KR100275353B1 - 텍스처 이미지를 처리하는 시스템과, 텍스처 분석기 및 텍스처 합성기 - Google Patents

텍스처 이미지를 처리하는 시스템과, 텍스처 분석기 및 텍스처 합성기 Download PDF

Info

Publication number
KR100275353B1
KR100275353B1 KR1019930018509A KR930018509A KR100275353B1 KR 100275353 B1 KR100275353 B1 KR 100275353B1 KR 1019930018509 A KR1019930018509 A KR 1019930018509A KR 930018509 A KR930018509 A KR 930018509A KR 100275353 B1 KR100275353 B1 KR 100275353B1
Authority
KR
South Korea
Prior art keywords
neural network
texture
textures
cab
analyzer
Prior art date
Application number
KR1019930018509A
Other languages
English (en)
Other versions
KR940007534A (ko
Inventor
디디에르즈비에르스키
쟝-피에르나달
야퀴에시라트
Original Assignee
요트.게.아. 롤페즈
코닌클리케 필립스 일렉트로닉스 엔.브이.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 요트.게.아. 롤페즈, 코닌클리케 필립스 일렉트로닉스 엔.브이. filed Critical 요트.게.아. 롤페즈
Publication of KR940007534A publication Critical patent/KR940007534A/ko
Application granted granted Critical
Publication of KR100275353B1 publication Critical patent/KR100275353B1/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/649—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding the transform being applied to non rectangular image segments
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Image Generation (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

텍스처 이미지의 합성을 위한 시스템(22)은, 텍스처 분석기(24)와 텍스처 합성기(28)를 포함한다. 텍스처 분석기는 분석 신경 망(30)을 포함하여, 이 분석 신경 망은 시냅틱 계수 (Cab)를 계산함으로서, 그리고 상기 텍스처의 픽셀 주위의 근방을 특징짓는 적어도 하나의 근접 기능을 활용하으로서 텍스처가 특징지어지도록 학습된다. 텍스처 합성기(28)는 합성 신경 망(40)을 포함하며 이 합성 신경 망은 계산된 시냅틱 계수 (Cab)를 수신하며, 그리고 완화 메커니즘을 활용하여 학습된 텍스처의 복사를 합성한다. 신경 망(30),(40)은 트리 형태의 구조로 되어 있다.
응용 : 텔레비전 세트, 비디오폰, 비디오 컴팩트 디스크.

Description

텍스처 이미지를 처리하는 시스템과, 텍스처 분석기 및 텍스처 합성기
제 1a 도 및 제 1b 도는 두 개의 텍스처가 나타나는 소스 이미지와, 학습된 텍스처의 통계적 복사와 합성된 이미지를 도시한 도면.
제 2 도는 본 발명에 따라 텍스처 이미지를 처리하는 시스템의 블록 다이어그램.
제 3 도는 텍스처 분석기의 블록 다이어그램.
제 4 도는 텍스처 합성기의 블록 다이어그램.
제 5 도는 상이한 근접 기능이 있는 존들을 포함하는 텍스처를 도시한 도면.
제 6 도는 트리 형태의 신경 망 구조를 도시한 도면.
* 도면의 주요부분에 대한 부호의 설명
20 : 이미지 메모리 23 : 윤곽 검출기
24 : 텍스처 분석기 28 : 텍스처 합성기
30 : 분석 신경 망 32 : 산술 디바이스
[발명 분야]
본 발명은,
- 가중치가 시냅틱 계수(synaptic coefficints) Cab 에 의해 규정된 링크에 의해 상호 연결된 뉴론(neurons)들을 가지는 합성 신경 망을 구비하는 텍스처 합성기와,
- 입력 이미지에 있는 텍스처에 대한 적어도 하나의 픽셀 접근 기능을 특징짓는 시냅틱 계수 Cab 값을 합성 신경 망으로 로딩하는 입력 수단과,
- 합성 신경 망의 출력 데이터가 상기 신경 망의 입력에서 주기적으로 재 삽입되는 것을 보장하는 완화 메커니즘(relaxation mechanism)에 의해서 상기 텍스처의 통계적 복사(statistic replica)를 발생시키기 위하여 합성 신경 망을 자동(antonomous manner)으로 동작되게 하는 수단을 포함하는 텍스처 이미지(textures images)를 합성하는 시스템에 관한다.
본 발명은 또한 텍스처 분석기 및 텍스처 합성기에도 관한 것이다.
[발명의 배경]
이미지에 있는 텍스처를 관찰자에게 균일(homogeneous) 하게 나타나는 영역이라 칭한다. 텍스처는 다소간의 규칙적으로 또는 임의 배열(disposition)에 따라 순환되는 제한된 수의 패턴을 갖는 목재, 직물, 포장, 물과 같은 재료를 나타낸다.
그래서 초기 이미지 양상을 갖는 이미지를 눈에 제공하기 위해 텍스처를 재구성하는 것이며 뿐만 아니라 텍스처 위치의 통계적 복사에 대한 가능한 재구성이 관심사이다.
텍스처를 특징짓기 위해서는 사전에 그 범위(extent)를 결정할 필요가 있다. 이 동작은 텍스처의 분할과 관계가 있다. 또한 텍스처 또는 텍스처들의 범위를 한정하는 윤관(contours)을 결정하는 것이다. 이 동작은 시스템의 외부에서 실행할 수 있다.
텍스처의 윤곽을 결정한 후에, 예를 들면 텔레비전에 있어서, 컴팩트 디스크 비디오나 비디오폰으로 사용된 이미지를 발생하기 위하여 텍스처를 재생을 할 필요가 있다.
텍스처를 코딩하는 방법은 이웃하는 픽셀의 휘도 레벨에 기초해서 픽셀의 휘도 레벨을 결정하는데 있다. 텍스처를 합성하기 위하여, 비용을 최적으로 하면서 픽셀의 휘도를 연속적으로 갱신하는 반복 처리가 실행된다. 그래서 합성된 텍스처는 최적의 비용으로 코드화된 파라미터에 의존한다. 그러므로, 텍스처를 합성하는 데 걸리는 계산 시간과 데이터 전송 시간을 줄이기 위하여 이들 파라미터의 수를 최소화할 필요가 있다. 그러므로, 정보를 실질적으로 압축하는 것이 바람직하다.
1991년 Proc. ICANN 에서 간행한 V. ATALAY, E. GELEN13E, N.YALA131K 가 저술한 문헌 "랜덤 신경 망 모델의 텍스처 세대(Texture Generation with the random neural network model)"의 pp. 111-116 에 텍스처를 발생하는 디바이스가 기술되어 있다. 상기 디바이스는 텍스처 합성기로서 동작하는 신경 망을 활용하다. 이러한 목적으로, 신경 망에는 시냅틱 계수가 로드되며 이 계수는 텍스처의 대칭을 고려함으로서 통계적 복사(statistic replica)를 구성하는 모든 픽셀의 상태를 결정한다. 계산은 완화 메커니즘(relaxation mechanism)을 활용하며 이 메커니즘은 입력 단자에서 신경 망의 출력 데이터의 재 삽입에 존재한다. 소정의 순환을 거친 후, 완화 메커니즘은 스스로 안정된다. 상기 동작은 컴퓨터로 제어된다.
상기 종류의 디바이스에는 몇 가지 단점이 있다. 텍스처의 분석(또는 텍스처의 코딩)은 사용자가 선택한 것에 따라 실행되는 것이지 디바이스 자체에 의한 것이 아니다. 그러므로, 상기 종류의 디바이스는 사용자가 간섭하지 않고서는 텍스처의 분석 및 합성을 자동으로 실행할 수 없다. 그러므로, 상기 디바이스는 동적으로 실행되지 못하며 텍스처 내용의 전개에 따른다.
더욱이, 상기 문헌에서 오퍼레이터는 간단한 근접 기능(proximity funtion)을 활용하는데, 즉 이웃하는 픽셀들의 합을 가중하는 것이다. 원격(remote), 확산(diffuse), 분배(distributed) 등을 고려하는 복잡한 기능과 픽셀 사이의 상호작용에 대한 고려는 실행하지 못한다. 실제로, 상기 선택 방법은 급속도로 비실용적이 된다.
[발명의 요약]
본 발명의 제 1 목적은 임의의 복잡한 텍스처를 코딩하며, 상기 텍스처의 복사를 재구성하기 위하여 압축하고 코드화 된 정보를 가능한 먼 위치까지 연속으로 전송하는 수단을 제안하는 것이다.
상기 목적은 텍스처 이미지를 합성하는 시스템에 의해 달성될 수 있으며, 상기 시스템은,
- 입력에 제공되는 텍스처와 관련한 예들에 근거하여, 상기 텍스처를 구성하는 픽셀 주위의 근방을 특징짓는 적어도 하나의 근접 기능을 활용하여 상기 시냅틱 계수(Cab)의 값을 계산함으로서 상기 텍스처가 특징지어지도록 학습하는 분석 신경망을 구비하는 텍스처 분석기와,
- 상기 합성 신경 망에 상기 시냅틱 계수(Cab)를 제공하는 수단으로서, 상기 합성 신경 망은 분석 신경 망에 의해 학습된 것과 동일한 근접 기능 또는 기능들을 활용하며, 상기 복사의 픽셀에 초기에 할당된 임의의 값에 기초하여 입력 이미지의 텍스처의 상기 통계적 복사를 발생하는, 상기 시냅틱 계수(Cab)를 제공하는 수단을 포함한다.
그래서 텍스처가 노이즈에 의해 혼란하거나 영향받을 때조차도, 상기 종류의 시스템은 실제의 텍스처를 학습하는 것이 가능하다. 상기 시스템에서는 사전에 텍스처를 알 필요가 없다. 각각의 픽셀 주위의 텍스처를 특징짓는 근접 기능은 임의의 복잡성(arbitrary complexity)으로 될 수도 있다.
텍스처를 학습한 후, 즉 분석 신경 망에 의하여 텍스처를 코딩한 후, 신경망(network)은 텍스처를 합성하는 합성기에 학습된 텍스처의 파라미터를 시냅틱 계수 형태로 제공한다. 시냅틱 계수 형태로 텍스처를 전송함으로써, 정보를 효과적으로 압축할 수 있다.
될 수 있으면, 시냅틱 계수를 수신하는 텍스처 합성기는 분석기와 동일한 위치나 먼 위치에 배열된다. 후자의 경우, 케이블 망을 경유하거나 무선에 의해 전송이 이루어질 수 있다.
학습된 텍스처의 상기 통계적 복사를 발생하기 위하여, 합성기는 분석기로부터 시냅틱 계수만을 수신할 수 있다. 분석기로부터의 수신은 어떤 다른 파라미터가 필요하지 않다. 이러한 목적으로, 합성 신경 망은 분석기에서 사용된 바와 같은 동일한 근접 기능(기능들)을 활용한다. 신경 망의 동작은 완화 메커니즘에 의존하며, 즉 신경 망의 출력 신호는 상기 신경 망의 입력에서 주기적으로 재 삽입된다.
적절한 동작을 위하여 합성 신경 망은 초기 픽셀 상태이어야 한다. 픽셀에 할당된 초기값은 임의로 선택될 수 있다. 텍스처의 범위에 걸쳐 분배되어 있는 위치를 가지는 하나 또는 그 이상의 초기 픽셀을 선택하는 것이 가능하며 소정의 초기값이 할당된다. 상태값 및 초기 픽셀의 위치는 분석기에 의해 전송될 수 있다.
될 수 있으면, 트리 형태의 뉴론으로 조직되어 있는 구성을 가지는 분석 신경 망 및 합성 신경 망이 사용된다. 트리의 길이, 즉 뉴론의 연속된 층수는 미리 결정될 수 있다. 그래서 트리 구조의 뉴론 수와 합성 신경 망으로 실행되는 계산 시간을 감소된다. 트리 구조의 형태로 된 단일 신경 망으로 인해 몇 개의 근접 기능들이 실행될 수 있다.
분석 및 합성 신경 망은, 예를 들어 층은 이루는 뉴론 형태로 구조가 조직되는 것과 같은 공지된 구조를 가지는 것이 또한 가능하다.
본 발명의 다양한 관점 및 또 다른 관점이 이후로 기술된 실시예에서 분명하게 설명될 것이다.
제 1a 도는 상이한 텍스처를 가지는 이미지 부분으로 형성된 두 개의 존(1a,2a)이 포함하는 이미지(10a)를 도시한다. 존(1a)은 빗금을 그은 텍스처로 되어 있다. 일반적으로, 텍스처는 완벽하게 규정되어 있는 또한 완벽하게 반복되는 기하학적 패턴과 일치하지 않는다. 그러므로 수학적 관점에서 보면, 이것은 단지 통계적으로 기재될 수 있을 뿐이다. 본 발명에 따라, 텍스처는 모델화되고, 합성기에 의해 실행될 때 이 모델에 따라 텍스처의 통계적 복사를 발생할 수 있으며, 상기 복사는 소스 텍스처 또는 통계적 복사를 관찰할 때 관찰자에게 동일한 가시적 인상(visible impression)을 충분히 신뢰성 있게 제공해 준다. 그러므로, 목적은 동일한 텍스처를 복사하는 것이 아니라 만족스런 재생을 보장하는 것이다.
제 2 도는 본 발명에 따라 텍스처 이미지를 처리하는 시스템(22)의 블록 다이어그램이다. 처리되어야 하는 이미지 데이터는 이미지 메모리 MEM(20)에 저장되어 있다. 이미지 데이터는 또한 전송 채널로부터 유래한 것이며 이 전송 채널을 통해 데이터가 계속해서 공급된다. 시스템(22)은 분석기 ANALYZ(24)와 합성기 SYNTHE(28)를 포함한다. 균일한 텍스처를 가지는 존의 윤곽은 사전에 결정할 필요가 있으며, 그래서 동일한 존과 관련한 픽셀의 어드레스를 알 수 있다. 분석기에 윤곽 검출기(23)가 통합될 수 있다. 강하게 압축되고 코드화된 데이터를 채널(26)을 거쳐 합성기(28)로 공급하는 분석기(24)에 의하여 존은 연속으로 학습되고 그래서 코드화 된다. 상기 데이터에 기초하여 합성기는 코드화된 텍스처의 통계적 복사를 발생한다.
상기 시스템의 이점은 채널(26)을 통해 코드화된 데이터가 전송되고 이를 위해 전송되는 정보는 강하게 압축되어 있다는 점이다. 다른 이점은 코드화된 데이터의 전송을 종료할 때 합성기는 텍스처의 통계적 복사를 제공하기 위하여 소스 텍스처의 픽셀 상태를 수신할 필요가 없다는 사실이다.
그러므로, 첫 단계는 재생될 텍스처를 분석하는 것이다. 이것은 텍스처 코딩 처리 형태로 분석기에서 실시된다. 본 발명에 따라, 분석기(24)는 분석 신경망(30) NN을 포함하며(제 3 도 참조), 이 신경 망은 시냅틱 계수를 결정함으로서 텍스처를 학습하며 그래서 강하게 압축되어 코드화된 데이터를 구성한다.
신경 망에서 활용되는 학습 메커니즘은 당 분야에 익숙한 기술인에게는 잘 알려져 있으며 여기서는 언급하지 않는다. 본 발명의 적절한 이해를 위해 신경 망에 의한 학습은 신경 망이 (관리된 학습에 대해) 사전에 공지된 결과를 출력해야만 하는 예들에 신경 망의 입력을 제공하는데 있다는 것을 아는 것으로 충분하다. 상기 사전에 공지된 결과와 출력 신경 망에 의해 효과적으로 출력된 결과를 비교한다. 다수의 예를 충분하게 제공한다면 그 차이는 혁신적으로 감소된다. 이것은 신경 망에서 활용에서 시냅틱 계수(synaptic coefficients) Cab를 갱신함으로서 실현된다. 이들 예들이 제공된 후, 신경 망은 입력 예와 공지도니 결과를 관련짓도록 학습되며, 즉 그 이웃하는 픽셀의 기능으로서 픽셀을 재구성하는 것이 가능하다. 그래서 텍스처는 코드화된다.
일반적으로, 이 지식(Knowledge)은 뉴론 "a"와 뉴론 "b"(또는 입력)간의 각각의 링크의 가중치를 특징으로 하는 시냅틱 계수 Cab 세트에 내포되어 있다. 텍스처를 학습하는 신경 망은, 텍스처에 내포되어 있는 픽셀에 기초하여 동작한다. 소스 텍스처에 좌표 Xi, Yi 가 있는 임의의 픽셀 Pi(제 1a 도)의 경우, 신경 망의 입력에는 픽셀 Pi 주위에 있는 픽셀들의 파라미터 값(예를 들면, 휘도(luminance))이 제공되어 있다. 이들 픽셀들은 근접 기능(proximity funtion)에 따라 픽셀 Pi에 연결되어 있다. 다양한 근접 기능이 활용될 수 있으며, 어떤 픽셀 Pi 라도 특징지어질 수 있다. 상기 기능들은 픽셀 Pi 의 바로 옆 근방(direct vicinity), 예를 들면 가장 가까운 근방(the closest neighbours)을 특징지을 수 있다. 상기 기능들은 또한 보다 멀리 있는 환경(more remote environment) 또는, 일반적으로 말하면, 텍스처의 확산 상태와 텍스처의 다른 픽셀들의 상태 사이에 존재하는 확산 관계를 특징지을 수 있다. 신경 망의 사요은 근접 기능의 선택에 관한 어떤 것에도 제한되지 않는다는 이점이 있다. 그래서 매우 복잡한 어떠한 텍스처일지라도 코드화될 수 있다.
그래서 상기 시냅틱 계수들은, 일반적으로 말해서 텍스처의 어떤 정보도 포함하는 강하게 압축된 데이터를 구성한다. 그래서 이들 시냅틱 계수는 유선 접속을 통하거나 무선 방송에 의해, 분석기에서 가까이 있거나 또는 멀리 있는 합성기에 전송될 수 있다. 본 발명은 특히 분석기와 합성기 사이의 링크가 높은 데이터 압축 비율의 이점을 가질 때 특히 관심이 있다.
제 3 도는 이미지 메모리(20)에 분석기(24)가 연결되어 있는 다이어그램이다. 분석기(24)에는 필수적으로 분석 신경 망 NN(30)과 산술 디바이스 CONTR(32)가 포함되어 있다. 이것은 코드화되어야 할 텍스처의 윤곽을 결정할 수 있도록 해준다. 그렇지만, 상기 동작은 분석기의 외부로부터 영향을 받을 수 있다. 코드화되어야 하는 텍스처의 범위는 결정되며, 산술 디바이스(32)는 텍스처의 각 픽셀 Pi과, 미리 결정된 근접 기능 V(Pi)와 대응하는 이웃하는 픽셀에 대해서 메모리(20) 내에 있는 (신호(34)를) 어드레스 한다.
이웃하는 픽셀 V(Pi)의 값은 신경 망에 제공되며, 이 신경 망은 P'i = f(V(Pi),{Cab})가 되도록 사애 P'i를 계산하며, 여기서 f는 시냅틱 계수에 의해 가중된, 이웃하는 픽셀들의 상태의 합을 나타낸다. 상태 P'i는 산술 디바이스(32)에 있는 상태 P'i와 비교하며, 이 산술 디바이스는 공지된 학습 알고리즘을 활용하는데, 예를 들면 에러 역 전개 알고리즘(error backpropagation algorithm)을 활용한다. 그래서 산술 디바이스는 신경 망(30)에서 이전의 시냅틱 계수를 대신하는 갱신된 시냅틱 계수 Cab(연결(25))를 제공한다. 상기 메커니즘은 텍스처가 충분히 학습될 때까지 계속되며, 이것은 낮은 에러 비율로 분명하게 될 수 있다. 학습 메커니즘이 중단될 때, 텍스처는 합성 신경 망에 저장된 시냅틱 계수 형태로 코드화된다. 이것은 실질적으로 텍스처의 압축된 코드를 형성한다. 그런 다음 상기 시냅틱 계수는 전송 수단 OUT(27)에 의해 합성기로 인가되며 이 전송 수단은 산술 디바이스(32)에 의해 제어된다.
제 4 도는 합성기(28)의 다이어그램이다. 제 4 도에는 시냅틱 계수 Cab 가 분석기에 의해 계산되고 입력 수단 IN(41)을 경유하여 로드되는 합성 신경 망 NN(40)이 도시되어 있다. 합성 신경 망(40)은 학습 단계가 진행되는 동안 분석 신경 망(30)에 의해 실행되는 것과 동일한 근접 기능 V(.)을 실행한다. 신경 망(40)은 근접 기능 V(Qi)에 기초한 각각의 픽셀 Qi과 상기 이웃하는 픽셀(제 1B 도)을 계산함으로서 텍스처의 통계적 복사를 결정한다.
상기 방법은 상호작용(interaction)(Qi, V(Qi))의 영향하에서 신경 망만이 참여할 수 있도록 한다. 이러한 목적을 위해, 상수 t에서 픽셀Qi(t)가 선택되고 상수 t+1에서 그 상태 Qi(t+1)이 계산된다. 이것은 다음과 같이 일어날 수 있는데, 즉
- 동기적으로: 두 개의 완료된 상태 세트의 저장을 의미하는 것으로서, 픽셀(Qi(t+1))의 셀 상태가 근접 기능 V(Q(t))에 따라 계산되거나,
- 또는 비동기적으로: 각각의 상태 Q(t)는 연속으로 갱신되고, 그래서 모든 픽셀의 처리되기 쉬울 때 완전히 갱신된 {Q(t+1)}를 제공한다.
계산을 시작하기 위하여, 통계적 복사를 초기에 형성하는 모든 픽셀에 임의로 선택한 값을 할당할 수 있다. 대안으로서, 상기 계산은 분석기에 의해서 전송된 값을 텍스처를 구성하는 몇몇 픽셀에 부여함으로서 초기화될 수 있다. 후자의 경우, 합성기는 더욱 빨리 안정한 상태에 도달할 수 있다. 그래서 각각의 픽셀 Pi는 계산되고 그 후, 이미지 메모리(42)에 저장되고, 상기 이미지 메모리는 신경 망이 (신호 44)를 요구하면 새로운 픽셀 Qi에 근접(proximity)을 제공한다. 그래서, 완화 메커니즘(relaxation mechanism)으로 칭하는 수렴 메커니즘(converge mechanism)을 사용하여, 신경 망은 텍스처를 형성하는 픽셀의 모든 상태를 계산하고 텍스처의 안정한 통계적 복사로 수렴한다. 상기 통계적 복사를 얻기 위하여, 픽셀은 몇 번이고 다시 계산될 수 있다. 합성기(28)에는 산술 디바이스(45)가 포함되어 있으며 이 디바이스는 신경 망(40)과 메모리(42) 및 입력 수단(41)의 동작을 제어한다.
처리가 종료될 때, 이미지 메모리(42)에 포하된 픽셀 값은 적당한 디스플레이 또는 처리 디바이스 DISP(60)(제 2 도 참조)에 제공되도록 하기 위하여 판독될 수 있다.
분석 및 합성 신경 망(30, 40)은 예를 들어 다층 구조 또는 트리 형태의 구조와 같은 공지된 구조를 가질 수 있다. 후자는 예를 들어 유럽 특허 출원 EP 0 446 084에 기술되어 있다. 소정의 픽셀에 대해서 상이한 텍스처 위치에 있는 몇몇 근접 기능들 V1(P), V2(P)...가 사용될 수 있기 때문에 특히 흥미롭다.
제 5 도는 텍스처의 존(50)을 도시한다. 픽셀 Pi의 상태에 대한 계산은 제 6 도에 도시된 트리 형태의 신경 망을 활용하여 다음과 같이 실행된다. 이웃하는 픽셀 V1의 상태를 그 입력이 수신하여 신경 N1이 규정된다. 신경 N1(예를 들어, 그 사인(sign))의 출력 값에 따라, 이웃하는 픽셀 V2의 상태를 입력으로 전달하는 신경 N2이 활성화되거나 또는 이웃하는 픽셀 V3의 상태를 입력으로 전달하는 신경 N3가 활성화된다. 상기 메커니즘은 유럽 특허 출원 EP 0 446 084에 기수뢰어 있다. 각각의 브랜치(branch)는 종료 뉴론(terminal neurons) N8내지 N14에서 종료되며, 이 종료 뉴론 중 하나가 픽셀 Pi의 값을 전달한다. 이러한 트리 형태의 신경 망 동작은 상이한 위치에서 연속적으로 관찰하여 장면(scene) 또는 텍스처를 분석하면서 인간 관찰자가 하는 기능에 근접하게 된다.

Claims (6)

  1. 가중치가 시냅틱 계수(Cab)에 의해 규정되는 링크에 의해 상호 연결되는 뉴론을 가지는 합성 신경 망(40)과,
    입력 이미지(10a)에 있는 텍스처(1a), (2a)에 대한 적어도 하나의 픽셀 근접 기능을 특정짓는 시냅틱 계수(Cab) 값을 합성 신경 망(40)으로 로딩하는 입력수단(41)과,
    상기 합성 신경 망(40)의 출력 데이터가 상기 신경망(40)의 입력에서 주기적으로 재 삽입되는 것을 보장하는 완화 메커니즘에 의해서 상기 텍스처(1a), (2a)의 통계적 복사 (1b), (2b)를 발생하기 위하여 합성 신경 망(40)을 자동으로 동작하게 하는 수단(42),(45)을,
    구비하는 텍스처 합성기(28)를 포함하는 텍스처 이미지(textured images)의 합성을 위한 시스템에 있어서,
    입력에 제공되는 텍스처(1a),(1b)와 관련한 예들에 근거하여, 상기 텍스처(1a), (2a)를 구성하는 픽셀 주위의 근방을 특징짓는 적어도 하나의 근접 기능을 활용하여 상기 시냅틱 계수(Cab)의 값을 계산함으로서 상기 텍스처(1a), (2a)가 특징 지어지도록 학습하는 분석 신경 망(30)과,
    상기 합성 신경 망(40)에 상기 시냅틱 계수(Cab)를 제공하는 수단(27)으로서, 분석 신경 망(30)에 의해 학습된 것과 동일한 근접 기능 또는 기능들을 활용하고 통계적 복사(1b), (2b)의 픽셀에 초기에 할당된 임의의 값에 기초하여 입력 이미지(10a)의 텍스처(1a), (2a)의 상기 통계적 복사(1b), (2b)를 발생하는 상기 합성 신경 망(40)에 상기 시냅틱 계수(Cab)를 제공하는 수단(27)을,
    구비하는 텍스처 분석기(24)를 포함하는 것을 특징으로 하는 텍스처 이미지 합성 시스템.
  2. 제 1 항에 있어서,
    상기 합성 신경 망(40)과 분석 신경 망(30)은 뉴론들이 트리 형태로 된 계층적 구조를 가지는 것을 특징으로 하는 시스템.
  3. 제 1 항에 있어서,
    상기 통계적 복사(1b), (2b)의 초기 픽셀들이 분석기(24)에 의해 합성기(28)로 제공되는 것을 특징으로 하는 시스템.
  4. 제 2 항에 있어서,
    뉴론들이 트리 형태로 된 상기 계층적 구조는 소정의 깊이의 트리를 가지는 것을 특징으로 하는 시스템.
  5. 제 1 항에 청구된 바와 같은 시스템(22)에서 사용되는 텍스처 분석기(24).
  6. 제 1 항에 구된 바와 같은 시스템(22)에서 사용되는 텍스처 분석기(28).
KR1019930018509A 1992-09-16 1993-09-15 텍스처 이미지를 처리하는 시스템과, 텍스처 분석기 및 텍스처 합성기 KR100275353B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR9211044A FR2695743A1 (fr) 1992-09-16 1992-09-16 Système de traitement d'images texturées, analyseur de textures et synthétiseur de textures.
FR9211044 1992-09-16

Publications (2)

Publication Number Publication Date
KR940007534A KR940007534A (ko) 1994-04-27
KR100275353B1 true KR100275353B1 (ko) 2000-12-15

Family

ID=9433569

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1019930018509A KR100275353B1 (ko) 1992-09-16 1993-09-15 텍스처 이미지를 처리하는 시스템과, 텍스처 분석기 및 텍스처 합성기

Country Status (6)

Country Link
US (1) US5680475A (ko)
EP (1) EP0588422B1 (ko)
JP (1) JPH06266687A (ko)
KR (1) KR100275353B1 (ko)
DE (1) DE69322340T2 (ko)
FR (1) FR2695743A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100841657B1 (ko) 2005-06-28 2008-06-26 캐논 가부시끼가이샤 화상 처리 장치 및 그 제어 방법 및 프로그램

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5995651A (en) * 1996-07-11 1999-11-30 Duke University Image content classification methods, systems and computer programs using texture patterns
US6011295A (en) * 1997-07-22 2000-01-04 Foveonics, Inc. Neural network active pixel cell
US6167391A (en) * 1998-03-19 2000-12-26 Lawrence Technologies, Llc Architecture for corob based computing system
AU759353B2 (en) * 1999-03-02 2003-04-10 Cea Technologies Inc. Method for image texture analysis
AUPP898499A0 (en) * 1999-03-02 1999-03-25 University Of Queensland, The Method for image texture analysis
US6947913B1 (en) 2001-08-23 2005-09-20 Lawrence Technologies, Llc Systems and methods for generating string correlithm objects
JP2003066539A (ja) * 2001-08-29 2003-03-05 Noritsu Koki Co Ltd 写真処理装置におけるカラーマネジメントシステム及び方法
US6977659B2 (en) 2001-10-11 2005-12-20 At & T Corp. Texture replacement in video sequences and images
US7031969B2 (en) * 2002-02-20 2006-04-18 Lawrence Technologies, Llc System and method for identifying relationships between database records
US7606435B1 (en) 2002-02-21 2009-10-20 At&T Intellectual Property Ii, L.P. System and method for encoding and decoding using texture replacement
US10198478B2 (en) 2003-10-11 2019-02-05 Magic Number, Inc. Methods and systems for technology analysis and mapping
US9104648B2 (en) * 2004-11-08 2015-08-11 Jinan Glasgow Patent claims analysis system and method
WO2005069225A2 (en) * 2004-01-12 2005-07-28 Allegorithmic Method and tool for the generation or the modification of image processing procedural maps
US20070165045A1 (en) * 2004-01-12 2007-07-19 Allegorithmic Method and tool for modifying a procedural map
WO2005114588A1 (fr) * 2004-04-19 2005-12-01 Allegorithmic Methode et dispositif pour generer une carte procedurale a partir d'un parametre externe tel une caracteristique d’une image
US7333667B2 (en) * 2004-12-23 2008-02-19 Kabushiki Kaisha Toshiba Image encoding apparatus and image encoding method
US7945627B1 (en) 2006-09-28 2011-05-17 Bitdefender IPR Management Ltd. Layout-based electronic communication filtering systems and methods
US8572184B1 (en) 2007-10-04 2013-10-29 Bitdefender IPR Management Ltd. Systems and methods for dynamically integrating heterogeneous anti-spam filters
US8010614B1 (en) 2007-11-01 2011-08-30 Bitdefender IPR Management Ltd. Systems and methods for generating signatures for electronic communication classification
US8131655B1 (en) 2008-05-30 2012-03-06 Bitdefender IPR Management Ltd. Spam filtering using feature relevance assignment in neural networks
US10860946B2 (en) * 2011-08-10 2020-12-08 Konlanbi Dynamic data structures for data-driven modeling
WO2017165538A1 (en) * 2016-03-22 2017-09-28 Uru, Inc. Apparatus, systems, and methods for integrating digital media content into other digital media content
GB201608101D0 (en) * 2016-05-09 2016-06-22 Magic Pony Technology Ltd Multiscale 3D texture synthesis
US10198839B2 (en) 2016-09-22 2019-02-05 Apple Inc. Style transfer-based image content correction
US10147459B2 (en) * 2016-09-22 2018-12-04 Apple Inc. Artistic style transfer for videos
US10789694B1 (en) 2017-09-11 2020-09-29 Apple Inc. Real-time adjustment of temporal consistency constraints for video style
US11977722B2 (en) 2018-01-08 2024-05-07 Magic Number, Inc. Interactive patent visualization systems and methods
US11100151B2 (en) 2018-01-08 2021-08-24 Magic Number, Inc. Interactive patent visualization systems and methods
US11367163B2 (en) 2019-05-31 2022-06-21 Apple Inc. Enhanced image processing techniques for deep neural networks

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4897881A (en) * 1988-03-23 1990-01-30 Centre De Recherche Industrielle Du Quebec Optimum fast textural feature extractor
US5003490A (en) * 1988-10-07 1991-03-26 Hughes Aircraft Company Neural network signal processor
FR2639739B1 (fr) * 1988-11-25 1991-03-15 Labo Electronique Physique Procede et dispositif de compression de donnees d'image utilisant un reseau de neurones
FR2646575A1 (fr) * 1989-04-26 1990-11-02 Labo Electronique Physique Procede et structure pour la compression de donnees
FR2646543A1 (fr) * 1989-04-26 1990-11-02 Labo Electronique Physique Procede pour l'analyse de textures et analyseur
FR2658337A1 (fr) * 1990-02-09 1991-08-16 Philips Electronique Lab Procede d'apprentissage d'un reseau de neurones hierarchise et reseau de neurones hierarchise.
FR2661265B1 (fr) * 1990-04-24 1994-07-29 Thomson Csf Systeme neuronal de classification et procede de classification utilisant un tel systeme.
US5214507A (en) * 1991-11-08 1993-05-25 At&T Bell Laboratories Video signal quantization for an mpeg like coding environment

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100841657B1 (ko) 2005-06-28 2008-06-26 캐논 가부시끼가이샤 화상 처리 장치 및 그 제어 방법 및 프로그램

Also Published As

Publication number Publication date
US5680475A (en) 1997-10-21
JPH06266687A (ja) 1994-09-22
FR2695743A1 (fr) 1994-03-18
EP0588422B1 (fr) 1998-12-02
DE69322340D1 (de) 1999-01-14
DE69322340T2 (de) 1999-06-17
EP0588422A1 (fr) 1994-03-23
KR940007534A (ko) 1994-04-27

Similar Documents

Publication Publication Date Title
KR100275353B1 (ko) 텍스처 이미지를 처리하는 시스템과, 텍스처 분석기 및 텍스처 합성기
Myszkowski The visible differences predictor: Applications to global illumination problems
US6172773B1 (en) Void and cluster apparatus and method for generating dither templates
Kunt et al. Second-generation image-coding techniques
US5218649A (en) Image enhancement system
US5134396A (en) Method and apparatus for encoding and decoding data utilizing data compression and neural networks
JPH10502793A (ja) 確率的しきい値アレーを生成する像再現システムおよび方法
US5485212A (en) Software video compression for teleconferencing
Sohn et al. Feature based volumetric video compression for interactive playback
EP0457325B1 (en) Recognition unit and recognizing and judging apparatus employing same
US5335088A (en) Apparatus and method for encoding halftone images
US5710838A (en) Apparatus for encoding a video signal by using modified block truncation and contour coding methods
EP1113395A2 (en) Method and apparatus for hierarchical image coding
Debattista Application‐Specific Tone Mapping Via Genetic Programming
Sanz et al. Approximation quality improvement techniques in progressive image transmission
Molnár et al. Representation learning for point clouds with variational autoencoders
Feng et al. Neural subspaces for light fields
Bouman et al. Color image display with a limited palette size
Kim et al. Neural fuzzy motion estimation and compensation
Fleury et al. Image quality prediction for bitrate allocation
US6339659B1 (en) Fractal coding/decoding of picture data using memory capacity information
JPH04247770A (ja) 画像データ圧縮方法および画像データ圧縮装置ならびに画像データ復元装置
Liatsis et al. Nonlinear 1D DPCM image prediction using polynomial neural networks
Mustafa et al. Compression of Monochromatic and Multicolored Image with Neural Network
Gong et al. Progressive image transmission

Legal Events

Date Code Title Description
N231 Notification of change of applicant
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee