따라서, 프로세서(110)는 제 1 이미지 및 제 2 이미지를 정합하기 이전에, 제 1 이미지 및 제 2 이미지 각각의 픽셀 수에 기초하여 전처리를 수행할지 여부를 결정할 수 있다. 이하, 본 개시에 따른 프로세서(110)가 제 1 이미지 및 제 2 이미지에 전처리를 수행하는 방법의 일례는 도 1 내지 도 6을 통해 설명한다.
한편, 저장부(120)는 메모리 및/또는 영구저장매체를 포함할 수 있다. 메모리는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
본 개시에서, 저장부(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 통신부(130)가 수신한 임의의 형태의 정보를 저장할 수 있다.
예를 들어, 저장부(120)는 통신부(130)를 통해 획득된 복수의 이미지를 저장하고 있을 수 있다.
한편, 통신부(130)는 서버(100)와 통신 시스템 사이, 서버(100)와 네트워크(미도시) 사이의 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다.
본 개시에서, 통신부(130)는 외부 단말로부터 복수의 이미지를 수신할 수 있다. 예를 들어, 통신부(130)는 인공위성 시스템, 항공 시스템 등으로부터 지상 촬영 이미지들을 수신할 수 있다. 또한, 지상 촬영 이미지들은 상호 짝을 이루는 이미지들일 수도 있고, 짝을 이루지 않는 이미지들일 수도 있다. 지상 촬영 이미지들은 인공위성, 항공기 등을 통해 촬영된 전자 광학(electro-optic) 영상, 합성 개구면 레이더(synthetic aperture radar, SAR) 영상 등을 모두 포함할 수 있다. 지상 촬영 이미지들은 상술한 예시에 제한되지 않고, 당업자가 이해할 수 있는 범위 내에서 다양하게 구성될 수 있다.
도 2는 본 개시의 몇몇 실시예에 따른 서버가 이미지를 정합하는 방법의 일례를 설명하기 위한 흐름도이다.
도 2를 참조하면, 서버(100)의 프로세서(110)는 제 1 이미지의 제 1 픽셀 수 또는 제 2 이미지의 제 2 픽셀 수 중 적어도 하나에 기초하여 전처리를 수행할지 여부를 결정할 수 있다(S110).
구체적으로, 프로세서(110)는 제 1 이미지의 제 1 픽셀(pixel) 수를 인식하고, 제 2 이미지의 제 2 픽셀 수를 인식할 수 있다. 그리고, 프로세서(110)는 제 1 픽셀 수 또는 제 2 픽셀 수 중 적어도 하나가 기 설정된 값 이상인 경우, 전처리를 수행한다고 결정할 수 있다. 여기서, 기 설정된 값은 저장부(120)에 사전 저장되어 있을 수 있다.
한편, 프로세서(110)는 제 1 픽셀 수 및 제 2 픽셀 수가 기 설정된 값 미만인 경우, 전처리를 수행하지 않는다고 결정할 수 있다. 이 경우, 프로세서(110)는 제 1 이미지 및 제 2 이미지를 바로 정합할 수 있다.
구체적으로, 위성 이미지가 아닌 일반적인 이미지의 경우, 전처리를 수행할지 여부를 확인하지 않고 이미지 정합을 수행하더라도, 앞서 설명한 바와 같은 문제들이 발생하지 않고 이미지 정합이 수행될 수 있다. 또는 몇몇 위성 이미지의 경우, 프로세서(110)가 특징점을 추출하는데 문제가 발생하지 않는 크기를 가질 수도 있다. 그러나, 이러한 이미지들에 있어서도 전처리를 수행하는 경우 프로세서(110)가 활용 가능한 리소스에 낭비가 발생할 수 있다. 따라서, 프로세서(110)는 제 1 이미지의 제 1 픽셀 수 및 제 2 이미지의 제 2 픽셀 수가 기 설정된 값 미만인 경우, 전처리를 수행하지 않는다고 결정함으로써, 리소스의 낭비를 줄일 수 있다.
한편, 서버(100)의 프로세서(110)는 전처리를 수행하는 경우, 전처리 과정을 통해 제 1 이미지 및 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성할 수 있다(S120).
구체적으로, 프로세서(110)는 제 1 이미지 및 제 2 이미지 각각으로부터 특징점을 추출할 수 있도록, 제 1 이미지의 적어도 일부 영역을 분할한 제 1 분할 이미지를 생성할 수 있다. 또한, 프로세서(110)는 제 2 이미지의 적어도 일부 영역을 분할한 제 2 분할 이미지를 생성할 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 제 1 분할 이미지를 생성하기 위해, 제 1 이미지를 축소한 제 1 서브 이미지를 생성할 수 있다. 또한, 프로세서(110)는 제 2 분할 이미지를 생성하기 위해, 제 2 이미지를 축소한 제 2 서브 이미지를 생성할 수 있다.
구체적으로, 프로세서(110)가 제 1 이미지 및 제 2 이미지 각각에서 임의의 영역을 이용하여 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 경우, 제 1 분할 이미지 및 제 2 분할 이미지는 대응되는 특징점이 존재하지 않을 수 있다. 이 경우, 프로세서(110)는 제 1 이미지 및 제 2 이미지를 서로 다른 이미지로 인식할 수도 있다. 따라서, 프로세서(110)는 제 1 이미지를 기 설정된 크기로 축소하여 제 1 서브 이미지를 생성하고, 제 2 이미지를 기 설정된 크기로 축소하여 제 2 서브 이미지를 생성할 수 있다. 그리고, 프로세서(110)는 제 1 서브 이미지 및 제 2 서브 이미지로부터 추출되는 특징점에 기초하여, 제 1 분할 이미지 및 제 2 분할 이미지를 생성할 수 있다. 이하, 본 개시에 따른 전처리 동작은 도 3 내지 도 5를 통해 설명한다.
한편, 서버(100)의 프로세서(110)는 제 1 분할 이미지 및 제 2 분할 이미지에 기초하여, 제 1 이미지 및 제 2 이미지를 정합할 수 있다(S130).
구체적으로, 프로세서(110)는 제 1 분할 이미지로부터 추출되는 적어도 하나의 특징점 및 제 2 분할 이미지로부터 추출되는 적어도 하나의 특징점을 비교하여 적어도 하나의 매칭점을 결정할 수 있다. 그리고, 프로세서(110)는 적어도 하나의 매칭점으로부터 도출되는 좌표에 기초하여, 제 2 이미지를 변경할 수 있다. 이미지의 변경에 대한 일례로 워핑(warping)이 고려될 수 있다. 여기서, 워핑은 제 2 이미지가 제 1 이미지에 정합될 수 있도록 제 2 이미지의 픽셀의 위치를 이동시킴으로써 이미지를 회전시키는 것일 수 있다. 그리고, 프로세서(110)는 제 1 이미지에 변경된(예를 들어, 워핑된) 제 2 이미지를 정합할 수 있다. 이하, 본 개시에 따른 프로세서(110)가 제 1 분할 이미지 및 제 2 분할 이미지에 기초하여, 제 1 이미지 및 제 2 이미지를 정합하는 방법의 일례는 도 6을 통해 좀 더 설명한다.
한편, 본 개시의 몇몇 실시예에 따르면, 제 2 이미지는 제 1 이미지가 생성된 이후에 생성된 위성 이미지 일 수 있다.
일례로, 제 2 이미지는 제 1 이미지보다 늦은 시점에 촬영된 이미지일 수 있다. 다른 일례로, 제 1 이미지는 사전 저장되어 있는 위성 이미지이고, 제 2 이미지는 새롭게 획득된 위성 이미지일 수 있다. 따라서, 서버(100)의 프로세서(110)가 제 1 이미지 및 제 2 이미지를 정합하는 경우, 프로세서(110)는 제 1 이미지에 제 2 이미지를 정합할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 전처리 과정을 통해 제 1 이미지로부터 제 1 분할 이미지를 생성하고, 제 2 이미지로부터 제 2 분할 이미지를 생성할 수 있다. 이하, 본 개시에 따른 전처리 과정에 대해 설명한다.
도 3은 본 개시의 몇몇 실시예에 따른 전처리 과정의 일례를 설명하기 위한 흐름도이다.
도 3을 참조하면, 서버(100)의 프로세서(110)는 제 1 이미지를 기 설정된 크기로 축소하여 제 1 서브 이미지를 생성하고, 제 2 이미지를 기 설정된 크기로 축소하여 제 2 서브 이미지를 생성할 수 있다(S210). 여기서, 기 설정된 크기는 저장부(120)에 사전 저장되어 있을 수 있다.
일례로, 기 설정된 크기는 신경망(neural network) 기반의 특징점 추출 모델에 입력가능한 크기일 수 있다. 여기서, 신경망 기반의 특징점 추출 모델은 산림, 도시 등과 같은 콘텐츠를 포함하는 지상 촬영 이미지를 학습용 데이터로 이용하여 학습된 모델일 수 있다. 이하, 본 개시에 따른 신경망 기반의 특징점 추출 모델에 대한 일례는 도 7을 통해 설명한다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 제 1 이미지 및 제 2 이미지를 기 설정된 비율에 기초하여 축소할 수도 있다.
한편, 서버(100)의 프로세서(110)는 제 1 서브 이미지로부터 적어도 하나의 제 1 특징점을 추출하고, 그리고 제 2 서브 이미지로부터 적어도 하나의 제 2 특징점을 추출할 수 있다(S220).
구체적으로, 프로세서(110)는 제 1 서브 이미지를 신경망 기반의 특징점 추출 모델에 입력값으로 입력하여, 적어도 하나의 제 1 특징점을 추출할 수 있다. 그리고, 프로세서(110)는 제 2 서브 이미지를 신경망 기반의 특징점 추출 모델에 입력값으로 입력하여, 적어도 하나의 제 2 특징점을 추출할 수 있다.
한편, 서버(100)의 프로세서(110)는 적어도 하나의 제 1 특징점 및 적어도 하나의 제 2 특징점을 비교하여 매칭되는 적어도 하나의 제 1 매칭점을 결정할 수 있다(S230).
일례로, 프로세서(110)는 BF Matcher(Brute-Force), RIFT(Multi-modal Image Matching Based on Radiation-invariant Feature Transform) 또는 FLANN(Fast Library for Approximate Nearest Neighbors) 등의 매칭 알고리즘을 이용하여, 적어도 하나의 제 1 매칭점을 결정할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 적어도 하나의 제 1 매칭점에 기초하여, 제 1 이미지로부터 제 1 분할 이미지를 생성하고 제 2 이미지로부터 제 2 분할 이미지를 생성할 수 있다(S240).
구체적으로, 프로세서(110)는 제 1 서브 이미지에서 적어도 하나의 제 1 매칭점이 배치되는 영역에 대한 영역 정보를 결정할 수 있다. 일례로, 프로세서(110)는 제 1 서브 이미지에서 적어도 하나의 제 1 매칭점이 배치되는 좌표점을 인식할 수 있다. 그리고, 프로세서(110)는 좌표점을 중심으로 하는 기 설정된 영역에 대한 영역 정보로 결정할 수 있다. 이 경우, 프로세서(110)는 영역 정보를 이용하여, 제 1 이미지로부터 적어도 하나의 제 1 매칭점이 배치되는 영역을 포함하는 제 1 분할 이미지를 생성할 수 있다. 또한, 프로세서(110)는 제 2 서브 이미지에서 적어도 하나의 제 1 매칭점이 배치되는 영역에 대한 영역 정보를 결정할 수 있다. 일례로, 프로세서(110)는 제 2 서브 이미지에서 적어도 하나의 제 1 매칭점이 배치되는 좌표점을 인식할 수 있다. 그리고, 프로세서(110)는 좌표점을 중심으로 하는 기 설정된 영역에 대한 영역 정보로 결정할 수 있다. 이 경우, 프로세서(110)는 영역 정보를 이용하여, 제 2 이미지로부터 적어도 하나의 제 1 매칭점이 배치되는 영역을 포함하는 제 2 분할 이미지를 생성할 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 제 1 분할 이미지의 크기를 결정할 수 있다. 일례로, 프로세서(110)는 제 1 서브 이미지에서 적어도 하나의 제 1 매칭점이 배치되는 영역에 대한 영역 정보에 기초하여, 제 1 분할 이미지의 크기를 결정할 수 있다. 그리고, 제 2 서브 이미지에서 적어도 하나의 제 1 매칭점이 배치되는 영역에 대한 영역 정보에 기초하여, 제 2 분할 이미지의 크기를 결정할 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 제 1 이미지 및 제 2 이미지의 크기는 상이할 수도 있다. 이 경우, 제 1 서브 이미지 및 제 2 서브 이미지 각각의 영역 정보에 기초하여 생성된 제 1 분할 이미지 및 제 2 분할 이미지의 크기는 상이할 수 있다. 그러나, 신경망 기반의 특징점 추출 모델에 있어서, 제 1 분할 이미지 및 제 2 분할 이미지의 크기가 상이한 경우, 입력값으로 사용되지 못할 수도 있다. 이를 방지하기 위해, 프로세서(110)는 제 1 서브 이미지에서 적어도 하나의 제 1 매칭점이 배치되는 영역에 대한 영역 정보에 기초하여, 제 1 분할 이미지의 크기를 결정할 수 있다. 그리고, 프로세서(110)는 결정된 제 1 분할 이미지의 크기에 기초하여, 제 1 분할 이미지의 크기에 대응하도록 제 2 분할 이미지를 생성할 수도 있다. 따라서, 프로세서(110)는 제 1 분할 이미지 및 제 2 분할 이미지를 동일한 사이즈로 생성할 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 적어도 하나의 제 1 매칭점이 결정된 경우, 적어도 하나의 제 1 매칭점을 제외한 나머지 특징점을 제 1 서브 이미지 및 제 2 서브 이미지 각각에서 제거할 수 있다. 그리고, 프로세서(110)는 나머지 특징점이 제거된 제 1 서브 이미지 및 제 2 서브 이미지에 기초하여, 제 1 이미지로부터 제 1 분할 이미지를 생성하고, 제 2 이미지로부터 제 2 분할 이미지를 생성할 수도 있다.
구체적으로, 제 1 서브 이미지 및 제 2 서브 이미지와 같은 위성 이미지에 있어서 특징이 되는 특징점은 과도하게 많이 존재할 수 있다. 그러나, 매칭이 되지 않은 특징점들은 프로세서(110)가 매칭점에 기초하여 영역 정보를 결정하는데 있어서 불필요한 정보일 수 있다. 또한, 과도하게 많은 특징점은 프로세서(110)가 연산을 수행하는데 있어서 성능 저하의 요인이 될 수 있다. 따라서, 프로세서(110)는 적어도 하나의 제 1 매칭점이 결정된 경우, 적어도 하나의 제 1 매칭점을 제외한 나머지 특징점을 제 1 서브 이미지 및 제 2 서브 이미지 각각에서 제거할 수 있다.
상술한 구성에 따르면, 프로세서(110)는 제 1 이미지를 축소하여 제 1 서브 이미지를 생성하고, 제 2 이미지를 축소하여 제 2 서브 이미지를 생성할 수 있다. 그리고, 프로세서(110)는 제 1 서브 이미지 및 제 2 서브 이미지로부터 특징점을 추출할 수 있다. 이 경우, 프로세서(110)는 큰 사이즈의 이미지를 수신하더라도 빠른 속도로 제 1 이미지 및 제 2 이미지에 존재하는 적어도 하나의 특징점을 추출할 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 적어도 하나의 제 1 매칭점에 대한 클러스터링(clustering)을 수행하여 적어도 하나의 군집을 생성할 수 있다. 그리고, 프로세서(110)는 적어도 하나의 군집에 기초하여, 분할 이미지를 생성할 수 있다. 이하, 본 개시에 따른 프로세서(110)가 적어도 하나의 군집에 기초하여 분할 이미지를 생성하는 방법에 대해 설명한다.
도 4는 본 개시의 몇몇 실시예에 따른 서버가 적어도 하나의 군집에 기초하여 분할 이미지를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 4를 참조하면, 서버(100)의 프로세서(110)는 적어도 하나의 제 1 매칭점에 대한 클러스터링(clustering)을 수행하여 제 1 서브 이미지 및 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성할 수 있다(S241). 여기서, 클러스트링은 적어도 하나의 제 1 매칭점 각각을 거리, 범위 또는 밀도 등에 기초하여 몇 개의 군집(또는 그룹)으로 분류 또는 생성하는 것일 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 적어도 하나의 제 1 매칭점의 밀도에 기초하여, 제 1 서브 이미지 및 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성할 수 있다. 일례로, 프로세서(110)는 밀도 기반 클러스터링(DBSCAN: Density-based spatial clustering of applications with noise)에 따라 제 1 서브 이미지 및 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성할 수 있다. 여기서, 밀도는 적어도 하나의 제 1 매칭점이 세밀하게 몰려 있는 정도에 대한 값일 수 있다.
구체적으로, 프로세서(110)는 적어도 하나의 제 1 매칭점이 몰려 있는 정도에 기초하여, 적어도 하나의 제 1 매칭점의 밀도를 결정할 수 있다. 그리고, 프로세서(110)는 적어도 하나의 제 1 매칭점의 밀도가 기 설정된 값 이상인 경우, 상기 적어도 하나의 제 1 매칭점에 대한 클러스터링을 수행하여, 적어도 하나의 군집을 생성할 수 있다.
예를 들어, 프로세서(110)는 적어도 하나의 제 1 매칭점이 인식된 경우, 적어도 하나의 제 1 매칭점 중 하나의 매칭점을 인식할 수 있다. 그리고, 프로세서(110)는 상기 하나의 매칭점으로부터 일 영역 내에 있는 적어도 하나의 매칭점의 개수를 인식할 수 있다. 그리고, 프로세서(110)는 일 영역 내에 존재하는 적어도 하나의 매칭점의 개수가 기 설정된 개수 이상인 경우, 일 영역 내에 존재하는 적어도 하나의 매칭점들에 대한 클러스트링을 수행할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 적어도 하나의 제 1 매칭점의 밀도에 기초하여, 제 1 서브 이미지 및 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성할 수 있다. 일례로, 프로세서(110)는 밀도 기반 클러스터링(DBSCAN: Density-based spatial clustering of applications with noise)에 따라 제 1 서브 이미지 및 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성할 수 있다. 여기서, 밀도는 적어도 하나의 제 1 매칭점이 세밀하게 몰려 있는 정도에 대한 값일 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 적어도 하나의 제 1 매칭점으로 구성되는 군집을 형성할 수 있는 K-평균 클러스트링(K-Means Clustering) 기법에 따라, 제 1 서브 이미지 및 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성할 수도 있다. 여기서, K-평균 클러스터링은 적어도 하나의 제 1 매칭점 간의 거리에 기초하여 군집을 생성하기 위한 기법일 수 있다.
일례로, 프로세서(110)는 K 개의 군집을 생성하기로 결정할 수 있다. 이 경우, 프로세서(110)는 제 1 서브 이미지 및 제 2 서브 이미지 각각에서 K 개의 군집 각각의 임의의 중심점을 결정할 수 있다. 또한, 프로세서(110)는 K 개의 군집 각각의 임의의 중심점과 적어도 하나의 제 1 매칭점 간의 거리를 인식할 수 있다. 그리고, 프로세서(110)는 K 개의 군집 각각의 임의의 중심점과 적어도 하나의 제 1 매칭점 간의 거리에 기초하여, 임의의 중심점을 이동시킬 수 있다. 그리고, 프로세서(110)는 이동된 임의의 중심점의 위치에 기초하여, 적어도 하나의 제 1 매칭점으로 구성되는 군집을 결정할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본 개시에서, 서버(100)의 프로세서(110)는 밀도 기반 클러스터링 또는 K-평균 클러스터링에 기반하여 적어도 하나의 군집을 생성함에 있어서, 적어도 하나의 제 1 매칭점의 개수가 5개 이상 포함되는 적어도 하나의 군집만 생성할 수도 있다.
한편, 본 개시에서, 서버(100)의 프로세서(110)는 밀도 기반 클러스터링(DBSCAN) 또는 K-평균 클러스트링(K-Means Clustering) 외에 평균점 이동 클러스트링(Mean-Shift Clustering), GMM(Gaussian Mixture Model) 등을 이용할 수도 있다.
한편, 서버(100)의 프로세서(110)는 적어도 하나의 군집이 생성된 경우, 적어도 하나의 군집에 기초하여, 제 1 분할 이미지 및 제 2 분할 이미지를 생성할 수 있다(S242).
구체적으로, 프로세서(110)는 제 1 서브 이미지에서, 적어도 하나의 군집이 배치되는 영역에 대한 영역 정보를 결정할 수 있다. 그리고, 프로세서(110)는 영역 정보가 결정된 경우, 상기 영역 정보를 이용하여, 제 1 이미지에서 적어도 하나의 군집이 배치되는 영역을 결정할 수 있다. 이 경우, 프로세서(110)는 제 1 이미지에서 적어도 하나의 군집이 배치되는 영역을 포함하는 제 1 분할 이미지를 생성할 수 있다. 또한, 프로세서(110)는 제 2 서브 이미지에서, 적어도 하나의 군집이 배치되는 영역에 대한 영역 정보를 결정할 수 있다. 그리고, 프로세서(110)는 영역 정보가 결정된 경우, 상기 영역 정보를 이용하여, 제 2 이미지에서 적어도 하나의 군집이 배치되는 영역을 결정할 수 있다. 이 경우, 프로세서(110)는 제 2 이미지에서 적어도 하나의 군집이 배치되는 영역을 포함하는 제 2 분할 이미지를 생성할 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 적어도 하나의 군집이 생성된 경우, 적어도 하나의 군집 중 적어도 하나의 제 1 매칭점의 개수가 기 설정된 개수 미만인 미달 군집을 결정할 수 있다. 그리고, 프로세서(110)는 적어도 하나의 제 1 매칭점의 개수가 기 설정된 개수 미만인 미달 군집을 제 1 서브 이미지 및 제 2 서브 이미지 각각에서 제거할 수 있다.
구체적으로, 프로세서(110)는 적어도 하나의 군집이 생성된 경우, 적어도 하나의 군집 각각에 포함된 적어도 하나의 제 1 매칭점의 개수를 인식할 수 있다. 그리고, 프로세서(110)는 적어도 하나의 제 1 매칭점의 개수가 기 설정된 개수 미만인 적어도 하나의 군집을 미달 군집으로 결정할 수 있다. 이 경우, 프로세서(110)는 제 1 서브 이미지에서 미달 군집을 제거하고, 제 2 서브 이미지에서 미달 군집을 제거할 수 있다.
일례로, 프로세서(110)는 적어도 하나의 제 1 매칭점의 개수가 5개 미만인 군집을 미달 군집으로 결정할 수 있다. 다만, 이에 한정되는 것은 아니다.
또한, 프로세서(110)는 미달 군집이 제거된 제 1 서브 이미지 및 제 2 서브 이미지가 생성된 경우, 적어도 하나의 군집에 기초하여, 제 1 분할 이미지 및 제 2 분할 이미지를 생성할 수 있다.
구체적으로, 프로세서(110)는 미달 군집이 제거된 제 1 서브 이미지에서, 적어도 하나의 군집이 배치되는 영역에 대한 제 3 영역 정보를 결정할 수 있다. 여기서, 제 3 영역 정보는 미달 군집이 제거된 제 1 서브 이미지에서 적어도 하나의 군집 각각의 중심에 해당하는 제 3 좌표점 및 적어도 하나의 군집 각각이 배치되는 크기에 대한 정보를 포함할 수 있다. 그리고, 프로세서(110)는 제 3 영역 정보가 결정된 경우, 제 3 영역 정보에 포함된 제 3 좌표점에 기초하여 제 1 이미지에서 제 3 좌표점에 해당하는 제 3 지점을 결정할 수 있다. 또한, 프로세서(110)는 제 3 영역 정보에 포함된 적어도 하나의 군집 각각이 배치되는 크기에 대한 정보에 기초하여, 제 1 분할 이미지의 크기를 결정할 수 있다. 일례로, 제 1 분할 이미지의 크기는 적어도 하나의 군집을 모두 포함하는 크기로 결정될 수 있다.
또한, 프로세서(110)는 미달 군집이 제거된 제 2 서브 이미지에서, 적어도 하나의 군집이 배치되는 영역에 대한 제 4 영역 정보를 결정할 수 있다. 여기서, 제 4 영역 정보는 미달 군집이 제거된 제 2 서브 이미지에서 적어도 하나의 군집 각각의 중심에 해당하는 제 4 좌표점 및 적어도 하나의 군집 각각이 배치되는 크기에 대한 정보를 포함할 수 있다. 그리고, 프로세서(110)는 제 4 영역 정보가 결정된 경우, 제 4 영역 정보에 포함된 제 4 좌표점에 기초하여 제 2 이미지에서 제 4 좌표점에 해당하는 제 4 지점을 결정할 수 있다. 또한, 프로세서(110)는 제 4 영역 정보에 포함된 적어도 하나의 군집 각각이 배치되는 크기에 대한 정보에 기초하여, 제 2 분할 이미지의 크기를 결정할 수 있다. 일례로, 제 2 분할 이미지의 크기는 적어도 하나의 군집을 모두 포함하는 크기로 결정될 수 있다.
상술한 구성에 따르면, 프로세서(110)는 적어도 하나의 군집에 기초하여, 제 1 분할 이미지 및 제 2 분할 이미지를 생성할 수 있다. 이때, 적어도 하나의 군집은 적어도 하나의 매칭점의 밀도 또는 거리에 기반하여 생성된 군집일 수 있다. 따라서, 프로세서(110)가 생성한 제 1 분할 이미지 및 제 2 분할 이미지에 기초하여, 적어도 하나의 특징점을 추출함에 있어서 잘못된 분할 이미지를 이용하는 것이 방지될 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 적어도 하나의 군집 중 매칭점의 밀도가 가장 높은 주(major) 군집을 이용하여, 분할 이미지를 생성할 수도 있다. 이하, 본 개시에 따른 프로세서(110)가 주 군집을 이용하여, 분할 이미지를 생성하는 방법에 대해 설명한다.
도 5는 본 개시의 몇몇 실시예에 따른 서버가 주 군집을 이용하여 분할 이미지를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 5를 참조하면, 서버(100)의 프로세서(110)는 적어도 하나의 군집 중 적어도 하나의 제 1 매칭점의 밀도가 가장 높은 주 군집을 결정할 수 있다(S2421).
한편, 서버(100)의 프로세서(110)는 주 군집이 결정된 경우, 제 1 서브 이미지에서 주 군집이 배치되는 영역에 대한 제 1 영역 정보를 결정하고, 제 2 서브 이미지에서 주 군집이 배치되는 영역에 대한 제 2 영역 정보를 결정할 수 있다(S2422).
구체적으로, 프로세서(110)는 주 군집이 결정된 경우, 제 1 서브 이미지에서 주 군집의 중심에 해당하는 제 1 좌표점을 인식할 수 있다. 그리고, 프로세서(110)는 제 1 서브 이미지에서 주 군집이 배치되는 크기를 인식할 수 있다. 이 경우, 프로세서(110) 제 1 좌표점 및 주 군집이 배치되는 크기에 대한 정보를 포함하는 제 1 영역 정보를 결정할 수 있다. 또한, 프로세서(110)는 주 군집이 결정된 경우, 제 2 서브 이미지에서 주 군집의 중심에 해당하는 제 2 좌표점을 인식할 수 있다. 그리고, 프로세서(110)는 제 2 서브 이미지에서 주 군집이 배치되는 크기를 인식할 수 있다. 이 경우, 프로세서(110) 제 2 좌표점 및 주 군집이 배치되는 크기에 대한 정보를 포함하는 제 2 영역 정보를 결정할 수 있다.
한편, 서버(100)의 프로세서(110)는 제 1 영역 정보를 이용하여 제 1 이미지로부터 제 1 분할 이미지를 생성하고, 제 2 영역 정보를 이용하여 제 2 이미지로부터 제 2 분할 이미지를 생성할 수 있다(S2423).
구체적으로, 프로세서(110)는 제 1 영역 정보에 포함된 제 1 좌표점에 기초하여, 제 1 이미지에서 제 1 좌표점에 해당하는 제 1 지점을 결정할 수 있다. 또한, 프로세서(110)는 제 1 영역 정보에 포함된 주 군집이 배치되는 크기에 대한 정보에 기초하여, 제 1 분할 이미지의 크기를 결정할 수 있다. 일례로, 제 1 분할 이미지의 크기는 주 군집이 배치되는 크기와 동일할 수 있다. 다른 일례로, 제 1 분할 이미지의 크기는 주 군집을 포함하도록 주 군집이 배치되는 크기보다 클 수 있다. 그리고, 프로세서(110)는 제 1 지점 및 결정된 제 1 분할 이미지의 크기에 기초하여, 제 1 분할 이미지를 생성할 수 있다. 또한, 프로세서(110)는 제 2 영역 정보에 포함된 제 2 좌표점에 기초하여, 제 2 이미지에서 제 2 좌표점에 해당하는 제 2 지점을 결정할 수 있다. 또한, 프로세서(110)는 제 2 영역 정보에 포함된 주 군집이 배치되는 크기에 대한 정보에 기초하여, 제 2 분할 이미지의 크기를 결정할 수 있다. 일례로, 제 2 분할 이미지의 크기는 주 군집이 배치되는 크기와 동일할 수 있다. 다른 일례로, 제 2 분할 이미지의 크기는 주 군집을 포함하도록 주 군집이 배치되는 크기보다 클 수 있다. 그리고, 프로세서(110)는 제 2 지점 및 결정된 제 2 분할 이미지의 크기에 기초하여, 제 2 분할 이미지를 생성할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본 개시의 몇몇 실시예에 따르면, 제 1 이미지 및 제 2 이미지의 크기는 상이할 수도 있다. 이 경우, 제 1 서브 이미지에서 제 1 영역 정보에 기초하여 생성된 제 1 분할 이미지와 제 2 서브 이미지에서 제 2 영역 정보에 기초하여 생성된 제 2 분할 이미지의 크기는 상이할 수도 있다. 그러나, 신경망 기반의 특징점 추출 모델에 있어서, 제 1 분할 이미지 및 제 2 분할 이미지의 크기가 상이한 경우, 입력값으로 사용되지 못할 수도 있다. 이를 방지하기 위해, 프로세서(110)는 제 1 서브 이미지에서 주 군집이 배치되는 영역에 대한 제 1 영역 정보에 기초하여, 제 1 분할 이미지의 크기를 결정할 수 있다. 그리고, 프로세서(110)는 결정된 제 1 분할 이미지의 크기에 기초하여, 제 1 분할 이미지의 크기에 대응하도록 제 2 분할 이미지를 생성할 수도 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 주 군집이 결정된 경우, 주 군집을 제외한 나머지 군집을 제 1 서브 이미지 및 제 2 서브 이미지 각각에서 제거할 수도 있다. 그리고, 프로세서(110)는 나머지 군집이 제거된 제 1 서브 이미지 및 제 2 서브 이미지에 기초하여, 제 1 이미지로부터 제 1 분할 이미지를 생성하고, 제 2 이미지로부터 제 2 분할 이미지를 생성할 수도 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 적어도 하나의 군집을 생성함에 있어서, 기 설정된 개수의 군집만 생성할 수도 있다.
구체적으로, 프로세서(110)는 적어도 하나의 제 1 매칭점에 대한 클러스트링을 수행할 때, 적어도 하나의 제 1 매칭점의 밀도가 높은 상위 몇몇개의 군집만 생성할 수도 있다.
상술한 구성에 따르면, 서버(100)의 프로세서(110)는 주 군집에 기초하여 제 1 분할 이미지 및 제 2 분할 이미지를 생성할 수 있다. 이때, 주 군집은 제 1 서브 이미지 및 제 2 서브 이미지에 동시에 존재하는 적어도 하나의 제 1 매칭점의 밀도가 가장 높은 군집일 수 있다. 따라서, 프로세서(110)가 제 1 이미지 및 제 2 이미지에서 서로 대응되지 않는 영역을 이용하여 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 것이 방지될 수 있다. 즉, 프로세서(110)가 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 동작에 있어서 정확도가 향상될 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 서버(100)의 프로세서(110)는 생성된 제 1 분할 이미지 및 제 2 분할 이미지에 기초하여, 제 1 이미지 및 제 2 이미지를 정합할 수 있다. 이하, 본 개시에 따른 프로세서(110)가 제 1 이미지 및 제 2 이미지를 정합하는 방법에 대해 설명한다.
도 6은 본 개시의 몇몇 실시예에 따른 서버가 제 1 분할 이미지 및 제 2 분할 이미지에 기초하여 제 1 이미지 및 제 2 이미지를 정합하는 방법의 일례를 설명하기 위한 흐름도이다.
도 6을 참조하면, 서버(100)의 프로세서(110)는 제 1 분할 이미지로부터 적어도 하나의 제 3 특징점을 추출하고, 제 2 분할 이미지로부터 적어도 하나의 제 4 특징점을 추출할 수 있다(S131).
구체적으로, 프로세서(110)는 제 1 분할 이미지를 신경망 기반의 특징점 추출 모델에 입력값으로 입력하여, 적어도 하나의 제 3 특징점을 추출할 수 있다. 그리고, 프로세서(110)는 제 2 이미지를 신경망 기반의 특징점 추출 모델에 입력값으로 입력하여, 적어도 하나의 제 4 특징점을 추출할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본 개시의 몇몇 실시예에 따르면, 제 1 분할 이미지 및 제 2 분할 이미지는 신경망(neural network) 기반의 특징점 추출 모델에 입력이 불가능할 수도 있다.
구체적으로, 초해상도를 갖는 이미지의 경우, 원본 이미지로부터 분할 이미지를 생성하더라도, 분할 이미지는 여전히 신경망(neural network) 기반의 특징점 추출 모델에 입력값으로 사용하기 어려울 수 있다. 또한, 초해상도를 갖는 이미지의 경우만 상정하여 서버가 원본 이미지를 크게 축소한 서브 이미지를 생성하고, 상기 서브 이미지로부터 특징점을 추출하는 경우, 잘못된 분할 이미지가 생성될 수도 있다. 일례로, 잘못된 매칭점이 결정된 분할 이미지들만 생성될 수도 있다. 따라서, 본 개시에 따른 서버(100)의 프로세서(110)는 원본 이미지를 기 설정된 크기로 축소한 서브 이미지에 기초하여, 분할 이미지를 생성할 수 있다. 그리고, 프로세서(110)는 분할 이미지가 여전히 신경망 기반의 특징점 추출 모델에 입력 불가능한 경우, 분할 이미지를 이용하여 상술한 전처리 과정을 반복 수행할 수 있다.
구체적으로, 프로세서(110)는 제 1 분할 이미지 및 제 2 분할 이미지 각각이 신경망 기반의 특징점 추출 모델에 입력 불가능한 경우, 제 1 분할 이미지를 기 설정된 크기로 축소하여, 제 3 서브 이미지를 생성할 수 있다. 또한, 프로세서(110)는 제 2 분할 이미지를 기 설정된 크기로 축소하여, 제 4 서브 이미지를 생성할 수 있다. 그리고, 프로세서(110)는 제 1 서브 이미지 및 제 2 서브 이미지에 기초하여, 제 3 분할 이미지 및 제 4 분할 이미지를 생성할 수 있다. 이 경우, 프로세서(110)는 제 3 분할 이미지 및 제 4 분할 이미지에 기초하여, 제 1 이미지 및 제 2 이미지를 정합할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 서버(100)의 프로세서(110)는 적어도 하나의 제 3 특징점 및 적어도 하나의 제 4 특징점을 비교하여 매칭되는 적어도 하나의 제 2 매칭점에 기초하여, 정합 파라미터를 산출할 수 있다(S132). 여기서, 정합 파라미터는 제 1 분할 이미지 상의 적어도 하나의 제 2 매칭점의 좌표계를 제 1 이미지 상에 존재할 적어도 하나의 제 2 매칭점의 좌표계로 변환하기 위한 값을 포함할 수 있다. 또한, 정합 파라미터는 제 2 분할 이미지 상의 적어도 하나의 제 2 매칭점의 좌표계를 제 2 이미지 상에 존재할 적어도 하나의 제 2 매칭점의 좌표계로 변환하기 위한 값을 포함할 수 있다.
일례로, 프로세서(110)는 RANSAC(RANdom SAmple Consensus), ARRSI(Automatic Registration of Remote-Sensing Images) 또는 RIFT(Multi-modal Image Matching Based on Radiation-invariant Feature Transform) 등의 알고리즘을 이용하여 정합 파라미터를 산출할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 서버(100)의 프로세서(110)는 산출된 정합 파라미터에 기초하여, 제 2 이미지를 워핑(warping)할 수 있다(S133). 여기서, 워핑은 제 2 이미지를 제 1 이미지에 정합시킬 수 있도록 제 2 이미지의 픽셀의 위치를 이동시켜 형태를 가변시키는 것일 수 있다.
본 개시의 몇몇 실시예에 따라, 제 2 이미지는 제 1 이미지가 생성된 이후에 생성된 이미지일 수 있다. 또한, 제 1 이미지는 사전에 다른 이미지와 정합된 이미지일 수도 있다. 이에 따라, 프로세서(110)는 제 2 이미지를 워핑하여, 제 1 이미지에 정합할 수 있다. 다만, 이에 한정되는 것은 아니고, 제 2 이미지가 기준 이미지가 되는 경우, 프로세서(110)는 제 1 이미지를 워핑할 수도 있다.
한편, 서버(100)의 프로세서(110)는 제 2 이미지가 워핑된 경우, 제 1 이미지 및 워핑된 제 2 이미지를 정합할 수 있다(S134).
도 1 내지 도 6을 통해 살펴본 바에 따르면, 본 개시에 따른 서버(100)의 프로세서(110)는 이미지의 픽셀 수에 기초하여, 전처리를 수행할지 여부를 결정할 수 있다. 만약, 위성 이미지와 같은 이미지에 있어서, 프로세서가 전처리를 수행할지 여부를 결정하지 않고 분할 이미지를 생성하여 특징점을 추출하고자 하는 경우, 이미지의 크기에 따라 특징점을 추출하기가 불가능할 수도 있다. 또한, 이 경우, 특징점을 추출하기 위한 리소스와 시간은 이미 소모했으나 결과값은 구하지도 못하는 문제도 발생할 수 있다. 반대로, 전처리를 수행할 필요가 없는 이미지를 전처리를 수행하는 경우, 불필요한 리소스를 낭비할 수 있다. 따라서, 본 개시에 따른 프로세서(110)는 이미지의 픽셀 수에 기초하여, 전처리를 수행할지 여부를 결정할 수 있다.
또한, 프로세서(110)는 전처리를 수행하는 경우, 제 1 이미지 및 제 2 이미지를 축소한 제 1 서브 이미지 및 제 2 서브 이미지를 생성할 수 있다. 그리고, 프로세서(110)는 제 1 서브 이미지 및 제 2 서브 이미지에서 서로 매칭되는 주 군집을 결정하고, 주 군집에 기초하여 제 1 분할 이미지 및 제 2 분할 이미지를 생성할 수 있다. 따라서, 프로세서(110)가 제 1 이미지 및 제 2 이미지에서 서로 대응되지 않는 영역을 이용하여 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 것이 방지될 수 있다.
도 7은 본개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다.
이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의"링크"에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다. 하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다.
가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다.
예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다. 상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다.
신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다.
예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다. 신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다.
예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다.
그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다.
예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다. 최초 입력 노드는 신경망 내의 노드들 중 다른 노드 들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다.
또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다.
이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드 들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다.
또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 몇몇 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다.
또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.
또한, 본 개시의 또 다른 몇몇 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다.
본 개시의 또 다른 몇몇 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다.
딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다.
딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrentneural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.
전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다.
뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다.
교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다.
즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다.
다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다.
학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다. 뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다.
과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regulaization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
도 8은 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도를 도시한다.
본 개시내용이 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시내용 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체 로서, 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.
컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (18)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 이미지 정합 방법으로서,
제 1 이미지의 제 1 픽셀 수 또는 제 2 이미지의 제 2 픽셀 수 중 적어도 하나에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 단계;
상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 단계; 및
상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계;
를 포함하고,
상기 전처리 과정은,
상기 제 1 이미지를 기 설정된 크기로 축소하여, 제 1 서브 이미지를 생성하고, 그리고 상기 제 2 이미지를 기 설정된 크기로 축소하여, 제 2 서브 이미지를 생성하는 단계;
상기 제 1 서브 이미지로부터 적어도 하나의 제 1 특징점을 추출하고, 그리고 상기 제 2 서브 이미지로부터 적어도 하나의 제 2 특징점을 추출하는 단계;
상기 적어도 하나의 제 1 특징점 및 상기 적어도 하나의 제 2 특징점을 비교하여 매칭되는 적어도 하나의 제 1 매칭점을 결정하는 단계; 및
상기 적어도 하나의 제 1 매칭점에 기초하여, 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고 그리고 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 1 항에 있어서,
상기 전처리를 수행할지 여부를 결정하는 단계는,
상기 제 1 픽셀 수 또는 상기 제 2 픽셀 수 중 적어도 하나가 기 설정된 값 이상인 경우, 상기 전처리를 수행한다고 결정하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 1 항에 있어서,
상기 전처리를 수행할지 여부를 결정하는 단계는,
상기 제 1 픽셀 수 및 상기 제 2 픽셀 수가 기 설정된 값 미만인 경우, 상기 전처리를 수행하지 않고 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 1 항에 있어서,
상기 제 1 이미지는 위성 이미지이고, 그리고
상기 제 2 이미지는 상기 제 1 이미지가 생성된 이후에 생성된 위성 이미지인,
이미지 정합 방법.
- 삭제
- 제 1 항에 있어서,
상기 전처리 과정은,
상기 적어도 하나의 제 1 매칭점이 결정된 경우, 상기 적어도 하나의 제 1 매칭점을 제외한 나머지 특징점을 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에서 제거하는 단계;
를 더 포함하며, 그리고
상기 적어도 하나의 제 1 매칭점에 기초하여, 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고 그리고 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계는,
상기 나머지 특징점이 제거된 제 1 서브 이미지 및 제 2 서브 이미지에 기초하여, 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고 그리고 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 1 항에 있어서,
상기 적어도 하나의 제 1 매칭점에 기초하여, 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고, 그리고 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계는,
상기 적어도 하나의 제 1 매칭점에 대한 클러스터링(clustering)을 수행하여 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성하는 단계; 및
상기 적어도 하나의 군집에 기초하여, 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지를 생성하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 7 항에 있어서,
상기 적어도 하나의 군집에 기초하여, 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지를 생성하는 단계는,
상기 적어도 하나의 군집 중 상기 적어도 하나의 제 1 매칭점의 밀도가 가장 높은 주(major) 군집을 결정하는 단계;
상기 제 1 서브 이미지에서 상기 주 군집이 배치되는 영역에 대한 제 1 영역 정보를 결정하고, 그리고 상기 제 2 서브 이미지에서 상기 주 군집이 배치되는 영역에 대한 제 2 영역 정보를 결정하는 단계; 및
상기 제 1 영역 정보를 이용하여 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고, 그리고 상기 제 2 영역 정보를 이용하여 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 7 항에 있어서,
상기 전처리 과정은,
상기 적어도 하나의 군집이 생성된 경우, 상기 적어도 하나의 군집 중 상기 적어도 하나의 제 1 매칭점의 개수가 기 설정된 개수 미만인 미달 군집을 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에서 제거하는 단계;
를 더 포함하며, 그리고
상기 적어도 하나의 군집에 기초하여, 상기 제 1 분할 이미지 및 상기 제 2 분할 이미지를 생성하는 단계는,
상기 미달 군집이 제거된 제 1 서브 이미지에서 상기 적어도 하나의 군집이 배치되는 영역에 대한 제 3 영역 정보를 결정하고, 그리고 상기 미달 군집이 제거된 제 2 서브 이미지에서 상기 적어도 하나의 군집이 배치되는 영역에 대한 제 4 영역 정보를 결정하는 단계; 및
상기 제 3 영역 정보를 이용하여 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고, 그리고 상기 제 4 영역 정보를 이용하여 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 7 항에 있어서,
상기 적어도 하나의 제 1 매칭점에 대한 클러스터링을 수행하여 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성하는 단계는,
상기 적어도 하나의 제 1 매칭점의 밀도를 이용하는 밀도 기반 클러스터링(Density-based spatial clustering of applications with noise, DBSCAN)기법에 따라 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 7 항에 있어서,
상기 적어도 하나의 제 1 매칭점에 대한 클러스터링을 수행하여 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성하는 단계는,
상기 적어도 하나의 제 1 매칭점으로 구성되는 군집을 형성할 수 있는 K-평균 클러스터링(K-Means Clustering) 기법에 따라 상기 제 1 서브 이미지 및 상기 제 2 서브 이미지 각각에 적어도 하나의 군집을 생성하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 1 항에 있어서,
상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 단계는,
상기 제 1 분할 이미지로부터 적어도 하나의 제 3 특징점을 추출하고, 그리고 상기 제 2 분할 이미지로부터 적어도 하나의 제 4 특징점을 추출하는 단계;
상기 적어도 하나의 제 3 특징점 및 상기 적어도 하나의 제 4 특징점을 비교하여 매칭되는 적어도 하나의 제 2 매칭점에 기초하여, 정합 파라미터를 산출하는 단계;
상기 정합 파라미터에 기초하여, 상기 제 2 이미지를 워핑(warping)하는 단계; 및
상기 제 1 이미지 및 워핑된 제 2 이미지를 정합하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 12 항에 있어서,
상기 제 1 분할 이미지로부터 적어도 하나의 제 3 특징점을 추출하고, 그리고 상기 제 2 분할 이미지로부터 적어도 하나의 제 4 특징점을 추출하는 단계는,
상기 제 1 분할 이미지 및 상기 제 2 분할 이미지 각각이 신경망(neural network) 기반의 특징점 추출 모델에 입력 가능할 때까지 상기 전처리 과정을 반복 수행하는 단계;
를 포함하는,
이미지 정합 방법.
- 제 8 항에 있어서,
상기 제 1 영역 정보는, 상기 제 1 서브 이미지에서 상기 주 군집의 중심에 해당하는 제 1 좌표점 및 상기 주 군집이 배치되는 크기에 대한 정보를 포함하고,
상기 제 2 영역 정보는, 상기 제 2 서브 이미지에서 상기 주 군집의 중심에 해당하는 제 2 좌표점 및 상기 주 군집이 배치되는 크기에 대한 정보를 포함하는,
이미지 정합 방법.
- 제 9 항에 있어서,
상기 제 3 영역 정보는, 상기 미달 군집이 제거된 제 1 서브 이미지에서 상기 적어도 하나의 군집 각각의 중심에 해당하는 적어도 하나의 제 3 좌표점 및 상기 적어도 하나의 군집 각각이 배치되는 크기에 대한 정보를 포함하고,
상기 제 4 영역 정보는, 상기 미달 군집이 제거된 제 2 서브 이미지에서 상기 적어도 하나의 군집 각각의 중심에 해당하는 적어도 하나의 제 4 좌표점 및 상기 적어도 하나의 군집 각각이 배치되는 크기에 대한 정보를 포함하는,
이미지 정합 방법.
- 제 1 항에 있어서,
상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 단계는,
상기 제 1 분할 이미지의 크기를 결정하는 단계; 및
상기 제 1 분할 이미지의 크기에 기초하여, 상기 제 1 분할 이미지의 크기에 대응하도록 상기 제 2 분할 이미지를 생성하는 단계;
를 포함하는,
이미지 정합 방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 이미지를 정합하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
제 1 이미지의 제 1 픽셀 수 또는 제 2 이미지의 제 2 픽셀 수 중 적어도 하나에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 동작;
상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지 및 상기 제 2 이미지 각각으로부터 제 1 분할 이미지 및 제 2 분할 이미지를 생성하는 동작; 및
상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는 동작;
을 포함하고,
상기 전처리 과정은,
상기 제 1 이미지를 기 설정된 크기로 축소하여, 제 1 서브 이미지를 생성하고, 그리고 상기 제 2 이미지를 기 설정된 크기로 축소하여, 제 2 서브 이미지를 생성하는 동작;
상기 제 1 서브 이미지로부터 적어도 하나의 제 1 특징점을 추출하고, 그리고 상기 제 2 서브 이미지로부터 적어도 하나의 제 2 특징점을 추출하는 동작;
상기 적어도 하나의 제 1 특징점 및 상기 적어도 하나의 제 2 특징점을 비교하여 매칭되는 적어도 하나의 제 1 매칭점을 결정하는 동작; 및
상기 적어도 하나의 제 1 매칭점에 기초하여, 상기 제 1 이미지로부터 상기 제 1 분할 이미지를 생성하고 그리고 상기 제 2 이미지로부터 상기 제 2 분할 이미지를 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 복수의 이미지를 수신하는 통신부;
상기 복수의 이미지를 저장하는 저장부; 및
제 1 이미지의 제 1 픽셀 수 또는 제 2 이미지의 제 2 픽셀 수 중 적어도 하나에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지에 대한 전처리를 수행할지 여부를 결정하는 프로세서;
를 포함하고,
상기 프로세서는,
상기 전처리를 수행하는 경우, 전처리 과정을 통해 상기 제 1 이미지를 기 설정된 크기로 축소하여, 제 1 서브 이미지를 생성하고, 그리고 상기 제 2 이미지를 기 설정된 크기로 축소하여, 제 2 서브 이미지를 생성하고,
상기 제 1 서브 이미지로부터 적어도 하나의 제 1 특징점을 추출하고, 그리고 상기 제 2 서브 이미지로부터 적어도 하나의 제 2 특징점을 추출하고,
상기 적어도 하나의 제 1 특징점 및 상기 적어도 하나의 제 2 특징점을 비교하여 매칭되는 적어도 하나의 제 1 매칭점을 결정하고,
상기 적어도 하나의 제 1 매칭점에 기초하여, 상기 제 1 이미지로부터 제 1 분할 이미지를 생성하고 그리고 상기 제 2 이미지로부터 제 2 분할 이미지를 생성하고, 그리고
상기 제 1 분할 이미지 및 상기 제 2 분할 이미지에 기초하여, 상기 제 1 이미지 및 상기 제 2 이미지를 정합하는,
서버.
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210046357A KR102263590B1 (ko) | 2021-04-09 | 2021-04-09 | 이미지 정합 방법 |
KR1020210068032A KR102283885B1 (ko) | 2021-04-09 | 2021-05-27 | 이미지 정합 방법 |
KR1020210072706A KR20220140390A (ko) | 2021-04-09 | 2021-06-04 | 이미지 정합 방법 |
US17/342,901 US11257228B1 (en) | 2021-04-09 | 2021-06-09 | Method for image registration |
KR1020210097686A KR20220140392A (ko) | 2021-04-09 | 2021-07-26 | 이미지 정합 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210046357A KR102263590B1 (ko) | 2021-04-09 | 2021-04-09 | 이미지 정합 방법 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210068032A Division KR102283885B1 (ko) | 2021-04-09 | 2021-05-27 | 이미지 정합 방법 |
KR1020210072706A Division KR20220140390A (ko) | 2021-04-09 | 2021-06-04 | 이미지 정합 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102263590B1 true KR102263590B1 (ko) | 2021-06-10 |
Family
ID=76377952
Family Applications (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210046357A KR102263590B1 (ko) | 2021-04-09 | 2021-04-09 | 이미지 정합 방법 |
KR1020210068032A KR102283885B1 (ko) | 2021-04-09 | 2021-05-27 | 이미지 정합 방법 |
KR1020210072706A KR20220140390A (ko) | 2021-04-09 | 2021-06-04 | 이미지 정합 방법 |
KR1020210097686A KR20220140392A (ko) | 2021-04-09 | 2021-07-26 | 이미지 정합 방법 |
Family Applications After (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210068032A KR102283885B1 (ko) | 2021-04-09 | 2021-05-27 | 이미지 정합 방법 |
KR1020210072706A KR20220140390A (ko) | 2021-04-09 | 2021-06-04 | 이미지 정합 방법 |
KR1020210097686A KR20220140392A (ko) | 2021-04-09 | 2021-07-26 | 이미지 정합 방법 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11257228B1 (ko) |
KR (4) | KR102263590B1 (ko) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100008886A (ko) * | 2008-07-17 | 2010-01-27 | 서울대학교산학협력단 | 크기불변특징변환을 이용한 다중해상도 위성영상간자동기하보정 방법 |
KR20130013966A (ko) * | 2011-07-29 | 2013-02-06 | 주식회사 모든넷 | 이미지 정합 기반 흉부영상 진단 시스템 및 방법 |
KR101404640B1 (ko) * | 2012-12-11 | 2014-06-20 | 한국항공우주연구원 | 영상 매칭 방법 및 이를 수행하는 시스템 |
KR20140100054A (ko) * | 2013-02-05 | 2014-08-14 | 광주과학기술원 | 이미지 정합 방법 및 이미지 정합 장치 |
US10460458B1 (en) * | 2017-09-14 | 2019-10-29 | United States Of America As Represented By The Secretary Of The Air Force | Method for registration of partially-overlapped aerial imagery using a reduced search space methodology with hybrid similarity measures |
KR102196749B1 (ko) | 2018-11-28 | 2020-12-31 | 주식회사 큐램 | 가중치 특징점을 이용한 이미지 정합 방법 및 그 시스템 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100321771B1 (ko) | 1998-08-12 | 2002-03-08 | 이계철 | 셀분할에의한이미지합성시스템및그방법 |
KR100551826B1 (ko) | 2004-04-29 | 2006-02-13 | 삼성탈레스 주식회사 | 다수의 이미지 센서로부터의 이미지 융합 방법 |
KR101175097B1 (ko) | 2010-08-12 | 2012-08-21 | 금오공과대학교 산학협력단 | 파노라마 영상 생성 방법 |
CA2995850A1 (en) * | 2015-08-31 | 2017-03-09 | Ryan Kottenstette | Systems and methods for analyzing remote sensing imagery |
KR20190027165A (ko) | 2017-09-06 | 2019-03-14 | 단국대학교 산학협력단 | 복수 이미지의 특징을 통일하는 이미지 조정 시스템 및 방법 |
-
2021
- 2021-04-09 KR KR1020210046357A patent/KR102263590B1/ko active IP Right Grant
- 2021-05-27 KR KR1020210068032A patent/KR102283885B1/ko active IP Right Grant
- 2021-06-04 KR KR1020210072706A patent/KR20220140390A/ko unknown
- 2021-06-09 US US17/342,901 patent/US11257228B1/en active Active
- 2021-07-26 KR KR1020210097686A patent/KR20220140392A/ko unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100008886A (ko) * | 2008-07-17 | 2010-01-27 | 서울대학교산학협력단 | 크기불변특징변환을 이용한 다중해상도 위성영상간자동기하보정 방법 |
KR20130013966A (ko) * | 2011-07-29 | 2013-02-06 | 주식회사 모든넷 | 이미지 정합 기반 흉부영상 진단 시스템 및 방법 |
KR101404640B1 (ko) * | 2012-12-11 | 2014-06-20 | 한국항공우주연구원 | 영상 매칭 방법 및 이를 수행하는 시스템 |
KR20140100054A (ko) * | 2013-02-05 | 2014-08-14 | 광주과학기술원 | 이미지 정합 방법 및 이미지 정합 장치 |
US10460458B1 (en) * | 2017-09-14 | 2019-10-29 | United States Of America As Represented By The Secretary Of The Air Force | Method for registration of partially-overlapped aerial imagery using a reduced search space methodology with hybrid similarity measures |
KR102196749B1 (ko) | 2018-11-28 | 2020-12-31 | 주식회사 큐램 | 가중치 특징점을 이용한 이미지 정합 방법 및 그 시스템 |
Also Published As
Publication number | Publication date |
---|---|
US11257228B1 (en) | 2022-02-22 |
KR20220140390A (ko) | 2022-10-18 |
KR102283885B1 (ko) | 2021-08-02 |
KR20220140392A (ko) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10937141B2 (en) | Deep learning based image comparison device, method and computer program stored in computer readable medium | |
KR102246085B1 (ko) | 어노말리 디텍션 | |
KR102285530B1 (ko) | 영상 정합을 위한 이미지 처리 방법 | |
KR102337412B1 (ko) | 딥러닝 기반 초해상도 이미징 방법 | |
KR20220129995A (ko) | 딥러닝 기반 초해상도 이미징 방법 | |
KR20220116110A (ko) | 인공 신경망의 추론 데이터에 대한 신뢰도를 판단하는 방법 | |
US20220269718A1 (en) | Method And Apparatus For Tracking Object | |
KR102345892B1 (ko) | 변화 탐지 방법 및 장치 | |
KR102357531B1 (ko) | 딥러닝 기반의 강수 유형 분류 방법 | |
KR20220112164A (ko) | 목표 물체 검출 방법 및 장치 | |
KR20220105102A (ko) | 레이더 영상 처리 방법 및 장치 | |
CN114816808A (zh) | 异常检测方法、装置、电子设备及计算机可读存储介质 | |
KR102556766B1 (ko) | 데이터셋을 생성하기 위한 방법 | |
KR102263590B1 (ko) | 이미지 정합 방법 | |
KR102437396B1 (ko) | 모델 학습 방법 | |
KR102364882B1 (ko) | 객체 검출 방법 | |
KR102393951B1 (ko) | 객체 중심 데이터 증강 방법 | |
KR102270198B1 (ko) | 앵커-프리 rpn 기반의 물체 검출 방법 | |
KR102364881B1 (ko) | 전문가 모사 모델 학습 방법 및 그 학습을 위한 장치 | |
KR102379636B1 (ko) | 딥러닝 기반의 어노테이션 방법 | |
KR102308753B1 (ko) | 목표 물체 검출 방법 및 장치 | |
US20230196745A1 (en) | Adversarial attack method for malfunctioning object detection model with super resolution | |
KR102285240B1 (ko) | 모델 학습 방법 | |
KR20220150817A (ko) | 객체 검출 방법 | |
KR20230154601A (ko) | 표의 픽셀 정보를 획득하는 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A302 | Request for accelerated examination | ||
E902 | Notification of reason for refusal | ||
A107 | Divisional application of patent | ||
E701 | Decision to grant or registration of patent right | ||
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |