KR101463354B1 - 초분광 영상의 특이영역 검출 장치 및 그 방법 - Google Patents

초분광 영상의 특이영역 검출 장치 및 그 방법 Download PDF

Info

Publication number
KR101463354B1
KR101463354B1 KR1020130125964A KR20130125964A KR101463354B1 KR 101463354 B1 KR101463354 B1 KR 101463354B1 KR 1020130125964 A KR1020130125964 A KR 1020130125964A KR 20130125964 A KR20130125964 A KR 20130125964A KR 101463354 B1 KR101463354 B1 KR 101463354B1
Authority
KR
South Korea
Prior art keywords
feature
band
detection
feature information
information
Prior art date
Application number
KR1020130125964A
Other languages
English (en)
Inventor
심민섭
김성호
장자순
Original Assignee
영남대학교 산학협력단
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 영남대학교 산학협력단 filed Critical 영남대학교 산학협력단
Priority to KR1020130125964A priority Critical patent/KR101463354B1/ko
Application granted granted Critical
Publication of KR101463354B1 publication Critical patent/KR101463354B1/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

본 발명은 초분광 영상의 특이영역 검출 장치 및 그 방법에 관한 것이다. 본 발명에 따른 특이영역 검출 장치는, 초분광 카메라로 촬영된 초분광 영상을 입력 받는 입력부; 상기 초분광 영상으로부터 분광정보를 추출하고, 검출률에 기반하여 상기 추출된 분광정보로부터 특징 밴드를 선택하는 특징 밴드 선택부; 상기 선택된 특징 밴드에 밴드비(band ratio) 기법을 적용하여 상기 선택된 특징 밴드에서 특징 정보를 추출하는 특징 정보 추출부; 상기 추출된 분광정보에 학습기를 적용하여 상기 검출률을 획득하고, 상기 추출된 특징 정보를 학습시키는 학습부; 상기 학습된 특징 정보를 저장하는 특징 정보 데이터 베이스; 상기 특징 정보 데이터 베이스를 기초로 입력된 타겟 영상에서 특이영역을 검출하는 특이영역 검출부를 포함한다.
이와 같이 본 발명에 따르면, 검출률 기반 시뮬레이티드 어닐링 알고리즘으로 특징 밴드를 선택함으로써 전체 파장 영역을 사용하는 것과 비교하여 처리 데이터의 용량 및 데이터 처리 시간을 줄임으로써 특이영역 검출 장치 및 방법의 성능을 향상 시킬 수 있다. 또한, 밴드비(band ratio) 기법으로 밴드들의 상대적인 값을 도출함으로써 조명의 변화에도 불구하고 변함 없는 특이영역을 효과적으로 검출할 수 있다.

Description

초분광 영상의 특이영역 검출 장치 및 그 방법{APPARATUS FOR TARGET DETECTION OF HYPERSPECTRAL IMAGE AND METHOD THEREOF}
본 발명은 초분광 영상에서 특이영역을 검출하는 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 입력된 초분광 영상에서 임의의 특징 밴드를 선택하여 데이터 베이스를 구성하는 학습과정을 거쳐서 조명 변화에 강건한 특이영역을 검출하는 장치 및 그 방법에 관한 것이다.
초분광 영상의 정의는 영상을 구성하는 각 화소에 해당하는 지표물의 완전한 분광 특성 곡선(spectral reflectance curve)을 얻을 수 있는 자료하고 할 수 있다. 초분광 영상은 분광 밴드가 많고(many), 연속적이고(continuous), 파장폭이 좁은(narrow) 세가지 특징으로 정의될 수 있는 영상이다.
지난 100여 년 동안 화학, 생물학, 천문학 등에서 대상물체의 특성을 구명하기 위한 수단으로 분광계(spectrometer, spectro-radiometer)를 사용해 왔고, 원격탐사 분야에서도 실험실이나 야외에서 다양한 지표물의 분광 반사곡선을 측정하기 위하여 분광계를 사용하고 있다. 분광계가 하나의 물체에서 하나의 분광곡선을 측정할 수 있는 반면에 초분광 영상은 영상을 구성하는 모든 화소마다 분광 특성곡선을 얻을 수 있으며, 이를 이용하여 각 화소에 해당하는 목표물과 관련된 정보를 추출하는데 사용된다.
다중 분광 영상과 달리 초분광 영상은 수백 개 밴드의 대용량 자료이며 영상에서 정보를 획득하는 과정이 다를 수 있으므로, 기존의 다중 분광 영상에 적용되던 처리 기법과 다른 형태의 자료 처리 과정이 요구된다.
초분광 영상에 관한 자료 처리 과정으로서 밴드추출 또는 선택(feature extraction or selection)등의 기법이 사용된다. 초분광 영상은 2차원의 공간정보와 각 화소의 위치에 대한 분광 정보를 포함하는 분광 축이 들어감으로써 차원이 높아지는 특징이 있다. 일반적으로 비젼 분야에서는 이러한 차원을 줄이는 알고리즘으로 주성분 분석(principal component analysis), 아다부스트(adaboost), 시뮬레이티드 어닐링(simulated annealing) 알고리즘이 널리 사용된다.
아다부스트 알고리즘은 유사한 분광 특성이 아닌 경우 최적화된 밴드 선택이 어려우며, 분광특성의 상관관계를 이용한 시뮬레이티드 어닐링 알고리즘은 구현이 어려울 뿐만 아니라 2차 통계 값인 공분산 또는 상관관계 행렬을 계산하는 과정에서 처리 시간이 오래 걸리는 단점을 가지고 있다. 마지막으로 주성분 분석은 특징 밴드 선택을 하는 기법이 아니라 차원을 축소하는 기법으로 밴드(band ratio) 기법을 적용하지 못하는 한계를 가지고 있다.
본 발명의 배경이 되는 기술은 대한민국 등록특허공보 제10-1281873호(2011.06.27)에 기재되어 있다.
본 발명이 해결하고자 하는 과제는, 최적의 밴드를 선택하고 분광 특성에 있어서 조명변화에 강건한 특징을 부여하는 밴드비(band ratio) 기법을 적용한 새로운 특이영역 검출 장치 및 그 방법을 제안하기 위한 것으로, 시뮬레이티드 어닐링 알고리즘에 기초하여 최적의 성능을 나타내는 밴드를 추출하고, 추출된 밴드들로 밴드비(band ratio) 기법을 적용하여 특이영역을 검출하는 특이영역 검출 장치 및 그 방법을 제공하는 것이다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 장치는, 초분광 카메라로 촬영된 초분광 영상을 입력 받는 입력부; 상기 초분광 영상으로부터 분광정보를 추출하고, 검출률에 기반하여 상기 추출된 분광정보로부터 특징 밴드를 선택하는 특징 밴드 선택부; 상기 선택된 특징 밴드에 밴드 비(band ratio) 기법을 적용하여 상기 선택된 특징 밴드에서 특징 정보를 추출하는 특징 정보 추출부; 상기 추출된 분광정보에 SVM을 적용하여 상기 검출률을 획득하고, 상기 추출된 특징 정보를 학습시키는 학습부; 상기 학습된 특징 정보를 저장하는 특징 정보 데이터 베이스; 및 상기 특징 정보 데이터 베이스를 기초로 입력된 타겟 영상에서 특이영역을 검출하는 특이영역 검출부를 포함한다.
또한, 상기 특징 밴드 선택부는, 상기 검출률에 기초한 시뮬레이티드 어닐링 알고리즘을 이용하여 특징 밴드를 선택할 수 있다.
또한, 상기 특징 밴드 선택부는, 상기 시뮬레이티드 어닐링 알고리즘의 종료조건으로 다음의 수학식을 이용하는 초분광 영상의 특이영역 검출 장치:
P(T) = exp[-(ERcurr - ERnew)/T]
여기서, ERcurr 및 ERnew 는 현재의 검출에러율 및 새로운 검출에러율, T는 온도, P(T)는 시뮬레이티드 어닐링 알고리즘의 종료조건을 각각 나타낸다.
또한, 상기 특징 밴드 선택부는, 다음 수학식을 이용하여 검출률 및 검출에러율을 연산할 수 있다:
ER = 100 - DR
여기서, DR은 검출률, ER은 검출에러율을 각각 나타낸다.
본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 방법은, 초분광 카메라로 촬영된 초분광 영상을 입력 받는 단계; 학습부에서 상기 초분광 영상으로부터 분광정보를 추출하여 검출률을 획득하는 단계; 상기 검출률에 기반하여 상기 추출된 분광정보로부터 특징 밴드를 선택하는 단계; 상기 선택된 특징 밴드에 밴드 비(band ratio) 기법을 적용하여 상기 선택된 특징 밴드에서 특징 정보를 추출하는 단계; 상기 상기 추출된 특징 정보를 학습시켜 상기 학습된 특징 정보를 저장하는 단계; 및 상기 저장된 학습된 특징 정보를 기초로 입력된 타겟 영상에서 특이영역을 검출하는 단계를 포함할 수 있다.
본 발명인 특이영역 검출 장치 및 방법에 따르면, 검출률 기반 시뮬레이티드 어닐링 알고리즘으로 특징 밴드를 선택함으로써 전체 파장 영역을 사용하는 것과 비교하여 처리 데이터의 용량 및 데이터 처리 시간을 줄임으로써 특이영역 검출 장치 및 방법의 성능을 향상 시킬 수 있다.
또한, 밴드비(band ratio) 기법으로 밴드들의 상대적인 값을 도출함으로써 조명의 변화에도 불구하고 변함 없는 특이영역을 효과적으로 검출할 수 있다.
도 1은 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 시스템의 구성도이다.
도 2는 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 장치의 구성도이다.
도 3은 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 방법의 순서도이다.
도 4는 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 방법을 시뮬레이션한 검출에러율 수렴 결과를 나타내는 도면이다.
도 5는 본 발명의 실시예에 따른 각 객체들의 분광분포와 선택된 특징 밴드들의 밴드비 기법을 적용한 결과를 나타내는 도면이다.
도 6은 종래 기술과 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 방법을 적용한 특이영역 검출 결과 영상을 비교하여 나타낸 도면이다.
도 7은 도 6의 비교 결과를 표로 나타낸 도면이다.
이하에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
먼저 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 시스템에 대하여 설명한다.
도 1은 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 시스템의 구성도이다.
도 1에 나타낸 것처럼, 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 시스템은 특이영역 검출 장치(100), LED 조명장치(200), 초분광 카메라(300), 선형이동 스테이지(400)를 포함한다.
먼저, 특이영역 검출 장치(100)는 초분광 카메라(200)에서 촬영된 초분광 영상을 실시간 또는 사후적으로 입력받아 특이영역을 검출한다.
LED 조명장치(200)는 초분광 카메라(300)와 일체로 구비되거나 초분광 카메라(300)와 연결되어서 초분광 영상 촬영시에 조도를 조절할 수 있게 한다.
초분광 카메라(300)는 피사체에 해당하는 측정 대상에 대한 초분광 영상을 촬영한다.
선형이동 스테이지(400)는 초분광 카메라(100)의 선형이동을 진행한다.
본 발명의 실시예에 따른 시스템은 상기의 구성에 한정되는 것은 아니며, 형태와 구성요소가 변형되어 실시하는 것이 가능하다.
도 2는 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 장치의 구성도이다.
도 2에 나타낸 것처럼, 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 장치(100)는 입력부(110), 특징 밴드 선택부(120), 특징 정보 추출부(130), 학습부(140), 특징 정보 데이터 베이스(150) 및 특이영역 검출부(160)를 포함한다.
입력부(110)는 초분광 카메라로 촬영된 초분광 영상을 입력 받고, 특징 밴드 선택부(120)는 초분광 영상으로부터 분광정보를 추출하고, 검출률에 기반하여 특징 밴드를 선택한다.
특징 정보 추출부(130)는 특징 밴드에서 특징 정보를 추출하고, 학습부(140)는 상기 검출률을 획득하고, 추출된 특징 정보를 학습시켜 특징 정보 데이터 베이스(150)를 저장하도록 한다.
그리고 특이영역 검출부(160)는 특징 정보 데이터 베이스(150)를 기초로 입력된 타겟 영상에서 특이영역을 검출한다.
여기서 학습과정에서 입력되는 초분광 영상은 특징 정보 데이터 베이스 구축을 위한 샘플 영상에 해당하고, 실제 특이영역 검출의 대상이 되는 초분광 영상을 타켓 영상으로 명명한다. 또한 객체는 초분광 영상이 촬영된 피사체에 해당된다.
이하 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 방법에 대하여 설명한다.
도 3은 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 방법의 순서도이다.
도 3에 나타낸 것처럼, 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 방법은 학습과정(learning phase)과 검출과정(detetion phase)을 포함하여 구성된다.
먼저 학습과정에 있어서, 입력부(110)는 초분광 카메라로 촬영된 초분광 영상을 입력 받는다(S310). 여기서 입력되는 영상은 초분광 카메라로 촬영된 샘플 영상으로서 특징 정보 데이터 베이스 구축을 위해 입력되는 영상이다.
학습부(140)는 입력된 초분광 영상으로부터 분광정보를 추출하여 검출률을 획득한다(S320). 즉, 학습과정에서 학습부(140)는 학습기를 사용하여 추출된 분광정보로부터 검출률을 획득하는데, 여기서 사용되는 학습기로는 여러가지 커널 사용이 가능한 서포트 벡터 머신(support vector machine: SVM)뿐만 아니라 그 밖의 다양한 형태의 학습기가 사용될 수 있다. 여기서 SVM은 분류(classsification)와 회귀(regression)에 응용할 수 있는 지도학습(supervised learning)의 일종이다.
특징 밴드 선택부(120)는 학습부에서 획득한 검출률에 기반하여 추출된 분광정보로부터 특징 밴드를 선택한다(S330). 즉, 특징 밴드 선택부(120)는 학습부(140)에서 획득된 검출률에 기반하여 시뮬레이티드 어닐링 알고리즘에 의한 최적의 성능을 내는 특징 밴드를 선택한다. 이러한 과정을 통하여 전체 영상을 처리하는데 걸리는 연산 시간을 줄일 수 있다.
본 발명의 시뮬레이티드 어닐링 비용함수는 검출 에러 비율로서 다음 수학식 1을 사용한다.
Figure 112013095386649-pat00001
여기서, DR은 검출률, ER은 검출에러율을 각각 나타낸다. 상기 수학식 1에서 여러 객체의 검출에러율 결과를 평균한 결과를 쓸 수도 있으며 각각 객체의 검출에러율을 쓸 수도 있으며 다른 비용함수로 대체가 가능하다.
시뮬레이티드 어닐링은 현재의 검출에러비율 결과와 특징 밴드를 선택하여 학습기로 도출한 새로운 코스트 함수의 해를 구하여 비교한다. 현재까지 검출에러율이 가장 작다면 선택하며 이에 다른 선택 밴드들의 인덱스를 저장한다. 이들 해 중에서 가장 작은 해보다 더 작은 해가 있으면 더 작은 해를 업데이트하며, 그렇지 않으면 업데이트를 하지 않는다. 알고리즘 종료조건으로 최적의 수렴 식인 볼츠만 확률 분포식은 다음 수학식 2와 같다.
Figure 112013095386649-pat00002
여기서, ERcurr 및 ERnew 는 현재의 검출에러율 및 새로운 검출에러율, T는 온도, P(T)는 시뮬레이티드 어닐링 알고리즘의 종료조건을 각각 나타낸다. 만약 현재의 해와 새로운 해가 같거나 크다면 온도를 내리면서 시뮬레이티드 어닐링 알고리즘을 반복한다.
도 4는 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 방법을 시뮬레이션한 검출에러율 수렴 결과를 나타내는 도면이다.
도 4에 나타낸 것처럼, 가로축의 반복(Iteration) 횟수가 증가할수록 검출에러율이 점점 작아지는 것을 볼 수 있다. 1회부터 5회까지는 검출에러율이 완만하게 감소하다가 6회에서 급격하게 감소하는 것을 알 수 있다.
특징 정보 추출부(140)는 선택된 특징 밴드에 밴드비(band ratio) 기법을 적용하여 상기 선택된 특징 밴드에서 특징 정보를 추출한다(S340).
학습부는 상기 추출된 특징 정보를 학습시켜 학습된 특징 정보를 저장하여 특징 정보 데이터 베이스를 구축한다(S350).
이하 타겟 영상에 관한 검출과정에 대해서 설명한다.
검출과정은 상기 구축된 특징 정보 데이터 베이스를 이용하여 입력된 타겟 영상에서 특이영역을 검출하는 과정이다.
입력부(110)를 통한 타겟 영상의 입력은 학습과정에서의 샘플에 해당하는 초분광 영상 입력과 동일하다(S360).
특징 정보 추출부(130)는 학습단계에서 특징 밴드 선택부(120)에서 작성된 인덱스 중에서 입력된 타겟 영상에 대응하는 인덱스를 전달받아 특징 정보를 추출한다(S370). 즉, 특징 정보 추출부(130)가 상기 학습과정에서 작성된 인덱스를 전달받음으로써 특징 밴드 선택의 과정이 생략될 수 있다.
학습부(140)는 상기 학습 과정에서 저장된 특징 정보 데이터 베이스에 학습기를 적용시킨다(S380).
특이영역 검출부(160)는 특징 정보 데이터 베이스에 저장된 학습된 특징 정보를 기초로 입력된 타겟 영상에서 특이 영역을 검출한다(S390).
검출과정은 상기 학습과정에서 얻어진 특징 밴드를 이용하여 최종적으로 특이영역을 검출하는 과정으로 이루어진다. 검출과정은 특정 밴드들의 밴드비(band ratio)를 이용한다. 밴드비 기법의 조합 수는 다음 수학식 3과 같이 계산된다.
Figure 112013095386649-pat00003
밴드비 기법은 전체 파장영역에 적용될 수 있지만, 차원이 높아지고 긴 처리시간과 많은 용량을 요구함으로 선택 특징밴드에 적용된다. 여기서 λsb는 상기 학습과정에서 선택된 특징밴드 수를 나타낸다. 선택된 특징 밴드들의 비는 조명불변 특성을 갖는다.
도 5는 본 발명의 실시예에 따른 각 객체들의 분광분포와 선택된 특징 밴드들의 밴드비 기법을 적용한 결과를 나타내는 도면이다.
도 5는 플라스틱 총(plastic gun)과 강철 총(metal gun)인 각각의 객체들의 분광분포(도 5의 (a) 및 (b))와 선택된 특징 밴드들의 밴드비 기법을 적용한 결과(도 5의 (c) 및 (d))를 나타낸다.
도 5에서 나타낸 것처럼, 강한 조명(strong light)과 중간 조명(medium light)의 실험예에서, 각 객체들의 분광분포는 서로 다른 조명에서 디지털 카운터(digital count) 값 차이는 크지만, 동일한 분광분포 형태를 유지하는 것을 확인할 수 있으며, 밴드비 결과는 각 조명의 변화에서도 밴드들은 상대적인 값으로 표현되기 때문에 밴드비의 결과값이 유사하게 산출됨으로써 조명의 영향을 받지 않는 것을 볼 수 있다.
상기 밴드비 기법으로 밴드들의 상대적인 값을 도출하면 학습기로 학습을 시켜 데이터 베이스를 구성하고, 타겟 영상이 들어온다면 상기 특징밴드의 저장된 인덱스로 타겟 영상에 대한 밴드들을 선택한 다음 타겟 영상의 밴드들에 밴드비 기법을 적용한 후 특이영역 검출이 이루어진다.
도 6은 종래 기술과 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 방법을 적용한 특이영역 검출 결과 영상을 비교하여 나타낸 도면이다.
즉, 도 6은 종래 기술에 해당하는 전체 파장영역, 특징 밴드 선택을 통하여 특이영역을 검출한 단계별 결과 영상과 본 발명의 실시예에 따른 특징 밴드의 밴드비 기법을 적용한 결과를 나타낸다.
도 6에서, 맨 위의 영상은 수풀에 엄폐되어 있는 탱크(tank)의 실제 모습을 나타낸다. (a)는 초기영상을, (b)는 특징 추출이 전체 파장영역에 적용된 경우를, (c)는 특징 추출이 선택된 특징밴드에 적용된 경우를 그리고 (d)는 특징 추출이 특징 밴드의 밴드비 기법이 적용된 경우를 각각 나타낸다.
도 7은 도 6의 비교 결과를 표로 나타낸 도면이다.
즉, 도 7은 종래 기술에 해당하는 전체 파장영역, 특징 밴드 선택을 통하여 특이영역을 검출한 단계별 결과와 본 발명의 실시예에 따른 특징 밴드의 밴드비 기법을 적용한 결과를 표로 나타낸 것이다.
도 7에서 보면, 전체 파장영역과 특징밴드 선택에 따른 결과는 적은 밴드 수로 같은 성능을 낸다는 것을 확인할 수 있으며, 본 발명의 실시예와 같이 특징밴드에 밴드비 기법을 적용할 경우 성능이 높아짐을 확인할 수 있다.
이와 같이 본 발명의 실시예에 따른 초분광 영상의 특이영역 검출 장치 및 그 방법에 따르면, 검출률 기반 시뮬레이티드 어닐링 알고리즘으로 특징 밴드를 선택함으로써 전체 파장 영역을 사용하는 것과 비교하여 처리 데이터의 용량 및 데이터 처리 시간을 줄임으로써 특이영역 검출 장치 및 방법의 성능을 향상 시킬 수 있다.
또한, 밴드비(band ratio) 기법으로 밴드들의 상대적인 값을 도출함으로써 조명의 변화에도 불구하고 변함 없는 특이영역을 효과적으로 검출할 수 있다.
이제까지 본 발명에 대하여 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 따라서 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허청구범위에 기재된 내용 및 그와 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
100: 특이영역 검출 장치 110: 입력부
120: 특징 밴드 선택부 130: 특징 정보 추출부
140: 학습부 150: 특징 정보 데이터 베이스
160: 특이영역 검출부

Claims (8)

  1. 초분광 카메라로 촬영된 초분광 영상을 입력 받는 입력부;
    상기 초분광 영상으로부터 분광정보를 추출하고, 검출률에 기반하여 상기 추출된 분광정보로부터 특징 밴드를 선택하는 특징 밴드 선택부;
    상기 선택된 특징 밴드에 밴드비(band ratio) 기법을 적용하여 상기 선택된 특징 밴드에서 특징 정보를 추출하는 특징 정보 추출부;
    상기 추출된 분광정보에 학습기를 적용하여 상기 검출률을 획득하고, 상기 추출된 특징 정보를 학습시키는 학습부;
    상기 학습된 특징 정보를 저장하는 특징 정보 데이터 베이스; 및
    상기 특징 정보 데이터 베이스를 기초로 입력된 타겟 영상에서 특이영역을 검출하는 특이영역 검출부를 포함하는 초분광 영상의 특이영역 검출 장치.
  2. 제 1항에 있어서,
    상기 특징 밴드 선택부는,
    상기 검출률에 기초한 시뮬레이티드 어닐링 알고리즘을 이용하여 특징 밴드를 선택하는 초분광 영상의 특이영역 검출 장치.
  3. 제 2항에 있어서,
    상기 특징 밴드 선택부는,
    상기 시뮬레이티드 어닐링 알고리즘의 종료조건으로 다음의 수학식을 이용하는 초분광 영상의 특이영역 검출 장치:
    P(T) = exp[-(ERcurr - ERnew)/T]
    여기서, ERcurr 및 ERnew 는 현재의 검출에러율 및 새로운 검출에러율, T는 온도, P(T)는 시뮬레이티드 어닐링 알고리즘의 종료조건을 각각 나타낸다.
  4. 제 3항에 있어서,
    상기 특징 밴드 선택부는,
    다음 수학식을 이용하여 검출률 및 검출에러율을 연산하는 초분광 영상의 특이영역 검출 장치:
    ER = 100 - DR
    여기서, DR은 검출률, ER은 검출에러율을 각각 나타낸다.
  5. 초분광 카메라로 촬영된 초분광 영상을 입력 받는 단계;
    학습부에서 상기 초분광 영상으로부터 분광정보를 추출하여 검출률을 획득하는 단계;
    상기 검출률에 기반하여 상기 추출된 분광정보로부터 특징 밴드를 선택하는 단계;
    상기 선택된 특징 밴드에 밴드비(band ratio) 기법을 적용하여 상기 선택된 특징 밴드에서 특징 정보를 추출하는 단계;
    상기 추출된 특징 정보를 학습시켜 상기 학습된 특징 정보를 저장하는 단계; 및
    상기 저장된 학습된 특징 정보를 기초로 입력된 타겟 영상에서 특이영역을 검출하는 단계를 포함하는 초분광 영상의 특이영역 검출 방법.
  6. 제 5항에 있어서,
    상기 특징 밴드를 선택하는 단계는,
    상기 검출률에 기초한 시뮬레이티드 어닐링 알고리즘을 이용하여 특징 밴드를 선택하는 초분광 영상의 특이영역 검출 방법.
  7. 제 6항에 있어서,
    상기 특징 밴드를 선택하는 단계는,
    상기 시뮬레이티드 어닐링 알고리즘의 종료조건으로 다음의 수학식을 이용하는 초분광 영상의 특이영역 검출 방법:
    P(T) = exp[-(ERcurr - ERnew)/T]
    여기서, ERcurr 및 ERnew 는 현재의 검출에러율 및 새로운 검출에러율, T는 온도, P(T)는 시뮬레이티드 어닐링 알고리즘의 종료조건을 각각 나타낸다.
  8. 제 7항에 있어서,
    상기 특징 밴드를 선택하는 단계는,
    다음 수학식을 이용하여 검출률 및 검출에러율 연산하는 초분광 영상의 특이영역 검출 방법:
    ER = 100 - DR
    여기서, DR은 검출률, ER은 검출에러율을 각각 나타낸다.
KR1020130125964A 2013-10-22 2013-10-22 초분광 영상의 특이영역 검출 장치 및 그 방법 KR101463354B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130125964A KR101463354B1 (ko) 2013-10-22 2013-10-22 초분광 영상의 특이영역 검출 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130125964A KR101463354B1 (ko) 2013-10-22 2013-10-22 초분광 영상의 특이영역 검출 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR101463354B1 true KR101463354B1 (ko) 2014-11-18

Family

ID=52290908

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130125964A KR101463354B1 (ko) 2013-10-22 2013-10-22 초분광 영상의 특이영역 검출 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR101463354B1 (ko)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101630736B1 (ko) 2016-01-18 2016-06-16 (주)아세아항측 정밀 스테핑 모터를 이용한 초분광 회전형 스캐닝 시스템
CN105931223A (zh) * 2016-04-13 2016-09-07 浙江大学 基于波段比方法的高光谱反射图像中玉米胚部的分割方法
KR20160113899A (ko) * 2015-03-23 2016-10-04 국방과학연구소 분광장비를 이용하는 영상처리장치 및 그의 제어방법
KR101672291B1 (ko) * 2016-03-31 2016-11-08 주식회사 지오스토리 항공 초분광영상을 활용한 갯녹음 탐지 기법
KR101840666B1 (ko) * 2016-09-07 2018-03-21 영남대학교 산학협력단 대상체 분류 시스템 및 방법
CN108446599A (zh) * 2018-02-27 2018-08-24 首都师范大学 一种p值统计量建模独立性的高光谱图像波段快速选择方法
CN109522918A (zh) * 2018-09-14 2019-03-26 广东工业大学 基于改进的局部奇异谱分析的高光谱图像特征提取方法
KR20200011727A (ko) * 2018-07-25 2020-02-04 재단법인대구경북과학기술원 초분광 영상의 분광 밴드 선택 방법 및 이를 이용하는 분광 밴드 설정 장치
CN111108368A (zh) * 2017-09-19 2020-05-05 富士胶片株式会社 教学数据制作方法及装置以及缺陷检查方法及装置
KR20200084973A (ko) * 2019-01-03 2020-07-14 단국대학교 산학협력단 밴드비를 이용한 초분광영상 활용 방법
KR102175194B1 (ko) 2020-08-19 2020-11-05 인제대학교 산학협력단 초분광 영상을 활용한 하천수 혼합 유해화학물질 표준 분광라이브러리 구축을 위한 장치 및 방법
KR102175192B1 (ko) 2020-08-19 2020-11-05 인제대학교 산학협력단 시공간 초분광영상을 이용한 단면 모니터링 장치 및 방법
KR102197297B1 (ko) * 2019-09-27 2020-12-31 서울대학교산학협력단 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법
KR20210105487A (ko) * 2020-02-18 2021-08-27 단국대학교 산학협력단 초분광영상을 이용한 하상 변동속도 측정 방법
KR20210106036A (ko) * 2020-02-18 2021-08-30 단국대학교 산학협력단 초분광영상을 이용한 하천 지형측량 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002010095A (ja) * 2000-06-23 2002-01-11 Matsushita Electric Ind Co Ltd カラー画像処理方法及びカラー画像処理装置
JP4139201B2 (ja) * 2002-12-06 2008-08-27 シャープ株式会社 画像処理方法ならびに画像処理装置およびそれを備える画像形成装置
JP2013174823A (ja) * 2012-02-27 2013-09-05 Olympus Corp 画像処理装置、顕微鏡システム、及び画像処理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002010095A (ja) * 2000-06-23 2002-01-11 Matsushita Electric Ind Co Ltd カラー画像処理方法及びカラー画像処理装置
JP4139201B2 (ja) * 2002-12-06 2008-08-27 シャープ株式会社 画像処理方法ならびに画像処理装置およびそれを備える画像形成装置
JP2013174823A (ja) * 2012-02-27 2013-09-05 Olympus Corp 画像処理装置、顕微鏡システム、及び画像処理方法

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160113899A (ko) * 2015-03-23 2016-10-04 국방과학연구소 분광장비를 이용하는 영상처리장치 및 그의 제어방법
KR101687712B1 (ko) 2015-03-23 2016-12-19 국방과학연구소 분광장비를 이용하는 영상처리장치 및 그의 제어방법
KR101630736B1 (ko) 2016-01-18 2016-06-16 (주)아세아항측 정밀 스테핑 모터를 이용한 초분광 회전형 스캐닝 시스템
KR101672291B1 (ko) * 2016-03-31 2016-11-08 주식회사 지오스토리 항공 초분광영상을 활용한 갯녹음 탐지 기법
CN105931223A (zh) * 2016-04-13 2016-09-07 浙江大学 基于波段比方法的高光谱反射图像中玉米胚部的分割方法
CN105931223B (zh) * 2016-04-13 2019-05-21 浙江大学 基于波段比方法的高光谱反射图像中玉米胚部的分割方法
KR101840666B1 (ko) * 2016-09-07 2018-03-21 영남대학교 산학협력단 대상체 분류 시스템 및 방법
CN111108368A (zh) * 2017-09-19 2020-05-05 富士胶片株式会社 教学数据制作方法及装置以及缺陷检查方法及装置
CN111108368B (zh) * 2017-09-19 2022-06-28 富士胶片株式会社 教学数据制作方法及装置以及缺陷检查方法及装置
US11386542B2 (en) 2017-09-19 2022-07-12 Fujifilm Corporation Training data creation method and device, and defect inspection method and device
CN108446599B (zh) * 2018-02-27 2021-11-05 首都师范大学 一种p值统计量建模独立性的高光谱图像波段快速选择方法
CN108446599A (zh) * 2018-02-27 2018-08-24 首都师范大学 一种p值统计量建模独立性的高光谱图像波段快速选择方法
KR20200011727A (ko) * 2018-07-25 2020-02-04 재단법인대구경북과학기술원 초분광 영상의 분광 밴드 선택 방법 및 이를 이용하는 분광 밴드 설정 장치
KR102589555B1 (ko) 2018-07-25 2023-10-13 재단법인대구경북과학기술원 초분광 영상의 분광 밴드 선택 방법 및 이를 이용하는 분광 밴드 설정 장치
CN109522918B (zh) * 2018-09-14 2020-05-05 广东工业大学 基于改进的局部奇异谱分析的高光谱图像特征提取方法
CN109522918A (zh) * 2018-09-14 2019-03-26 广东工业大学 基于改进的局部奇异谱分析的高光谱图像特征提取方法
KR20200084973A (ko) * 2019-01-03 2020-07-14 단국대학교 산학협력단 밴드비를 이용한 초분광영상 활용 방법
KR102142616B1 (ko) 2019-01-03 2020-08-10 단국대학교 산학협력단 밴드비를 이용한 초분광영상 활용 방법
KR102197297B1 (ko) * 2019-09-27 2020-12-31 서울대학교산학협력단 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법
KR20210105487A (ko) * 2020-02-18 2021-08-27 단국대학교 산학협력단 초분광영상을 이용한 하상 변동속도 측정 방법
KR20210106036A (ko) * 2020-02-18 2021-08-30 단국대학교 산학협력단 초분광영상을 이용한 하천 지형측량 방법
KR102313438B1 (ko) 2020-02-18 2021-10-18 단국대학교 산학협력단 초분광영상을 이용한 하상 변동속도 측정 방법
KR102313437B1 (ko) 2020-02-18 2021-10-19 단국대학교 산학협력단 초분광영상을 이용한 하천 지형측량 방법
KR102175192B1 (ko) 2020-08-19 2020-11-05 인제대학교 산학협력단 시공간 초분광영상을 이용한 단면 모니터링 장치 및 방법
KR102175194B1 (ko) 2020-08-19 2020-11-05 인제대학교 산학협력단 초분광 영상을 활용한 하천수 혼합 유해화학물질 표준 분광라이브러리 구축을 위한 장치 및 방법

Similar Documents

Publication Publication Date Title
KR101463354B1 (ko) 초분광 영상의 특이영역 검출 장치 및 그 방법
US11823429B2 (en) Method, system and device for difference automatic calibration in cross modal target detection
Fang et al. No-reference quality assessment of contrast-distorted images based on natural scene statistics
Bjerrum et al. Data augmentation of spectral data for convolutional neural network (CNN) based deep chemometrics
Vesali et al. Development of an android app to estimate chlorophyll content of corn leaves based on contact imaging
JP6636845B2 (ja) フォービエイテッド圧縮投影を用いたハイパースペクトルデミキシング
Gómez-Sanchís et al. Hyperspectral system for early detection of rottenness caused by Penicillium digitatum in mandarins
US10302491B2 (en) Imaging method and apparatus
Sánchez-Lozano et al. Cascaded continuous regression for real-time incremental face tracking
Kusakunniran et al. Cross-view and multi-view gait recognitions based on view transformation model using multi-layer perceptron
TW202101371A (zh) 視訊流的處理方法和裝置
Kaya et al. Towards spectral estimation from a single RGB image in the wild
CN107609573B (zh) 基于低秩分解和空谱约束的高光谱图像时变特征提取方法
US10726532B2 (en) Measurement of non-uniformity noise
WO2017053037A1 (en) Classifying images and videos
EP2257924B1 (fr) Procede pour generer une image de densite d'une zone d'observation
Rousseau et al. Imaging methods for phenotyping of plant traits
JP2016122905A (ja) 画像処理装置、画像処理方法及びプログラム
Gupta et al. Pyramidal edge-maps and attention based guided thermal super-resolution
KR102013392B1 (ko) Ft-ir 기반 분광 스펙트럼에서 svm 분류기를 이용한 가스 탐지 방법
Nielsen et al. Kernel principal component and maximum autocorrelation factor analyses for change detection
JP6023653B2 (ja) 照明光色推定装置、照明光色推定方法及びプログラム
US20190316966A1 (en) Image processing device and image processing method
JP7291389B2 (ja) 対象識別方法、情報処理装置、情報処理プログラム、および照明装置
Yan et al. Algorithms of target detection on hyperspectral imagery

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20171101

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20181101

Year of fee payment: 5