KR101724338B1 - 강인한 영역 분리 방법 및 이를 적용한 시스템 - Google Patents

강인한 영역 분리 방법 및 이를 적용한 시스템 Download PDF

Info

Publication number
KR101724338B1
KR101724338B1 KR1020150130095A KR20150130095A KR101724338B1 KR 101724338 B1 KR101724338 B1 KR 101724338B1 KR 1020150130095 A KR1020150130095 A KR 1020150130095A KR 20150130095 A KR20150130095 A KR 20150130095A KR 101724338 B1 KR101724338 B1 KR 101724338B1
Authority
KR
South Korea
Prior art keywords
pixel value
area
image
updating
cost
Prior art date
Application number
KR1020150130095A
Other languages
English (en)
Other versions
KR20170032588A (ko
Inventor
조충상
신화선
이영한
강주형
Original Assignee
전자부품연구원
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 전자부품연구원 filed Critical 전자부품연구원
Priority to KR1020150130095A priority Critical patent/KR101724338B1/ko
Priority to US15/259,935 priority patent/US10489675B2/en
Publication of KR20170032588A publication Critical patent/KR20170032588A/ko
Application granted granted Critical
Publication of KR101724338B1 publication Critical patent/KR101724338B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac

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)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

강인한 영역 분리 방법 및 이를 적용한 시스템이 제공된다. 본 발명의 실시예에 따른 영상 분리 방법은, 입력 영상에서 영역을 설정받고, 영역의 내부와 외부 각각에 대한 대표값들을 계산하며, 대표값들과 영상의 픽셀값을 코스트 함수에 대입하여 코스트를 계산하고 계산된 코스트를 기초로 상기 영역을 업데이트 하고, 코스트 함수는 업데이트되는 픽셀값과 원 픽셀값 간의 차이가 반영된 항을 포함한다. 이에 의해, 복잡하고 영역 구분이 모호한 영상에서도 영역 분리를 정확하게 수행할 수 있게 된다.

Description

강인한 영역 분리 방법 및 이를 적용한 시스템{Robust Region Segmentation Method and System using the same}
본 발명은 영역 분리 방법에 관한 것으로, 더욱 상세하게는 액티브 컨투어 기반으로 입력 영상에서 원하는 영역을 분리하는 방법 및 이를 적용한 시스템에 관한 것이다.
도 1은 심장의 단면 영상이다. 도 1에 나타난 심장 단면 영상과 같이, 복잡하고 영역 구분이 명확하지 않은 의료 영상의 경우 영역 분리(segmentation)가 부정확하다.
도 2는 기존의 영역 분리 기법들 중 한가지 방법을 이용하여, 심근(Myocardium) 영역을 분리한 결과를 나타낸 영상이다. 도 2에서 녹색 실선은 심근 분리를 위해 사용자(의료진)가 설정한 초기 영역이고, 빨간색 실선은 녹색 실선을 시작으로 기존 기법에 따라 액티브 컨투어 기반의 영역 분리를 수행한 결과이다.
도 2에 나타난 바와 같이, 기존의 기법에 의한 영역 분리는, 심근 영역 외부의 영역에 대해서도 심근 영역으로 판별하고, 심근 영역 내부에 위치한 심근 이외의 조직까지 심근 영역으로 구분하는 등의 문제를 발생시키고 있다.
이에, 복잡하고 영역 구분이 모호한 의료 영상 등에서 영역 분리를 정확하게 수행하기 위한 방안의 모색이 요청된다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 액티브 컨투어 기반에 대해 보다 정확하게 영역 분리를 수행하기 위한 방법 및 이를 적용한 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 영상 분리 방법은, 입력 영상에서 영역을 설정받는 단계; 상기 영역의 내부와 외부 각각에 대한 대표값들을 계산하는 단계; 상기 대표값들과 상기 영상의 픽셀값을 코스트 함수에 대입하여 코스트를 계산하고, 계산된 코스트를 기초로 상기 영역을 업데이트 하는 단계;를 포함하고, 상기 코스트 함수는, 업데이트되는 픽셀값과 원 픽셀값 간의 차이가 반영된 항을 포함한다.
그리고, 상기 계산 단계 및 상기 업데이트 단계는, 상기 픽셀값을 업데이트 하면서 반복할 수 있다.
또한, 상기 픽셀값과 상기 대표값들로 결정되는 커널 함수값과 가중치의 곱에 상기 픽셀값을 합산하여, 상기 픽셀값을 업데이트할 수 있다.
그리고, 상기 픽셀값은 다음의 수학식을 이용하여 업데이트 하고,
Figure 112015089440421-pat00001
여기서, ut'는 픽셀값, u0는 원 픽셀값, Δs는 가중치 f()는 커널 함수, c1은 영역 내부의 대표값, c2는 영역 외부의 대표값, delta는 설정된 상수일 수 있다.
또한, 상기 f()는 다음의 수학식으로 표현되고,
Figure 112015089440421-pat00002
Figure 112015089440421-pat00003
Δci = (2+Δc)
Δcd = (2-Δc)
여기서, Δc는 delta일 수 있다.
그리고, 상기 차이가 반영된 항은, 업데이트되는 픽셀값과 원 픽셀값 간의 차와 계수의 곱으로 표현될 수 있다.
한편, 본 발명의 다른 실시예에 따른, 영상 시스템은, 사용자로부터 입력 영상에서 영역을 설정받는 입력부; 및 상기 영역의 내부와 외부 각각에 대한 대표값들을 계산하고, 상기 대표값들과 상기 영상의 픽셀값을 코스트 함수에 대입하여 코스트를 계산하고, 계산된 코스트를 기초로 상기 영역을 업데이트 하는 프로세서;를 포함하고, 상기 코스트 함수는, 업데이트되는 픽셀값과 원 픽셀값 간의 차이가 반영된 항을 포함한다.
그리고, 상기 프로세서는, 상기 픽셀값과 상기 대표값들로 결정되는 커널 함수값과 가중치의 곱에 상기 픽셀값을 합산하여, 상기 픽셀값을 업데이트하면서 반복할 수 있다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 복잡하고 영역 구분이 모호한 영상에서도 영역 분리를 정확하게 수행할 수 있게 된다. 또한, 본 발명의 실시예들에 따르면, 의료 영상은 물론 그 밖의 다른 영상에 대해서도 원하는 객체를 정확하게 분리할 수 있도록 하는 기틀을 마련하게 된다.
도 1은 심장의 단면 영상,
도 2는 기존의 영역 분리 기법으로 심근 영역을 분리한 결과를 나타낸 영상,
도 3은 본 발명의 일 실시예에 따른 영역 분리 방법의 설명에 제공되는 흐름도,
도 4는 본 발명의 실시예에 따른 영역 분리 방법과 기존 방법들 간의 성능 비교 결과를 위한 영상들, 그리고,
도 5는 본 발명의 다른 실시예에 따른 영역 분리 방법을 수행할 수 있는 영상 시스템의 블럭도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 3은 본 발명의 일 실시예에 따른 영역 분리 방법의 설명에 제공되는 흐름도이다. 본 발명의 실시예에 따른 영역 분리 방법은, 입력 영상에서 사용자가 원하는 영역을 분리하기 위해, 사용자가 입력한 초기 영역을 기초로 영상을 내부 영역과 외부 영역으로 자동 분리한다.
이를 위해, 도 3에 도시된 바와 같이, 먼저, 입력 영상에서 사용자로부터 초기 영역을 설정받아, 설정 결과에 따라 영역이 구분된 초기 마스크를 생성한다(S110).
다음, 초기 마스크(이후, 반복 과정에서는 업데이트되는 마스크)를 기초로, 입력 영상을 내부 영역과 외부 영역으로 구분한다(S120).
이후, 구분된 영역의 내부와 외부 각각에 대한 대표값들을 계산하고, 이후 반복 과정에서는 대표값들을 적응적으로 업데이트 한다(S130). 그리고, 픽셀값과 S130단계에서 계산된 대표값들을 이용하여, 픽셀값 업데이트에 사용할 커널 함수값을 계산한다(S140).
그리고, S140단계에서 계산된 커널 함수값을 기초로, 영상 전체의 픽셀값을 적응적으로 업데이트 한다(S150). 다음, S150단계에 의해 업데이트된 영상 전체의 픽셀값을 코스트 함수에 대입하여 코스트를 계산하고, 계산된 코스트를 기초로 마스크를 업데이트 한다(S160).
한편, S160단계에서의 마스크 업데이트에는, S190단계에서 계산되는 영역의 곡률(curvature)이 이용된다.
이후, 해당 조건을 만족할 때까지, 픽셀값을 업데이트 하면서 S120단계 내지 S160단계를 반복(iteration) 한다(S170). 반복이 완료되면(S170-Y), 영상 분리 결과를 출력한다(S180).
S160단계에서 사용되는 코스트 함수는, 안정적이고 높은 성능을 위해, 적응형 mismatch 분석 항을 포함하고 있다. 적응형 mismatch 분석 항은 업데이트 되는 픽셀값과 원 픽셀값 간의 차이가 반영된 항이다.
S160단계에서 사용되는 코스트 함수 F()는 다음의 수학식 1로 표현된다.
Figure 112015089440421-pat00004
여기서, ut'는 픽셀값, u0는 원 픽셀값, c1은 영역 내부의 대표값, c2는 영역 외부의 대표값, λ는 사용자에 의해 또는 사전 설정되는 값이다. 그리고, 위 수학식 1에서 마지막 항인 λ(ut'- u0)가 적응형 mismatch 분석 항이다.
한편, S120단계에서 생성하는 영역 내부/외부의 대표값들(c1, c2)은 다음의 수학식 2와 수학식 3을 이용하여 계산된다. 수학식 2는 영역 내부의 대표값(c1)을 계산하기 위한 수학식이고, 수학식 3은 영역 외부의 대표값(c2)을 계산하기 위한 수학식이다.
Figure 112015089440421-pat00005
Figure 112015089440421-pat00006
그리고, S150단계에서 픽셀값 업데이트는 다음의 수학식 4를 통해 수행된다.
Figure 112015089440421-pat00007
여기서, ut'는 현재 픽셀값, ut+1'는 업데이트된 픽셀값, u0는 원 픽셀값, Δs는 가중치, f()는 커널 함수, delta는 사용자에 의해 또는 사전 설정되는 값이다. 수학식 4를 통해 알 수 있는 바와 같이, 픽셀값과 대표값들로 결정되는 커널 함수값과 가중치의 곱에 픽셀값을 합산하여, 픽셀값이 업데이트 된다.
픽셀값 업데이트를 위해 이용되는 커널 함수 f()는 다음의 수학식 5로 표현된다.
Figure 112015089440421-pat00008
여기서, c1'과 c2'는 업데이트된 c1과 c2로, 다음의 수학식 6을 통해 계산된다.
Figure 112015089440421-pat00009
Δci = (2+Δc)
Δcd = (2-Δc)
여기서, Δc는 delta이다.
도 4는 본 발명의 실시예에 따른 영역 분리 방법과 기존 방법들 간의 성능 비교 결과를 나타낸 영상들이다. 도 4에 나타난 영상들은, 좌측 상부에 나타난 영상에서 붉은색 점선 내부에 위치하는 심근 영역을 분리하기 위해, 사용자가 입력 영상에서 푸른색 실선으로 초기 영역을 설정한 경우에 대해, 영역 분리 결과들을 붉은색 실선으로 나타내었다.
도 4를 통해 확인할 수 있는 바와 같이, 우측 하부에 나타난 본 발명의 실시예에 따른 영역 분리 결과가 가장 정확하게, 사용자의 관심 영역인 심장의 심근 영역을 분리하였음을 확인할 수 있다.
도 5는, 도 3에 도시된 영역 분리 방법을 수행할 수 있는 영상 시스템의 블럭도이다. 도 5에 도시된 바와 같이, 영상 시스템은, 영상 입력부(210), 프로세서(220), 영상 출력부(230) 및 사용자 입력부(240)를 포함한다.
영상 입력부(210)는 원본 영상을 프로세서(220)에 제공한다. 영상 입력부(210)는 원본 영상을 저장하고 있는 저장매체나 외부 기기나 네트워크로부터 원본 영상을 수신하는 통신 인터페이스이다.
프로세서(220)는 영상 입력부(210)로부터 입력되는 원본 영상에서 영역을 분리하기 위해 도 3에 제시된 알고리즘을 수행하며, 사용자 입력부(240)를 통해 사용자로부터 초기 영역을 설정받는다. 프로세서(220)에는 GPU(Graphic Processing Unit)와 CPU(Central Processing Unit)를 포함한다.
영상 출력부(230)는 프로세서(220)에서 출력되는 영역 분리된 영상을 디스플레이를 통해 출력하거나, 외부 기기나 네트워크에 전달하기 위한 수단이다.
지금까지, 영역 분리 방법 및 이를 수행하기 위한 영상 시스템에 대해 바람직한 실시예들을 들어 상세히 설명하였다.
본 발명의 실시예들은, 의료 영상 분석은 물론, 관심 객체 추출/추적과 콘텐츠 제작 등에 응용될 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
210 : 영상 입력부
220 : 프로세서
230 : 영상 출력부
240 : 사용자 입력부

Claims (8)

  1. 입력 영상에서 영역을 설정받는 단계;
    상기 영역의 내부와 외부 각각에 대한 대표값들을 계산하는 단계;
    상기 계산단계에서 계산된 대표값들과 상기 영상 전체의 픽셀값을 코스트 함수에 대입하여 코스트를 계산하고, 계산된 코스트를 기초로 상기 영역을 업데이트 하는 단계;를 포함하고,
    상기 코스트 함수는,
    상기 영상 전체의 픽셀값과 원 픽셀값 간의 차이가 반영된 항을 포함하고 있는 것을 특징으로 하는 영상 세그먼테이션 방법.
  2. 청구항 1에 있어서,
    상기 계산 단계 및 상기 업데이트 단계는,
    상기 픽셀값을 업데이트 하면서 반복하는 것을 특징으로 하는 영상 세그먼테이션 방법.
  3. 청구항 2에 있어서,
    상기 픽셀값과 상기 대표값들로 결정되는 커널 함수값과 가중치의 곱에 상기 픽셀값을 합산하여, 상기 픽셀값을 업데이트하는 것을 특징으로 하는 영상 세그먼테이션 방법.
  4. 청구항 3에 있어서,
    상기 픽셀값은 다음의 수학식을 이용하여 업데이트 하고,
    Figure 112015089440421-pat00010

    여기서, ut'는 픽셀값, u0는 원 픽셀값, Δs는 가중치 f()는 커널 함수, c1은 영역 내부의 대표값, c2는 영역 외부의 대표값, delta는 설정된 상수인 것을 특징으로 하는 영상 세그먼테이션 방법.
  5. 청구항 4에 있어서,
    상기 f()는 다음의 수학식으로 표현되고,
    Figure 112015089440421-pat00011

    Figure 112015089440421-pat00012

    Δci = (2+Δc)
    Δcd = (2-Δc)
    여기서, Δc는 delta인 것을 특징으로 하는 영상 세그먼테이션 방법.
  6. 청구항 1에 있어서,
    상기 차이가 반영된 항은,
    업데이트되는 픽셀값과 원 픽셀값 간의 차와 계수의 곱으로 표현되는 것을 특징으로 하는 영상 세그먼테이션 방법.
  7. 사용자로부터 입력 영상에서 영역을 설정받는 입력부;
    상기 영역의 내부와 외부 각각에 대한 대표값들을 계산하고, 계산된 대표값들과 상기 영상 전체의 픽셀값을 코스트 함수에 대입하여 코스트를 계산하고, 계산된 코스트를 기초로 상기 영역을 업데이트 하는 프로세서;를 포함하고,
    상기 코스트 함수는,
    상기 영상 전체의 픽셀값과 원 픽셀값 간의 차이가 반영된 항을 포함하고 있는 것을 특징으로 하는 영상 시스템.
  8. 청구항 7에 있어서,
    상기 프로세서는,
    상기 픽셀값과 상기 대표값들로 결정되는 커널 함수값과 가중치의 곱에 상기 픽셀값을 합산하여, 상기 픽셀값을 업데이트하면서 반복하는 것을 특징으로 하는 영상 시스템.
KR1020150130095A 2015-09-15 2015-09-15 강인한 영역 분리 방법 및 이를 적용한 시스템 KR101724338B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150130095A KR101724338B1 (ko) 2015-09-15 2015-09-15 강인한 영역 분리 방법 및 이를 적용한 시스템
US15/259,935 US10489675B2 (en) 2015-09-15 2016-09-08 Robust region segmentation method and system using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150130095A KR101724338B1 (ko) 2015-09-15 2015-09-15 강인한 영역 분리 방법 및 이를 적용한 시스템

Publications (2)

Publication Number Publication Date
KR20170032588A KR20170032588A (ko) 2017-03-23
KR101724338B1 true KR101724338B1 (ko) 2017-04-07

Family

ID=58238841

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150130095A KR101724338B1 (ko) 2015-09-15 2015-09-15 강인한 영역 분리 방법 및 이를 적용한 시스템

Country Status (2)

Country Link
US (1) US10489675B2 (ko)
KR (1) KR101724338B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182684B (zh) * 2017-12-22 2021-06-25 河南师范大学 一种基于加权核函数模糊聚类的图像分割方法及其装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012185774A (ja) 2011-03-08 2012-09-27 Ricoh Co Ltd 画像処理装置、画像処理方法、画像形成装置、プログラムおよび記録媒体

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3392690B2 (ja) * 1997-03-17 2003-03-31 株式会社東芝 画像処理方法および画像処理装置
GB0502369D0 (en) * 2005-02-04 2005-03-16 British Telecomm Classifying an object in a video frame
US8351713B2 (en) * 2007-02-20 2013-01-08 Microsoft Corporation Drag-and-drop pasting for seamless image composition
WO2010067191A1 (en) * 2008-12-11 2010-06-17 Imax Corporation Devices and methods for processing images using scale space
CN102473309B (zh) * 2009-07-09 2014-09-24 柯尼卡美能达医疗印刷器材株式会社 轮廓提取装置以及程序
US8942455B2 (en) * 2011-08-30 2015-01-27 Siemens Aktiengesellschaft 2D/3D image registration method
US8467596B2 (en) * 2011-08-30 2013-06-18 Seiko Epson Corporation Method and apparatus for object pose estimation
US9990712B2 (en) * 2015-04-08 2018-06-05 Algotec Systems Ltd. Organ detection and segmentation

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012185774A (ja) 2011-03-08 2012-09-27 Ricoh Co Ltd 画像処理装置、画像処理方法、画像形成装置、プログラムおよび記録媒体

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
논문1:한국정보과학회(2002.10)
논문2:한국멀티미디어학회(2002.05)

Also Published As

Publication number Publication date
KR20170032588A (ko) 2017-03-23
US10489675B2 (en) 2019-11-26
US20170076462A1 (en) 2017-03-16

Similar Documents

Publication Publication Date Title
JP6564018B2 (ja) 放射線画像の肺野セグメンテーション技術及び骨減弱技術
JP6615062B2 (ja) 画像を処理する方法及びシステム
CN110766808B (zh) 人脸数据的处理方法、设备和计算机可读存储介质
US20120251003A1 (en) Image processing system and method
WO2019167883A1 (ja) 機械学習装置および方法
US20140307930A1 (en) Teachable object contour mapping for biology image region partition
JP2015079505A (ja) 視差深度画像のノイズ識別方法及びノイズ識別装置
WO2021081808A1 (zh) 基于人工神经网络的物体检测的系统及方法
JP2021507433A5 (ko)
CN111028201A (zh) 一种基于多尺度水平集的眼底血管图像分割系统及方法
US9600865B2 (en) Method for graph based processing of signals
WO2019209751A1 (en) Superpixel merging
KR101724338B1 (ko) 강인한 영역 분리 방법 및 이를 적용한 시스템
JP4709794B2 (ja) 動き推定装置及びその方法
US20160267690A1 (en) Flexible Video Object Boundary Tracking
CN111179333A (zh) 一种基于双目立体视觉的散焦模糊核估计方法
EP4145342A1 (en) Adaptive rigid prior model training method and training apparatus, and face tracking method and tracking apparatus
Liu et al. Multi-layer fast level set segmentation for macular OCT
CN113920109A (zh) 医疗影像识别模型训练方法、识别方法、装置及设备
JP6754717B2 (ja) 物体候補領域推定装置、物体候補領域推定方法、及び物体候補領域推定プログラム
JP6623184B2 (ja) 多層ニューラルネットの大局構造抽出装置、方法、及びプログラム
CN107977628B (zh) 神经网络训练方法、人脸检测方法及人脸检测装置
US20200293813A1 (en) Image recognition model generating device, image recognition model generating method, and image recognition model generating program storing medium
JP2004318356A (ja) 画像処理装置、画像処理方法及びそのプログラム
CN112785562B (zh) 一种基于神经网络模型进行评估的系统和相关产品

Legal Events

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