KR101151739B1 - 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법 - Google Patents

텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법 Download PDF

Info

Publication number
KR101151739B1
KR101151739B1 KR1020100101495A KR20100101495A KR101151739B1 KR 101151739 B1 KR101151739 B1 KR 101151739B1 KR 1020100101495 A KR1020100101495 A KR 1020100101495A KR 20100101495 A KR20100101495 A KR 20100101495A KR 101151739 B1 KR101151739 B1 KR 101151739B1
Authority
KR
South Korea
Prior art keywords
color
tensor
voting
unit
image
Prior art date
Application number
KR1020100101495A
Other languages
English (en)
Other versions
KR20120040004A (ko
Inventor
이귀상
Original Assignee
전남대학교산학협력단
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 전남대학교산학협력단 filed Critical 전남대학교산학협력단
Priority to KR1020100101495A priority Critical patent/KR101151739B1/ko
Priority to PCT/KR2011/007765 priority patent/WO2012053811A2/ko
Publication of KR20120040004A publication Critical patent/KR20120040004A/ko
Application granted granted Critical
Publication of KR101151739B1 publication Critical patent/KR101151739B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 텐서 보팅에 기반을 둔 컬러 클러스터링에 관한 것으로서, 상세하게는 입력된 이미지의 컬러 클러스터링을 수행함에 있어 텐서 보팅시에 지배적인 컬러의 수를 자동적으로 측정하고,컬러의 데이터 밀도를 이용하여 클러스터링을 함으로써 효과적인 이미지 세분화를 도모하는 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법에 관한 것이다.
이러한 기술적 특징을 달성하기 위해 본 발명은, 입력된 이미지로부터 이미지 내의 컬러를 구분하여 각각의 컬러 클러스터를 생성하는 컬러 특징 공간 생성부; 상기 컬러 특징 공간 생성부에서 생성된 각각의 컬러 클러스터를 텐서 보팅하는 텐서 보팅부; 및 상기 텐서 보팅부에서 텐서 보팅된 각각의 컬러 클러스터를 분석하여 세분화하는 컬러 공간 분석 및 세분화부; 를 포함하는 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템을 제공한다.
또한 이러한 기술적 특징을 달성하기 위해 본 발명은, 컬러 특징 공간 생성부, 텐서 보팅부, 그리고 컬러 공간 분석 및 세분화부를 포함하는 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템을 이용한 텐서 보팅에 기반을 둔 컬러 클러스터링 방법에 있어서, 상기 컬러 특징 공간 생성부가 입력된 이미지로부터 이미지 내의 컬러를 구분하여 각각의 컬러 클러스터를 생성하는 컬러 특징 공간 생성 과정; 상기 텐서 보팅부가 상기 컬러 특징 공간 생성 과정을 통해 생성된 각각의 컬러 클러스터를 텐서 보팅하는 텐서 보팅 과정; 및 상기 컬러 공간 분석 및 세분화부가 상기 텐서 보팅된 각각의 컬러 클러스터를 분석하여 세분화하는 컬러 공간 분석 및 세분화 과정; 을 포함하는 텐서 보팅에 기반을 둔 컬러 클러스터링 방법을 제공한다.
상기 목적 및 기능에 의해 본 발명은 컬러 클러스터링을 수행함에 있어서, 종래기술에 비해 대상물의 이미지 세분화에 있어 향상되는 효과가 있다.
그리고 본 발명은, 종래기술과 달리 주요한 컬러의 갯수를 자동적으로 측정할 수 있기 때문에 각각의 수행결과가 동일하고 안정적인 효과가 있다.

Description

텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법{SYSTEM FOR COLOR CLUSTERING BASED ON TENSOR VOTING AND METHOD THEREFOR}
본 발명은 텐서 보팅에 기반을 둔 컬러 클러스터링에 관한 것으로서, 상세하게는 입력된 이미지의 컬러 클러스터링을 수행함에 있어 텐서 보팅시에 지배적인 컬러의 수를 자동적으로 측정하고,컬러의 데이터 밀도를 이용하여 클러스터링을 함으로써 효과적인 이미지 세분화를 도모하는 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법에 관한 것이다.
컬러 클러스터링 방법은 이미지 분할에 널리 이용되며, RGB 또는 HSV와 같은 다차원 컬러 특징 공간에 포인트를 주는 픽셀(pixels)의 맵핑(mapping)을 포함한다.
이러한 컬러 특징 공간은 클러스터(cluster)를 분리함으로써 구분되며, 각각의 클러스터 분리는 텐서 보팅을 이용하여 수행된다.
종래기술인 '2Ｄ 영상들로부터 3Ｄ 안면 재구성(대한민국 공개특허 제20087020957호)', '적응적 칼라 클러스터링을 이용한 얼굴 영역 추출 방법(대한민국 등록특허 제0451652호)', '화상 처리 방법 및 장치 및 프로그램(일본 공개특허 제2006279442호)' 역시 텐서 보팅을 이용하여 각자의 기술을 구현하려 하였다.
구체적으로, '2Ｄ 영상들로부터 3Ｄ 안면 재구성'은 안면의 사진과 같은 2D 영상들을 사용하는 3D 안면 재구성 기술이 개시되었다. 선행 안면 지식(prior face knowledge) 또는 일반적 안면(generic face)은 영상들로부터 희소 3D 정보를 검출하고, 영상 쌍들을 식별하기 위해 사용된다. 번들 조정(bundle adjustment)은 더 정확한 3D 카메라 위치를 판단하기 위해 수행되고, 영상 쌍들은 수정되고, 고밀도 3D 안면 정보는 선행 안면 지식을 사용하지 않고 검출된다. 이상값(outlier)들은 예컨대 텐서 보팅(tensor voting)을 사용하여 제거된다. 3D 면은 고밀도 3D 정보로부터 검출되고, 면 상세 정보는 영상들로부터 검출되는 것을 특징으로 하였다.
다른 종래기술인 '적응적 칼라 클러스터링을 이용한 얼굴 영역 추출 방법'은 영상이 입력되는 단계와; 입력된 영상에서 살색 조건을 만족하는 픽셀을 조사하는 단계와; 살색 조건을 만족하는 픽셀들을 대상으로 색 공간상에서 칼라 그룹 크기만큼의 범위를 갖는 유사한 칼라끼리 그룹화하는 단계와; 한 그룹 칼라에 속한 픽셀들로 얼굴 후보 영역을 지정하는 단계와; 지정된 얼굴 후보 영역에서 비칼라 특징을 이용하여 얼굴 영역을 확인 또는 조정하는 단계; 및 칼라 그룹 크기를 조정하고, 추출된 얼굴 영역 정보를 저장하는 단계; 를 포함한다. 여기서 본 발명은, 상기 비칼라 특징을 이용하여 얼굴 영역을 확인하는 단계는, 타원 모양 매칭을 통하여 수행되며, 한 그룹 칼라에 속한 픽셀들로 구성된 얼굴 후보 영역을 대상으로 타원 내에 해당 그룹 칼라에 속한 픽셀이 차지하는 비율이 높고, 타원 외부에 해당 그룹 칼라에 속한 픽셀이 차지하는 비율이 낮을수록, 추출된 영역이 얼굴일 확률이 높은 것으로 판단한다. 또한 본 종래기술은, 상기 칼라 그룹 크기를 조정하는 단계에 있어, 타원 모양 매칭을 통하여, 타원 내에 해당 그룹 칼라에 속한 픽셀이 차지하는 비율이 낮으며, 타원 외부에 해당 그룹 칼라에 속한 픽셀이 차지하는 비율도 낮은 경우에는, 상기 칼라 그룹 크기를 증가시키는 것을 특징으로 하였다.
그리고 또 다른 종래기술인 '화상 처리 방법 및 장치 및 프로그램'은 수복 영역의 연고상의 픽셀에 대하여, 매입하고 우선도가 높은 픽셀으로부터의 순서로 매입용 패치를 배치하고,매입용 패치내의 화상을 픽셀치가 기지의 영역의 화상으로 대치한 것에 의해 수복 영역의 매입을 행하는 것에 즈음하여 매입용 패치보다 사이즈가 큰 우선도 산출용 패치를 수복 영역의 연고상의 각 픽셀에 배치하고,배치되는 우선도 산출용 패치내의 기지 영역의 화상에 있어서,그 기지 영역측의 우선도 산출용 패치의 윤곽선상부터 상기 테두리변까지 늘어나는 경계선의 검출을 행하고,경계선이 검출되는 우선도 산출용 패치가 배치되는 픽셀의 우선도를, 경계선이 검출되지 않는 우선도 산출용 패치가 배치되는 픽셀보다(부터) 높게 설정하는 것을 특징으로 하였다.
상기 종래기술들은 컬러 클러스터링을 위해 K-means 방법, fuzzy K-means 방법, 또는 The mean shift 방법 등을 이용하였다.
K-means 방법은 클러스터링에 가장 간단하고 널리 알려진 방법이다. 이 방법은 보통 포인트들의 그룹의 평균인 중심점(centroid)에 의해 프로토타입(protoptype)을 정의하며, 클러스터링의 주요 입력 파라미터(parameter)는 클러스터의 개수, 즉 K이다.
fuzzy K-means 방법은 상기 K-means 방법의 확장 개념이다. 상기 K-means 방법에서 각 데이터 포인트 또는 특징 벡터는 오직 하나의 클러스터를 가지는 반면에 fuzzy K-means 방법은 클러스터 간의 0에서 1사이의 다른 소속도(membership degree)와 퍼지 경계를 가지고 하나 이상의 클러스터에 각각의 데이터 포인트가 포함하는 것을 허용한다.
The mean shift 방법은 컬러 클러스터링을 위해 광범위하게 사용되는 방법이다. 이 방법은 이웃(neighborhood)하는 데이터 포인트의 평균으로 각 데이터 포인트를 쉬프트(shift)하는 반복적인 절차를 수행한다.
그러나 상기 K-means 방법 및 fuzzy K-means 방법은 다음과 같은 문제점이 있다.
첫째, 클러스터 K의 최적 갯수는 사용자에 의해 주어져야 하므로 클러스터의 품질은 주어진 K의 가치에 의해 크게 의존된다.
둘째, 중심점(centroid)의 초기 위치가 무작위로 생성된다. 이는 질이 낮은 결과를 초래할 수 있으며, 그렇기 때문에 이들의 방법은 각 실행에 있어서 동일한 결과를 내지 못할 수 있다.
셋째, 이 방법들은 클러스터 내부의 분산을 최소화 하지만, 전체적인 분산의 최소화를 확신할 수 없다.
넷째, 실제 데이터는 클러스터 형상, 클러스터의 밀도, 포인트의 갯수에서의 큰 변화량들에 의해 특성화된다. 이러한 특징은 클러스터 결과의 향상에 고려되어야한다. K-means 방법의 경우, 고려되어야 할 다른 이슈(issue)는 내부가 비어있는 빈 클러스터(empty cluster)와 아웃라이어(outlier)이다.
한편, The mean shift 방법 역시 문제가 있다.
The mean shift 방법은 상기 K-means 방법 및 fuzzy K-means 방법과 같이 클러스터의 고정된 값을 요하지 않지만, 로컬 피크(local peaks)에서 민감하다. 더욱이 클러스터의 결과는 커널(kernel) 밀도 추정기의 대역폭 h에 크게 의존한다.
따라서 다양한 컬러의 이미지 분할을 위한 효과적인 컬러 클러스터링 방법이
요구된다.
상기 종래기술에 따른 문제점을 해결하기 위한 본 발명은, 컬러 특징 공간을 생성하고, 그에 의한 텐서 보팅을 수행하여, 컬러 공간 분석 및 세분화를 거쳐 효과가 향상된 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법을 제공함에 있다.
상기와 같은 기술적 과제를 해결하기 위하여 본 발명은, 입력된 이미지로부터 이미지 내의 컬러를 구분하여 각각의 컬러 클러스터를 생성하는 컬러 특징 공간 생성부; 상기 컬러 특징 공간 생성부에서 생성된 각각의 컬러 클러스터를 텐서 보팅하는 텐서 보팅부; 및 상기 텐서 보팅부에서 텐서 보팅된 각각의 컬러 클러스터를 분석하여 세분화하는 컬러 공간 분석 및 세분화부; 를 포함하는 것을 특징으로 한다.
바람직하게, 상기 컬러 특징 공간 생성부는 사용자가 입력한 이미지를 컬러 클러스터링하기 위해 그레이스케일 이미지로 변환하는 이미지 변환 모듈; 및 상기 이미지 변환 모듈로부터 변환된 이미지를 엣지 검출 방법을 사용하여 배경과 대상물을 구분하기 위한 엣지 검출 모듈; 을 포함하는 것을 특징으로 한다.
또한 바람직하게, 상기 텐서 보팅부는 상기 컬러 특징 공간 생성부에서 생성된 각각의 컬러 클러스터가 지니고 있는 컬러 특징 벡터를 두번째 차수의 텐서로 인코딩하기 위한 인코딩 모듈; 상기 인코딩 모듈을 통해 생성된 텐서를 볼 형상 또는 스틱 형상으로 구분하기 위한 텐서 형상 구분 모듈; 상기 텐서 형상 구분 모듈로부터 형상이 구분된 각각의 텐서의 구조를 다시 조정하는 텐서 구조 재조정 모듈; 및 상기 텐서 구조 재조정 모듈을 통해 조정된 텐서의 중심점을 검출하는 중심점 검출 모듈; 을 포함하는 것을 특징으로 한다.
또한 바람직하게, 상기 컬러 공간 분석 및 세분화부는 상기 중심점 검출 모듈로부터 검출된 중심점을 이용하여 각각의 컬러 클러스터의 구조를 분석하고 지배적인 컬러의 갯수를 측정하는 컬러 클러스터 분석 모듈; 상기 컬러 클러스터 분석 모듈로부터 분석된 지배적인 컬러의 갯수로부터 지역 최대값을 파악한 뒤에 가짜 최대값을 제거하여 효과적인 컬러 클러스터링을 하기 위한 세분화 모듈; 을 포함하는 것을 특징으로 한다.
한편 텐서 보팅에 기반을 둔 컬러 클러스터링 방법으로서, 컬러 특징 공간 생성부, 텐서 보팅부, 그리고 컬러 공간 분석 및 세분화부를 포함하는 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템을 이용한 텐서 보팅에 기반을 둔 컬러 클러스터링 방법은, 상기 컬러 특징 공간 생성부가 입력된 이미지로부터 이미지 내의 컬러를 구분하여 각각의 컬러 클러스터를 생성하는 컬러 특징 공간 생성 과정; 상기 텐서 보팅부가 상기 컬러 특징 공간 생성 과정을 통해 생성된 각각의 컬러 클러스터를 텐서 보팅하는 텐서 보팅 과정; 및 상기 컬러 공간 분석 및 세분화부가 상기 텐서 보팅된 각각의 컬러 클러스터를 분석하여 세분화하는 컬러 공간 분석 및 세분화 과정; 을 포함하는 것을 특징으로 한다.
또한 바람직하게, 상기 컬러 특징 공간 생성 과정은 상기 컬러 특징 공간 생성부가 사용자가 입력한 이미지를 컬러 클러스터링하기 위해 그레이스케일 이미지로 변환하는 이미지 변환 단계; 및 상기 컬러 특징 공간 생성부가 상기 이미지 변환 단계로부터 변환된 이미지를 가지고 배경과 대상물을 구분하기 위하여 엣지 검출을 수행하는 엣지 검출 단계; 를 포함하는 것을 특징으로 한다.
또한 바람직하게, 상기 엣지 검출 단계는 경계 픽셀로 인한 오류를 방지하기 위하여 균질 지역의 픽셀만 고려하되, 비경계 픽셀은 최소 엣지 크기 값을 가지는 픽셀로 간주하는 것을 특징으로 한다.
또한 바람직하게, 상기 균질 지역의 픽셀을 고려할 때, 이를 위한 엣지 검출 방법의 첫번째 엣지 크기
Figure 112010067176440-pat00001
는 다음의 수학식에 의해 계산되는 것을 특징으로 한다.
Figure 112010067176440-pat00002
(여기서 x는 x축, y는 y축 값을 나타내며, I는 그레이스케일 이미지를 뜻한다.)
또한 바람직하게, 상기 텐서 보팅 과정은 상기 텐서 보팅부가 컬러 특징 공간 생성부에서 생성된 각각의 컬러 클러스터가 지니고 있는 컬러 특징 벡터를 두번째 차수의 텐서로 인코딩하는 인코딩 단계; 상기 텐서 보팅부가 상기 인코딩 단계를 통해 생성된 텐서를 볼 형상 또는 스틱 형상으로 구분하는 텐서 형상 구분 단계; 상기 텐서 보팅부가 상기 텐서 형상 구분 단계를 통해 형상이 구분된 각각의 텐서의 구조를 각각의 보팅 필드의 스케일 σ에 의해 이웃 토큰으로부터 상호 간 크기와 방향 정보를 포함한 캐스트 보트의 축적을 통해 다시 명확하게 조정하는 텐서 구조 재조정 단계; 및 상기 텐서 보팅부가 상기 텐서 구조 재조정 단계를 통해 명확히 생성된 텐서의 중심점을 검출하는 중심점 검출 단계; 를 포함하는 것을 특징으로 한다.
또한 바람직하게, 상기 텐서 형상 구분 단계는 텐서 T를 다음의 수학식에 의해 텐서의 형상을 구분하는 것을 특징으로 한다.
Figure 112010067176440-pat00003
(여기서
Figure 112010067176440-pat00004
는 각각 법선 벡터와 접선 벡터를 나타내며,
Figure 112010067176440-pat00005
는 텐서의 고유값을 나타낸다. 또한
Figure 112010067176440-pat00006
와
Figure 112010067176440-pat00007
는 2차원에서 스틱(stick) 텐서와 볼(ball) 텐서를 나타내며, 각각의 돌출도(sailency)는
Figure 112010067176440-pat00008
와
Figure 112010067176440-pat00009
이다.)
또한 바람직하게, 상기 텐서 구조 재조정 단계는 이웃 토큰으로부터 받은 보트의 세기를 계산함에 있어, 다음의 수학식을 이용하는 것을 특징으로 한다.
Figure 112010067176440-pat00010
(여기서 s는 호의 길이, k는 곡률, 그리고 c는 상수이다.)
그리고 바람직하게, 상기 컬러 공간 분석 및 세분화 과정은 상기 컬러 공간 분석 및 세분화부가 중심점으로부터 컬러 클러스터의 구조를 분석하고 지배적인 컬러의 갯수를 파악하는 컬러 클러스터 분석 단계; 상기 컬러 공간 분석 및 세분화부가 상기 컬러 클러스터 분석 단계로부터 분석된 지배적인 컬러의 갯수로부터 지역 최대값을 파악하는 단계; 및 상기 컬러 공간 분석 및 세분화부가 상기 파악된 지역 최대값을 이용하여 가짜 최대값을 제거하는 단계; 를 포함하는 것을 특징으로 한다.
상술한 바와 같이 본 발명은, 컬러 클러스터링을 수행함에 있어서, 종래기술에 비해 대상물의 이미지 세분화에 있어 향상되는 효과가 있다.
그리고 본 발명은, 종래기술과 달리 주요한 컬러의 갯수를 자동적으로 측정할 수 있기 때문에 각각의 수행결과가 동일하고 안정적인 효과가 있다.
도 1은 본 발명에 따른 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템에 대한 전체 구성도.
도 2는 원래 이미지와 샘플 이미지의 컬러 성분 a*와 b*의 컬러 분배를 비교한 도면.
도 3은 데이터 분석 및 클러스터링을 도시한 도면.
도 4는 텍스트의 세분화 결과를 도시한 도면.
도 5는 The mean shift 방법과 본 발명을 비교한 도면.
도 6은 K-means 방법을 수행한 도면.
도 7은 각기 다른 보팅 범위 σ에 대한 본 발명의 수행결과를 도시한 도면.
도 8은 본 발명에 따른 텐서 보팅에 기반을 둔 컬러 클러스터링 방법에 대한 전체 흐름도.
도 9는 본 발명에 따른 컬러 특징 공간 생성 과정에 대한 세부 흐름도.
도 10은 본 발명에 따른 텐서 보팅 과정에 대한 세부 흐름도.
도 11은 본 발명에 따른 컬러 공간 분석 및 세분화 과정에 대한 세부 흐름도.
본 발명의 구체적 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다.
이에 앞서 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 구체적인 설명을 생략하였음에 유의해야 할 것이다.
본 발명의 일실시예에 따른 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템에 대하여 도 1을 참조하여 설명하면 다음과 같다.
도 1은 본 발명의 특징적인 양상에 따른 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템(100)을 개념적으로 도시한 전체 구성도이다.
본 발명의 일실시예에 따른 컬러 클러스터링 시스템(100)은 입력된 이미지로부터 이미지 내의 컬러를 구분하여 각각의 컬러 클러스터를 생성하는 컬러 특징 공간 생성부(110), 상기 컬러 특징 공간 생성부(110)를 통해 생성된 각각의 컬러 클러스터를 텐서 보팅하는 텐서 보팅부(120), 및 상기 텐서 보팅된 각각의 컬러 클러스터를 분석하여 세분화하는 컬러 공간 분석 및 세분화부(130)를 포함한다.
첫째로, 상기 컬러 특징 공간 생성부(110)의 세부 구성을 살피면, 사용자가 입력한 이미지를 그레이스케일 이미지(grayscale image)로 변환하는 이미지 변환 모듈(111)과, 상기 이미지 변환 모듈(111)로부터 변환된 이미지에 엣지 검출 방법을 사용하여 배경과 대상물을 구분하기 위한 엣지 검출 모듈(112)을 포함한다.
구체적으로, 상기 이미지 변환 모듈(111)에 대하여 설명하면 다음과 같다.
다 컬러를 가진 이미지는 RGB, HSV와 같은 다차원 컬러 특징 공간에 그 이미지를 삽입함으로써, 컬러 특징 공간 생성을 하기 시작한다
이러한 컬러 특징 공간은 클러스터를 분리함으로써 구분된다.
RGB 컬러 공간에 텍스트의 이미지를 삽입하면, 텍스트의 이미지는 L,a*,b* 라는 컬러 균등 공간 안에서 대응되는 그레이스케일 이미지로 변환된다.
이러한 그레이스케일 이미지 변환은 텐서 보팅을 수행하기 위함이다.
한편, 상기 두 컬러 성분 a*와 b*는 고르지 않은 조명의 영향을 감소하기 위한 컬러 특징 공간으로 사용된다.
구체적으로, 상기 엣지 검출 모듈(112)에 대하여 설명하면 다음과 같다.
상기 이미지 변환 모듈로부터 입력된 이미지가 그레이스케일 이미지로 변환되면 엣지 검출을 시작한다.
왜냐하면 객체 경계 픽셀(pixels)의 컬러는 실제 컬러가 아니기 때문에 만약 픽셀의 모든 값을 적용한다면, 대상물과 배경의 섞임 또는 대상물이 작은 조각으로 세분화되는 등의 예상치 못한 결과가 나올 수 있기 때문이다.
이러한 경계 픽셀의 영향을 예방하기 위해, 균질 지역(homogeneous region)의 픽셀만이 고려된다.
이러한 균질 지역의 픽셀만 고려하기 위하여, 엣지 검출 방법 중 일태양인 소벨 엣지(Sobel edge)의 첫번째 엣지 크기
Figure 112010067176440-pat00011
은 다음의 수학식 1에 의하여 입력 이미지의 그레이스케일 이미지 I로 계산된다.
[수학식 1]
Figure 112010067176440-pat00012
(여기서 x는 x축, y는 y축 값을 나타내며, I는 그레이스케일 이미지를 뜻한다.)
한편 비 경계 픽셀(non-boundry pixels)은 3x3 Windows 내에서 최소의 엣지 크기 값을 갖는 픽셀로 간주된다.
도 2는 원본 입력 이미지와 샘플 이미지의 a*와 b* 컬러 분포를 도시하고 있으며, 구체적으로 도 2(a)는 원본 이미지, 도 2(b)는 샘플 이미지, 도 2(c)은 도 2(a)의 컬러 분포, 도 2(d)는 도 2(b)의 컬러 분포를 나타낸다.
도 2(b)의 샘플 이미지를 보면, 픽셀의 작은 개수만이 고려되었기에 도 2(b)에 도시된 바와 같이 컬러 클러스터는 잘 분리되고 있으며 복잡성은 감소된다.
이상, 컬러 특징 공간 생성은 사용자에 의해 입력된 이미지를 컬러 클러스터링하기 위하여 그레이스케일 이미지 변환을 하여 엣지를 검출한 후, 이미지 후보영역, 즉 컬러 특징 공간을 생성한다.
둘째로, 상기 텐서 보팅부(120)의 세부 구성을 살피면, 상기 컬러 특징 공간 생성부(110)에서 생성된 각각의 컬러 클러스터가 지니고 있는 컬러 특징 벡터를 두번째 차수의 텐서(second order tensor)로 인코딩(encoding)하기 위한 인코딩 모듈(121)과, 상기 인코딩 모듈(121)을 통해 생성된 텐서를 볼(ball) 형상 또는 스틱(stick) 형상으로 구분하기 위한 텐서 형상 구분 모듈(122)과, 형상이 구분 된 각각의 텐서의 구조를 다시 명확하게 조정하는 텐서 구조 재조정 모듈(123)과, 상기 텐서 구조 재조정 모듈(123)을 통해 명확히 생성된 텐서의 중심점(centroid)을 검출하는 중심점 검출 모듈(124)을 포함한다.
상기 텐서 보팅부(120)의 전체적인 목적, 기능 및 효과를 설명하기에 앞서, 일단 전반적인 개념에 대하여 설명한다.
텐서 보팅은 이미지의 토큰 중 보트 케스팅(vote casting)에 의해 지각 구조(perceptual structure)를 그룹핑하기 위한 프레임워크(framework)이다.
또한, 텐서 보팅은 USC(University of Southern Califonia)의 컴퓨터 비전 그룹에 의해 개발된 통합 프레임워크로서, 2D, 3D, 심지어 N차원의 희미하고 잡음이 섞인 이진(binary) 데이터에서 표면이나 경계, 또는 곡선이나 곡선의 교차점에 대한 표시를 생성하는데 사용된다.
이러한 텐서 보팅은 입력 데이터, 즉 토큰(tokens)을 대칭 텐서로 표현하고 각 토큰들 간의 통신을 위한 보팅 방법으로 이루어진, 컴퓨터 비전 분야의 다양한 문제를 다룰 수 있는 통합된 추론체계이다.
텐서라 함은 벡터의 개념을 확장한 기하학적 양으로, 타원 또는 타원체의 형태로 표현할 수 있으며, 이러한 텐서는 입력 데이터(토큰)의 특성을 나타내며 보팅을 통하여 정교한 텐서로 재표현할 수 있다.
보트(vote)라 함은 접선 벡터나 법선 벡터에 의한 하나의 방향 성분으로 정의할 수 있다.
구체적으로, 상기 인코딩 모듈(121)에 대하여 설명하면 다음과 같다.
텐서 보팅은 선행 섹션 안에서 생성된 컬러 특징 공간에 적용된다.
각각의 컬러 클러스터 안의 컬러 특징 벡터는 두번째 차수의 텐서(second order tensor)로 인코딩된다.
2차원에서, 이렇게 인코딩된 텐서들은 2x2 행렬로서 분석적으로 나타나며, 타원으로서 기하학적으로 나타난다.
구체적으로, 텐서 형상 구분 모듈(122)에 대하여 설명하면 다음과 같다.
상기 인코딩된 텐서의 타원 형상은 클러스터의 대표되는 구조의 타입을 나타내며, 타원의 크기는 이러한 정보의 확실성을 나타낸다.
예를 들어, 볼 텐서는 고립된 포인트를 나타내며, 스틱 텐서는 커브 부분이 속하는 토큰을 나타낸다.
고유벡터
Figure 112010067176440-pat00013
와 고유값
Figure 112010067176440-pat00014
가 있는 일반 텐서 T는 다음과 같은 [수학식 2]에 의해 스틱(stick)과 볼(ball) 구성으로 분해될 수 있다.
[수학식 2]
Figure 112010067176440-pat00015
(여기서
Figure 112010067176440-pat00016
는 각각 법선 벡터와 접선 벡터를 나타내며,
Figure 112010067176440-pat00017
는 텐서의 고유값을 나타낸다. 또한
Figure 112010067176440-pat00018
와
Figure 112010067176440-pat00019
는 2D에서 스틱(stick) 텐서와 볼(ball) 텐서를 나타내며, 각각의 돌출도(sailency)는
Figure 112010067176440-pat00020
와
Figure 112010067176440-pat00021
이다.)
구체적으로, 상기 텐서 구조 재조정 모듈(123)에 대하여 설명하면 다음과 같다.
상기 텐서는 텐서 형상 구분 모듈(122)로부터 초기화된 형상과 크기를 가지고 점차적으로 특정 보팅 필드(voting field) σ안에서 다른 이웃 토큰으로부터 캐스트 보트의 축적으로 인해 변형된다. 보팅 필드의 스케일, 즉 σ는 보팅 이웃의 크기와 보트의 세기를 컨트롤한다.
상호 보트들은 크기와 방향정보를 포함하여 되받는다.
되받는 입장에서, 받은 보트의 세기는 다음과 같은 [수학식3] 안의 감소 함수(decay function)에 의해 계산된다.
[수학식 3]
Figure 112010067176440-pat00022
(여기서 s는 호의 길이, k는 곡률, 그리고 c는 상수이다.)
받은 보트 방향은 보터(voter)와 수신자(recipient) 사이의 완만한 커브의 법선이다.
이웃 토큰으로부터 보트를 받은 후, 텐서의 형상이 더욱 구체화되는 결과, 이러한 결과 텐서는 컬러 특징 공간을 분석하고, 컬러 클러스터링을 수행하기 위하여 사용될 수 있다.
구체적으로, 상기 중심점 검출 모듈(124)에 대하여 설명하면 다음과 같다.
상기 중심점 검출 묘듈(124)은, 텐서 구조 재조정 모듈(123)로 인해 형상이 명확해진 클러스터를 가지고, 엣지 검출 방법을 사용하여 중심점을 검출한다.
이상, 텐서 보팅부(120)에서는 상기 컬러 특징 공간 생성을 거친 다수의 컬러 클러스터가 상기 텐서 보팅을 통하여 중심점(centroid)을 추출한 컬러 클러스터를 가지고 다음 프로세스인 컬러 공간 분석 및 세분화부(130)로 진입한다.
마지막으로, 상기 컬러 공간 분석 및 세분화부(130)를 살피면, 상기 중심점 검출 모듈(124)로부터 검출된 중심점을 이용하여 각각의 컬러 클러스터의 구조를 분석하고 지배적인 컬러의 갯수(number of dominent colors)를 측정하는 컬러 클러스터 분석 모듈(131), 및 상기 클러스터 분석 모듈(131)로부터 분석된 지배적인 컬러의 갯수로부터 지역 최대값(local maxima)을 파악한 뒤에 가짜 최대값을 제거하여 효과적인 컬러 클러스터링을 하기 위한 세분화 모듈(132)을 포함한다.
구체적으로, 컬러 클러스터 분석 모듈(131)에 대하여 설명하면 다음과 같다.
컬러 클러스터의 중심점 가까이에 놓인 토큰은 다른 위치에 대응되는 토큰에 비해 더 많은 보트를 받을 것으로 예상되므로, 중심점에 위치한 결과 텐서는 그렇지 아니한 텐서보다 많은 정보를 전달함에 있어 더 크다.
한편, 중심점에서의 토큰의 형상은 컬러 클러스터의 일반적인 형상을 나타낸다.
결과적으로, 결과 텐서의 형상과 크기는 데이터 클러스터를 분석하는데 사용할 수 있다.
이러한 아이디어를 보여주기 위해, 컬러 특징 공간의 단순화된 데이터가 도 3(a)에 도시된다.
한편, 토큰은 두번째 차수의 텐서에 의해 인코딩된다.
이러한 보팅 프로세스는 텐서 간의 정보를 캐스팅 함으로서 수행된다.
중심점 근방에 놓인 토큰은 이웃 토큰으로부터 많은 지원을 받을 수 있기 때문에 도 3(b)의
Figure 112010067176440-pat00023
맵(map)에 보여지는 것처럼 대응 텐서들은 크다.
텐서 보팅에 의해,
Figure 112010067176440-pat00024
맵에 의한 데이터 밀도를 추정할 수 있을 뿐만이 아니라, 도 3(c)의
Figure 112010067176440-pat00025
, 즉 스틱 성분 맵에 의한 컬러 클러스터의 구조를 분석할 수 있다.
예를 들어, 둥근 클러스터의 중심점에 대응하는 텐서들은 둥근 경향이 있다. 따라서 이들의 스틱 돌출값(saliency values)은 작다.
반면에 긴 클러스터의 중심점에 대응하는 텐서의 스틱 성분은 높다.
한편, 중심점에 대응하는 텐서의 법선 벡터
Figure 112010067176440-pat00026
은 클러스터의 법선 방향을 나타낸다.
구체적으로, 상기 세분화 모듈(132)을 설명하면 다음과 같다.
상기 컬러 클러스터 분석 모듈(131)로부터 분석된 지배적인 컬러의 갯수는
Figure 112010067176440-pat00027
맵 안의 지역 최대값의 갯수와 동일하다.
지역 최대값은 수직, 수평, 그리고 대각선 방향에서 발견된다.
한편, 최대값의 위치는 중심점의 위치로도 사용 가능하지만, 많은 가짜 최대값이 결과에 포함될 수 있는데
Figure 112010067176440-pat00028
맵이 완만하지 않기 때문이다.
다행히 이러한 가짜 최대값은 쉽게 제거될 수 있다.
M(엣지 검출 방법의 첫번째 엣지 크기)이라는 각각의 큰 값에 대하여, 만약 검사 범위 안에서 큰 값을 갖는 다른 최대값이 있을 경우, M은 가짜 최대값으로 간주되며, 그렇기에 제거될 것이다.
이 경우, 검사범위를 변경하여 그 결과를 조정할 수 있다. 체크범위가 작을 수록, 추출할 수 있는 최대치의 갯수는 커진다. 체크범위는 실험에서 보팅 범위, 즉 σ와 같은 값을 설정할 수 있다.
상기 클러스터링 프로세스에서의 데이터 구조를 이용하기 위하여, 각 클러스터는 그것의 평균이 중심점에 위치한 가우스 분포(the Gaussian distributions)에 의해 표시될 수 있다.
각 축의 표준편차는 중심점에 위치한 각 텐서의 고유값에 비례한다.
도 3(d)는 도 3(a)의 세 개의 클러스터에 대한 가우스 분포를 보여준다.
특징 공간 안의 특징 벡터 x를 클러스터 k를 위한 가우스 베이이스 분류기(Gaussian Bayes Classifier)는 다음과 같다.
Figure 112010067176440-pat00029

만약 특징 공간 안의 모든 위치에서 컬러의 분포가 같다고 가정한다면, 특징 벡터
Figure 112010067176440-pat00030
를 최대화하는 클러스터 k로 클러스터링 된다.
도 3(e)는 중심점과의 거리 및 클러스터의 형상을 사용하는 것에 의해 얻어진 클러스터링 된 결과를 보여준다.
이하 본 발명의 일실시예에 따른 컬러 클러스터링 시스템을 이용한 결과와 종래 기술들을 이용한 결과를 비교하면 다음과 같다.
도 4는 본 발명과 K-means 방법의 컬러 클러스터링 사이에 다수의 컬러 텍스트 이미지 세분화의 결과에 대한 비교 결과를 보여준다.
K-means 방법의 경우, 클러스터의 갯수, 즉 K는 10겹 교차 검증(10-fold cross validation)에 의해 추정된다.
세분화된 이미지로부터, 배경요소와 노이즈(noise) 구간은 텍스트에서 추출되어 제거된다.
배경 요소들은 이미지 경계를 터치하는 많은 픽셀을 가지는 구성요소이다.
노이즈 구성 요소는 보통 흩어진 픽셀 또는 작은 넓이의 스트로크(stroke)를 포함한다.
잔여 텍스트 세분화가 최종적인 이진(binary) 텍스트 이미지를 생성함에 사용된다.
K-means 방법은 텍스트 이미지를 너무 많이 세분화하기 때문에, 배경이 많은 배경은 많은 다른 영역으로 나뉘어진다.
따라서 이렇게 세분화된 이미지로부터 텍스트를 추출하는 것은 쉽지 않다.
실험 결과는 본 발명이 정확한 지배적인 컬러의 갯수 및 좋은 세분화 이미지를 생성할 수 있음을 보여준다.
도 5는 The mean shift 방법과 본 발명에 의해 생성된 이미지의 일부를 나타낸다.
본 발명은 세분화 품질의 측면에서 이미지 컬러 세분화의 수행을 위한 The mean shift 방법과 비교된다.
여기서 클러스터의 갯수가 본 발명에 의해 추정되어지는 지배적인 컬러의 갯수와 비슷하도록 The mean shift 방법에서 h 파라미터의 대역폭(bandwidth)을 조정한다.
The mean shift 방법 역시 컬러 성분 a*와 b* 를 적용한다.
본 발명은 명확하게 객체를 분리하고, The mean shift 방법보다 더 나은 결과를 생성한다.
K-means 방법과 비교하건데, 본 발명은 지배적인 컬러의 갯수를 자동적으로 추정할 수 있다.
도 6은 K-means 방법에 의할 경우, 동일한 입력 이미지와 동일한 K값을 위한 결과가 제각기 다른 결과를 생성하는 것을 보여준다.
이러한 결과는 전술한데로 K-means 방법이 무작위의 초기 위치 선정에 의해 각 수행결과를 동일하게 생성하지 못할 수 있기 때문이다.
다만 본 발명을 사용한다면 동일하고 안정적인 결과를 달성할 수 있다.
마지막으로 도 7은, 보팅 범위 σ에 본 발명이 민감하지 않다는 것을 보여는데, 보이는 바와 같이 보팅 범위 σ의 값을 변경하여도 유사한 결과를 달성할 수 있다.
컬러 성분 a*와 b*의 데이터 범위 0~255에서, 보팅 범위 σ=30은 대부분의 경우에 만족스러운 결과를 나타낸다.
상술한 구성을 갖는 본 발명의 일실시예에 따른 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템(100)을 이용한 텐서 보팅에 기반을 둔 컬러 클러스터링 방법에 관하여 설명하면 다음과 같다.
도 8은 본 발명의 특징적인 양상에 따른 텐서 보팅에 기반을 둔 컬러 클러스터링 방법의 전체 흐름도로서, 컬러 특징 공간 생성부(110)가 입력된 이미지로부터 이미지 내의 컬러를 구분하여 각각의 컬러 클러스터를 생성하는 컬러 특징 공간 생성 과정(S100), 텐서 보팅부(120)가 상기 컬러 특징 생성 과정(S100)을 통해 생성된 각각의 컬러 클러스터를 텐서 보팅하는 텐서 보팅 과정(S200), 그리고 컬러 공간 분석 및 세분화 부가 상기 텐서 보팅된 각각의 컬러 클러스터를 분석하여 세분화하는 컬러 공간 분석 및 세분화 과정(S300)을 포함하여 도시되어 있다.
도 9 내지 도 11을 참조하여 보다 구체적으로 텐서 보팅에 기반을 둔 컬러 클러스터링 방법의 세부 과정을 살피면 다음과 같다.
도 9는 컬러 특징 공간 생성 과정(S100)의 세부 흐름도로서 그 흐름을 살펴보면, 이미지 변환 모듈(111)은 컬러 클러스터링을 수행하기 위하여 입력된 이미지를 그레이스케일 이미지로 변환하고(S110), 엣지 검출 모듈(112)은 상기 이미지 변환 단계(S110)에서 변환된 이미지를 가지고 배경과 대상물을 구분하기 위하여 엣지 검출을 한다(S120).
도 10은 텐서 보팅 과정(S200)의 세부 흐름도로서 그 흐름을 살펴보면, 인코딩 모듈(121)이 컬러 특징 공간 생성부(110)에서 생성된 각각의 컬러 클러스터가 지니고 있는 컬러 특징 벡터를 두번째 차수의 텐서로 인코딩하며(S210), 텐서 형상 구분 모듈(122)이 상기 인코딩 모듈(121)을 통해 생성된 텐서를 볼 형상 또는 스틱 형상으로 구분하고(S220), 텐서 구조 재조정 모듈(123)이 형상이 구분된 각각의 텐서의 구조를 다시 조정하며(S230), 그리고 중심점 검출 모듈(124)이 상기 텐서 구조 재조정 모듈(123)을 통해 생성된 텐서를 통해 중심점을 검출한다(S240).
도 11은 컬러 공간 분석 및 세분화 과정(S300)의 흐름도로서 그 흐름을 살피면, 컬러 클러스터 분석 모듈(131)이 상기 중심점 검출 모듈(124)로부터 검출된 각각의 컬러 클러스터의 구조를 분석하며 지배적인 컬러의 갯수를 측정하고(S310), 세분화 모듈(132)은 상기 클러스터 분석 모듈(131)로부터 분석된 지배적인 컬러의 갯수를 가지고 지역 최대값을 파악하며(S320), 이러한 가짜 최대값을 제거하여 효과적인 컬러 클러스터링을 하기 위한 단계(S330)를 거친다.
이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 단지 이에 국한되는 것만이 아니며, 출원시를 기준으로 본 발명의 기술적 사상의 범주를 일탈함 없이 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서 본 발명의 기술적 범위 및 균등범위는 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.
110: 컬러 특징 공간 생성부 111: 이미지 변환 모듈
112: 엣지 검출 모듈 120: 텐서 보팅부
121: 인코딩 모듈 122: 텐서 형상 구분 모듈
123: 텐서 구조 재조정 모듈 124: 중심점 검출 모듈
130: 컬러 공간 분석 및 세분화부 131: 컬러 클러스터 분석 모듈
132: 세분화 모듈

Claims (12)

  1. 입력된 이미지로부터 이미지 내의 컬러를 구분하여 각각의 컬러 클러스터를 생성하는 컬러 특징 공간 생성부;
    상기 컬러 특징 공간 생성부에서 생성된 각각의 컬러 클러스터를 텐서 보팅하는 텐서 보팅부; 및
    상기 텐서 보팅부에서 텐서 보팅된 각각의 컬러 클러스터를 분석하여 세분화하는 컬러 공간 분석 및 세분화부; 를 포함하되,
    상기 컬러 특징 공간 생성부는,
    사용자가 입력한 이미지를 컬러 클러스터링하기 위해 그레이스케일 이미지로 변환하는 이미지 변환 모듈; 및
    상기 이미지 변환 모듈로부터 변환된 이미지를 엣지 검출 방법을 사용하여 배경과 대상물을 구분하기 위한 엣지 검출 모듈; 을 포함하는 것을 특징으로 하는 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 텐서 보팅부는,
    상기 컬러 특징 공간 생성부에서 생성된 각각의 컬러 클러스터가 지니고 있는 컬러 특징 벡터를 두번째 차수의 텐서로 인코딩하기 위한 인코딩 모듈;
    상기 인코딩 모듈을 통해 생성된 텐서를 볼 형상 또는 스틱 형상으로 구분하기 위한 텐서 형상 구분 모듈;
    상기 텐서 형상 구분 모듈로부터 형상이 구분된 각각의 텐서의 구조를 다시 조정하는 텐서 구조 재조정 모듈; 및
    상기 텐서 구조 재조정 모듈을 통해 조정된 텐서의 중심점을 검출하는 중심점 검출 모듈; 을 포함하는 것을 특징으로 하는 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템.
  4. 제1항에 있어서,
    상기 컬러 공간 분석 및 세분화부는,
    상기 텐서 보팅부로부터 검출된 중심점을 이용하여 각각의 컬러 클러스터의 구조를 분석하고 지배적인 컬러의 갯수를 측정하는 컬러 클러스터 분석 모듈;
    상기 컬러 클러스터 분석 모듈로부터 분석된 지배적인 컬러의 갯수로부터 지역 최대값을 파악한 뒤에 가짜 최대값을 제거하여 효과적인 컬러 클러스터링을 하기 위한 세분화 모듈; 을 포함하는 것을 특징으로 하는 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템.
  5. 컬러 특징 공간 생성부, 텐서 보팅부, 그리고 컬러 공간 분석 및 세분화부를 포함하는 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템을 이용한 텐서 보팅에 기반을 둔 컬러 클러스터링 방법에 있어서,
    상기 컬러 특징 공간 생성부가 입력된 이미지로부터 이미지 내의 컬러를 구분하여 각각의 컬러 클러스터를 생성하는 컬러 특징 공간 생성 과정;
    상기 텐서 보팅부가 상기 컬러 특징 공간 생성 과정을 통해 생성된 각각의 컬러 클러스터를 텐서 보팅하는 텐서 보팅 과정; 및
    상기 컬러 공간 분석 및 세분화부가 상기 텐서 보팅된 각각의 컬러 클러스터를 분석하여 세분화하는 컬러 공간 분석 및 세분화 과정; 을 포함하되,
    상기 컬러 특징 공간 생성 과정은,
    상기 컬러 특징 공간 생성부가 사용자가 입력한 이미지를 컬러 클러스터링하기 위해 그레이스케일 이미지로 변환하는 이미지 변환 단계; 및
    상기 컬러 특징 공간 생성부가 상기 이미지 변환 단계로부터 변환된 이미지를 가지고 배경과 대상물을 구분하기 위하여 엣지 검출을 수행하는 엣지 검출 단계; 를 포함하는 것을 특징으로 하는 텐서 보팅에 기반을 둔 컬러 클러스터링 방법.
  6. 삭제
  7. 제5항에 있어서,
    상기 엣지 검출 단계는,
    경계 픽셀로 인한 오류를 방지하기 위하여 균질 지역의 픽셀만 고려하되, 비경계 픽셀은 최소 엣지 크기 값을 가지는 픽셀로 간주하는 것을 특징으로 하는 텐서 보팅에 기반을 둔 컬러 클러스터링 방법.
  8. 제7항에 있어서,
    상기 균질 지역의 픽셀을 고려할 때, 이를 위한 엣지 검출 방법의 첫번째 엣지 크기
    Figure 112010067176440-pat00031
    는 다음의 수학식에 의해 계산되는 것을 특징으로 하는 텐서 보팅에 기반을 둔 컬러 클러스터링 방법.
    Figure 112010067176440-pat00032

    (여기서 x는 x축, y는 y축 값을 나타내며, I는 그레이스케일 이미지를 뜻한다.)
  9. 제5항에 있어서,
    상기 텐서 보팅 과정은,
    상기 텐서 보팅부가 컬러 특징 공간 생성부에서 생성된 각각의 컬러 클러스터가 지니고 있는 컬러 특징 벡터를 두번째 차수의 텐서로 인코딩하는 인코딩 단계;
    상기 텐서 보팅부가 상기 인코딩 단계를 통해 생성된 텐서를 볼 형상 또는 스틱 형상으로 구분하는 텐서 형상 구분 단계;
    상기 텐서 보팅부가 상기 텐서 형상 구분 단계를 통해 형상이 구분된 각각의 텐서의 구조를 각각의 보팅 필드의 스케일 σ에 의해 이웃 토큰으로부터 상호 간 크기와 방향 정보를 포함한 캐스트 보트의 축적을 통해 다시 조정하는 텐서 구조 재조정 단계; 및
    상기 텐서 보팅부가 상기 텐서 구조 재조정 단계를 통해 생성된 텐서의 중심점을 검출하는 중심점 검출 단계; 를 포함하는 것을 특징으로 하는 텐서 보팅에 기반을 둔 컬러 클러스터링 방법.
  10. 제9항에 있어서,
    상기 텐서 형상 구분 단계는,
    텐서 T를 다음의 수학식에 의해 텐서의 형상을 구분하는 것을 특징으로 하는 텐서 보팅에 기반을 둔 컬러 클러스터링 방법.
    Figure 112010067176440-pat00033

    (여기서
    Figure 112010067176440-pat00034
    는 각각 법선 벡터와 접선 벡터를 나타내며,
    Figure 112010067176440-pat00035
    는 텐서의 고유값을 나타낸다. 또한
    Figure 112010067176440-pat00036
    와
    Figure 112010067176440-pat00037
    는 2차원에서 스틱(stick) 텐서와 볼(ball) 텐서를 나타내며, 각각의 돌출도(sailency)는
    Figure 112010067176440-pat00038
    와
    Figure 112010067176440-pat00039
    이다.)
  11. 제9항에 있어서,
    상기 텐서 구조 재조정 단계는,
    이웃 토큰으로부터 받은 보트의 세기를 계산함에 있어, 다음의 수학식을 이용하는 것을 특징으로 하는 텐서 보팅에 기반을 둔 컬러 클러스터링 방법.
    Figure 112010067176440-pat00040

    (여기서 s는 호의 길이, k는 곡률, 그리고 c는 상수이다.)
  12. 제5항에 있어,
    상기 컬러 공간 분석 및 세분화 과정은,
    상기 컬러 공간 분석 및 세분화부가 중심점으로부터 컬러 클러스터의 구조를 분석하고 지배적인 컬러의 갯수를 파악하는 컬러 클러스터 분석 단계;
    상기 컬러 공간 분석 및 세분화부가 상기 컬러 클러스터 분석 단계로부터 분석된 지배적인 컬러의 갯수로부터 지역 최대값을 파악하는 단계; 및
    상기 컬러 공간 분석 및 세분화부가 상기 파악된 지역 최대값을 이용하여 가짜 최대값을 제거하는 단계; 를 포함하는 것을 특징으로 하는 텐서 보팅에 기반을 둔 컬러 클러스터링 방법.











KR1020100101495A 2010-10-18 2010-10-18 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법 KR101151739B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020100101495A KR101151739B1 (ko) 2010-10-18 2010-10-18 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법
PCT/KR2011/007765 WO2012053811A2 (ko) 2010-10-18 2011-10-18 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100101495A KR101151739B1 (ko) 2010-10-18 2010-10-18 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20120040004A KR20120040004A (ko) 2012-04-26
KR101151739B1 true KR101151739B1 (ko) 2012-06-15

Family

ID=45975721

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100101495A KR101151739B1 (ko) 2010-10-18 2010-10-18 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법

Country Status (2)

Country Link
KR (1) KR101151739B1 (ko)
WO (1) WO2012053811A2 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020163742A1 (en) 2019-02-08 2020-08-13 Photon-X, Inc. Integrated spatial phase imaging
WO2021030454A1 (en) * 2019-08-12 2021-02-18 Photon-X, Inc. Data management system for spatial phase imaging
WO2021067665A2 (en) * 2019-10-03 2021-04-08 Photon-X, Inc. Enhancing artificial intelligence routines using 3d data
CN111476831B (zh) * 2020-03-20 2023-07-18 清华大学 基于聚类分析的pcb图像色彩迁移装置及方法
CN113591981B (zh) * 2021-07-30 2024-02-09 上海建工四建集团有限公司 基于人工智能的既有水磨石信息查勘方法及系统
CN113643399B (zh) * 2021-08-17 2023-06-16 河北工业大学 基于张量链秩的彩色图像自适应重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7123745B1 (en) * 1999-11-24 2006-10-17 Koninklijke Philips Electronics N.V. Method and apparatus for detecting moving objects in video conferencing and other applications

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
논문1:가을 학술발표논문집 *
논문1:가을 학술발표논문집*
논문2:IEEE *
논문3:정보과학회논문지 *
논문4:IEEE *

Also Published As

Publication number Publication date
WO2012053811A9 (ko) 2012-08-02
WO2012053811A3 (ko) 2012-06-14
WO2012053811A2 (ko) 2012-04-26
KR20120040004A (ko) 2012-04-26

Similar Documents

Publication Publication Date Title
Garcia-Lamont et al. Segmentation of images by color features: A survey
US10839510B2 (en) Methods and systems for human tissue analysis using shearlet transforms
JP6000455B2 (ja) フォーム認識方法及びフォーム認識装置
US8818099B2 (en) Document image binarization and segmentation using image phase congruency
EP3101594A1 (en) Saliency information acquisition device and saliency information acquisition method
CN105205486B (zh) 一种车标识别方法及装置
KR101151739B1 (ko) 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
US9740965B2 (en) Information processing apparatus and control method thereof
US9443137B2 (en) Apparatus and method for detecting body parts
CN102073841A (zh) 一种不良视频检测方法及装置
Pamplona Segundo et al. Pore-based ridge reconstruction for fingerprint recognition
De Automatic data extraction from 2D and 3D pie chart images
CN110348307B (zh) 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统
CN112949634B (zh) 一种铁路接触网鸟窝检测方法
US10893167B2 (en) Extracting a document page image from a electronically scanned image having a non-uniform background content
US7231086B2 (en) Knowledge-based hierarchical method for detecting regions of interest
JP2013080389A (ja) 消失点推定方法、消失点推定装置及びコンピュータプログラム
CN109460763B (zh) 一种基于多层次文本组件定位与生长的文本区域提取方法
KR101473991B1 (ko) 얼굴 검출 방법 및 그 장치
JP2017084006A (ja) 画像処理装置およびその方法
Dinh et al. Tensor voting based color clustering
Gim et al. A novel framework for white blood cell segmentation based on stepwise rules and morphological features
Felhi et al. Multiscale stroke-based page segmentation approach
CN116563659A (zh) 一种结合先验知识和特征分类的光学烟雾检测方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160405

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20170508

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee