KR101837286B1 - 라플라시안 패치 기반 이미지 합성 방법 및 장치 - Google Patents

라플라시안 패치 기반 이미지 합성 방법 및 장치 Download PDF

Info

Publication number
KR101837286B1
KR101837286B1 KR1020160102032A KR20160102032A KR101837286B1 KR 101837286 B1 KR101837286 B1 KR 101837286B1 KR 1020160102032 A KR1020160102032 A KR 1020160102032A KR 20160102032 A KR20160102032 A KR 20160102032A KR 101837286 B1 KR101837286 B1 KR 101837286B1
Authority
KR
South Korea
Prior art keywords
image
target
patches
pyramid
gaussian
Prior art date
Application number
KR1020160102032A
Other languages
English (en)
Other versions
KR20180017737A (ko
Inventor
김민혁
이주호
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020160102032A priority Critical patent/KR101837286B1/ko
Priority to PCT/KR2016/014769 priority patent/WO2018030593A1/ko
Publication of KR20180017737A publication Critical patent/KR20180017737A/ko
Application granted granted Critical
Publication of KR101837286B1 publication Critical patent/KR101837286B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G06T5/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

라플라시안 패치 기반 이미지 합성 방법 및 장치가 개시된다. 본 발명의 일 실시예에 따른 이미지 합성 방법은 입력 이미지에 대한 라플라시안 피라미드를 생성하는 단계; 상기 생성된 라플라시안 피라미드를 사용하여 각 레벨에서의 2차 미분 성질을 가우시안 차이(Difference of Gaussian)을 통해 근사하는 단계; 및 상기 근사된 각 레벨에서의 2차 미분 성질을 이용하여 상기 입력 이미지 내의 타겟 영역을 이미지 합성하는 단계를 포함한다.

Description

라플라시안 패치 기반 이미지 합성 방법 및 장치 {Laplacian patch-based image synthesis method and apparatus therefor}
본 발명은 라플라시안 패치 기반 이미지 합성기술에 관한 것으로서, 상세하게는 라플라시안 피라미드를 사용하여 각 스케일에서의 2차 미분 성질을 DoG(Difference of Gaussian)을 통해 근사하고 이를 이용하여 이미지를 합성할 수 있는 라플라시안 패치 기반 이미지 합성 방법 및 장치에 관한 것이다.
사람들은 디지털 사진을 다루다 보면 종종 사진 안에 원하지 않는 물체가 들어오거나 어느 부분이 가려진다거나 전송 오류로 이미지가 훼손되는 등의 상황들에 직면하게 된다. 이러한 경우 사람들은 훼손된 영역들을 그럴듯하게 보수하고 싶어한다. 이러한 문제를 해결하기 위해, 훼손된 영역을 채우는 이미지 인페인팅(inpainting) 알고리즘이 지난 수년간 많은 관심을 받아 왔다. 이미지 인페인팅 알고리즘이 주로 초보자들에게 사용됨에도 불구하고 어떤 상황에서도 강인한 결과를 내는 알고리즘은 아직 없다.
기존 인페인팅 알고리즘은 이미지 구조를 감지하고 경계로부터 안쪽으로 복사하기(또는 채워넣기) 위하여 이미지 강도(intensity)의 1차 미분인 이미지 그래디언트(gradient)를 사용하였다. 1차 미분은 에지 주변 강도의 방향적 변화를 측정한다. 그리고 다중 스케일 신호에 기초하여 이미지 표시를 나타내는 이미지 피라미드는 패치 기반 합성에서 누락된 영역(missing region)을 완성시키고자 할 때 구조적 일관성을 향상시키기 위해 널리 사용된다. 최근 이미지 피라미드의 각 레벨에서 이미지 그래디언트는 일관된 이미지 합성 뿐만 아니라 합성된 이미지의 에지 구조를 향상시키기 위해 사용된다. 최근 그래디언트와 이미지 피라미드를 결합한 접근 방식이 인페인팅의 디테일과 구조적 일관성을 향상시켰지만, 그래디언트 연산은 방향성이 있기에, 방향마다 두 번 계산해야 하고 포아송 방정식(Poisson equation)을 풀어야 하기에 매우 무거운 연산을 필요로 한다. 게다가, 적분 가능하지 않는 1차 미분 영역을 채울 경우 아티팩트(artifact)가 생기게 된다.
이미지 그래디언트의 발산인 라플라시안 연산은 로테이션에 무관하고 방향성이 없다는 장점을 갖고 있다. 또한 라플라시안 값들이 에지들과 나란히 정렬이 잘되어 있어 에지 근방의 이미지 구조를 표현하는데 적합하다. 라플라시안 피라미드는 이미지의 기본 구조와 디테일 구조를 각 주파수 성분으로 분해한다. 이러한 자료구조는 이미지 블렌딩/퓨전, 향상, 디노이징 등 각종 어플리케이션에 활용된다.
이러한 인페인팅 알고리즘에 대해 조금 더 설명하면, 인페인팅 알고리즘은 크게 디퓨젼 기반과 예제 기반 방식으로 나눌 수 있다.
디퓨젼 방식은 인접한 영역의 기하 구조를 연장하며 빈 영역을 채우는 방법으로, 국부적 연결구조를 강화하는 이웃 닮음 조건(smoothness constraint)을 사용한다. 대부분의 디퓨젼 방식은 국부적으로 편미분 방정식을 풀며 진행되나 채워진 영역 전체의 변화를 최소화하는 국부적 최적화 방식도 있다. 디퓨젼 방식의 인페인팅은 라인, 커브, 작은 구멍을 재구성하기에 효율적으로 보이나 큰 구멍을 채울 때 블러링(blurring) 아티팩트가 생길 수 있다.
예제 기반 방식은 디퓨젼 방식의 연장선으로 제안되었으며, 이 방식은 먼저 임의의 빈 영역(목표 영역)에 대하여 어떤 목표 패치(빈 영역 안의 패치)부터 먼저 채울 것인지 순서를 정하고 그 목표 패치와 닮은 후보 패치를 목표 영역 밖의 이미지 영역에서 찾는다. 최종적으로 후보 패치를 타겟 패치 위치에 합성한다. 이러한 방식이 제안된 이후로 전역 최적화 방식과 다양한 변형 알고리즘들이 제안되었다. 예를 들어, 사용자 입력 기반으로 구조를 전파하는 방식, 텐서 기반 자료 항을 이용하여 채우는 순서를 정하는 방식 등이 있으며, 텐서 기반 자료 항을 이용하여 채우는 순서를 정하는 방식에서는 최근접 이웃 필드(NNF; Nearest neighbor field)로 표현되는 후보 패치들을 국부적 디노이징 알고리즘 이후 검색하였다. 또한, 랜덤 검색 방식을 이용하여 연산량을 크게 줄이는 방식도 제안된 바 있으며, 이 방식은 대응점 탐색에 넓게 사용되고 있다. 또한, 이산적 전역 최적화를 통한 패치 합성을 하기 위해 우선 순위 신뢰도 확산(belief propagation)이 제안되기도 하였다.
또 다른 인페인팅 알고리즘인 이미지 피라미드에서 닮음을 계산하는 기존 패치 기반 인페인팅 알고리즘은 시각적으로 만족할만한 결과를 생성하지만 몇몇의 결과는 공간적 일관성의 부족으로 비일관적 구조를 갖고 있다. 최근 각 레벨의 이미지 그래디언트를 활용하여 구조적 일관성을 향상시키고자 하였지만 일부 방식은 이미지 그래디언트의 본연적 한계를 갖고 있으며, 이미지 그래디언트는 수평적 수직적 세기 변화를 제기 때문에 적분을 하기 위해서 포아송 방정식을 필히 풀어야 한다. 게다가 이러한 편미분 방정식 기반 해법은 적분이 가능하지 않는 그래디언트 필드에 대해서 자주 아티팩트를 발생시킨다.
또 다른 인페인팅 알고리즘으로, 배경과 전경을 고려한 마스크를 이용하여 패치 기반 검색 알고리즘을 향상시켰으며, 이는 기존의 패치 합성 알고리즘이 발생시키는 아티팩트를 크게 줄였다. 패치 기반 합성과 라플라시안 피라미드는 최근 10년동안 넓게 활용되었지만 오직 소수의 연구만이 이 두 분야를 합치고자 하였다.
이와 같이, 기존의 기반 이미지 합성 연구들은 라플라시안 피라미드의 활용성은 아직 집중적으로 연구하지 않았다.
본 발명의 실시예들은, 라플라시안 피라미드를 사용하여 각 스케일에서의 2차 미분 성질을 DoG(Difference of Gaussian)을 통해 근사하고 이를 이용하여 이미지를 합성할 수 있는 라플라시안 패치 기반 이미지 합성 방법 및 장치를 제공한다.
본 발명의 일 실시예에 따른 이미지 합성 방법은 입력 이미지에 대한 가우시안 피라미드와 라플라시안 피라미드를 생성하는 단계; 상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 입력 이미지 내의 타겟 영역을 이미지 합성하는 단계; 및 상기 이미지 합성하는 단계를 상기 가우시안 피라미드와 상기 라플라시안 피라미드의 각 레벨별로 순차적으로 반복 수행함으로써, 상기 타겟 영역의 이미지 합성을 수행하는 단계를 포함한다.
상기 생성하는 단계는 상기 가우시안 피라미드와 상기 가우시안 피라미드를 업샘플링한 업샘플링 가우시안 피라미드를 이용하여 상기 라플라시안 피라미드를 생성할 수 있다.
상기 타겟 영역을 이미지 합성하는 단계는 상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 타겟 영역의 타겟 패치들 각각에 대한 소스 패치들 - 상기 소스 패치들은 상기 타겟 영역 바깥쪽의 패치들임 - 을 검색하고, 상기 검색된 소스 패치들을 이용하여 상기 타겟 패치들 각각의 픽셀을 업데이트함으로써, 상기 타겟 영역을 이미지 합성할 수 있다.
상기 타겟 영역을 이미지 합성하는 단계는 상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 타겟 패치들 각각에 대한 최근접 이웃(nearest-neighbor) 소스 패치들을 검색할 수 있다.
상기 타겟 영역을 이미지 합성하는 단계는 상기 검색된 소스 패치들과 상기 타겟 영역의 경계에서 상기 타겟 패치들 각각의 거리에 따른 가중치에 기초하여 상기 타겟 패치들 각각의 픽셀을 업데이트할 수 있다.
상기 타겟 영역을 이미지 합성하는 단계는 상기 검색된 소스 패치들과 상기 타겟 패치들의 유사도와 상기 타겟 패치들 각각의 타겟 픽셀에서의 신뢰 가중치에 기초하여 상기 타겟 패치들 각각의 픽셀을 업데이트할 수 있다.
상기 타겟 영역의 이미지 합성을 수행하는 단계는 이전 레벨에서의 상기 타겟 영역의 이미지 합성 결과를 상기 타겟 영역에 채워 넣고, 상기 이미지 합성하는 단계를 반복 수행할 수 있다.
본 발명의 다른 일 실시예에 따른 이미지 합성 방법은 입력 이미지에 대한 라플라시안 피라미드를 생성하는 단계; 상기 생성된 라플라시안 피라미드를 사용하여 각 레벨에서의 2차 미분 성질을 가우시안 차이(Difference of Gaussian)을 통해 근사하는 단계; 및 상기 근사된 각 레벨에서의 2차 미분 성질을 이용하여 상기 입력 이미지 내의 타겟 영역을 이미지 합성하는 단계를 포함한다.
상기 생성하는 단계는 상기 입력 이미지에 대한 가우시안 피라미드와 상기 가우시안 피라미드를 업샘플링한 업샘플링 가우시안 피라미드를 이용하여 상기 라플라시안 피라미드를 생성할 수 있다.
상기 타겟 영역을 이미지 합성하는 단계는 상기 입력 이미지에 대한 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 타겟 영역의 타겟 패치들 각각에 대한 소스 패치들 - 상기 소스 패치들은 상기 타겟 영역 바깥쪽의 패치들임 - 을 검색하고, 상기 검색된 소스 패치들을 이용하여 상기 타겟 패치들 각각의 픽셀을 업데이트함으로써, 상기 타겟 영역을 이미지 합성할 수 있다.
상기 타겟 영역을 이미지 합성하는 단계는 상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 타겟 패치들 각각에 대한 최근접 이웃(nearest-neighbor) 소스 패치들을 검색할 수 있다.
상기 타겟 영역을 이미지 합성하는 단계는 상기 검색된 소스 패치들과 상기 타겟 영역의 경계에서 상기 타겟 패치들 각각의 거리에 따른 가중치에 기초하여 상기 타겟 패치들 각각의 픽셀을 업데이트할 수 있다.
상기 타겟 영역을 이미지 합성하는 단계는 상기 검색된 소스 패치들과 상기 타겟 패치들의 유사도와 상기 타겟 패치들 각각의 타겟 픽셀에서의 신뢰 가중치에 기초하여 상기 타겟 패치들 각각의 픽셀을 업데이트할 수 있다.
상기 타겟 영역을 이미지 합성하는 단계는 이전 레벨에서의 상기 타겟 영역의 이미지 합성 결과를 상기 타겟 영역에 채워 넣고, 각 레벨별로 순차적으로 반복 수행함으로써, 상기 타겟 영역의 이미지 합성을 수행할 수 있다.
본 발명의 일 실시예에 따른 이미지 합성 장치는 입력 이미지에 대한 라플라시안 피라미드를 생성하는 생성부; 상기 생성된 라플라시안 피라미드를 사용하여 각 레벨에서의 2차 미분 성질을 가우시안 차이(Difference of Gaussian)을 통해 근사하는 근사화부; 및 상기 근사된 각 레벨에서의 2차 미분 성질을 이용하여 상기 입력 이미지 내의 타겟 영역을 이미지 합성하는 합성부를 포함한다.
본 발명의 실시예들에 따르면, DoG(difference of Gaussian)를 계산하여 2차 미분을 근사하고 이를 이용하여 이미지 합성을 수행함으로써 1차 미분 합성 이미지를 합성해야 하는 문제를 피할 수 있다.
또한 본 발명의 실시예들에 따르면, 2차 미분 패치를 사용하여 이미지를 합성함으로써, 에지 방향 의존도가 큰 1차 미분에 비해 다른 방향의 에지 구조를 잘 감지할 수 있다.
또한 본 발명의 실시예들에 따르면, 이미지에서의 빈 부분을 채우는 이미지 합성 알고리즘으로, 다양한 어플리케이션에 적용하여 사용할 수 있다.
예를 들어, 구글(goggle) 도로 이미지에 사람, 자동차 등이 많이 촬영되고 이는 사생활 침해와 연관이 깊은데, 물체를 감지하고 감지한 영역을 비운 후 본 발명의 이미지 합성 알고리즘을 이용하여 빈 영역을 채움으로써 사생활 침해 문제를 해결할 수 있다.
또한 이미지가 구김 또는 오물에 의해 부분 손상이 발생하는 경우 손상된 부분을 고치는 용도로 사용될 수도 있으며, 마음에 들지 않은 부분을 새로 디자인할 때 이미지 컴플리션을 통해 초기 밑그림을 채울 수도 있다.
이와 같이, 본 발명을 이용하면, 어떤 이유로 잘 촬영되지 않은 영역을 포함하는 이미지, 포어그라운드(foreground) 물체를 제거한 결과 백그라운드에서 빈 영역으로 남게 되는 영역을 포함하는 이미지, 알 수 없는 이유로 훼손된 영역을 포함하는 이미지 등에서 이미지 내의 빈 영역을 자연스럽게 채울 수 있습니다.
또한 본 발명의 실시예들에 따르면, 기존 이미지 컴플리션과 비교하여 컴플리션 퀄리티를 유지한 상태로 이미지 컴플리션 소요시간을 줄일 수 있기 때문에 사용자들이 편하고 빠르게 사용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 이미지 합성 장치를 설명하기 위한 일 예시도를 나타낸 것이다.
도 2는 본 발명에 따른 이미지 합성 장치를 포함하는 컴퓨팅 장치의 내부 구성을 설명하기 위한 블록도를 나타낸 것이다.
도 3은 가우시안과 가우시안 차이(DoG)를 설명하기 위한 일 예시도를 나타낸 것이다.
도 4는 본 발명의 라플라시안 피라미드에서 에지-인식 대응점 검색의 개념도를 나타낸 것이다.
도 5는 본 발명의 실시예에 따른 라플라시안 패치 기반 이미지 합성 방법에 대한 개념도를 나타낸 것이다.
도 6은 본 발명의 일 실시예에 따른 라플라시안 기반 이미지 컴플리션 알고리즘을 나타낸 것이다.
도 7은 본 발명의 일 실시예에 따른 이미지 합성 방법에 대한 동작 흐름도를 나타낸 것이다.
도 8은 본 발명의 일 실시예에 따른 이미지 합성 장치에 대한 구성 블록도를 나타낸 것이다.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일 실시예에 따른 이미지 합성 장치를 설명하기 위한 일 예시도를 나타낸 것이다.
도 1에 도시된 바와 같이, 본 발명에 따른 이미지 합성 장치는 컴퓨팅 장치(100) 내부에 탑재 또는 설치될 수 있으며, 일정 영역이 비어 있는 입력 이미지에서 비어 있는 일정 영역을 최대한 자연스럽게 채울 수 있는 장치이다.
여기서, 입력 이미지는 어떤 이유로 잘 촬영되지 않은 영역을 포함하는 이미지, 포어그라운드 물체를 제거한 결과 백그라운드에서 빈 영역으로 남게 되는 영역을 포함하는 이미지, 알 수 없는 이유로 훼손된 영역을 포함하는 이미지 등과 같이 채워야 하는 영역을 가지고 있는 모든 종류의 이미지를 포함할 수 있다.
도 1에 도시된 컴퓨팅 장치(100)는 본 발명에 따른 이미지 합성 알고리즘을 설치 또는 탑재할 수 있는 모든 기기를 포함할 수 있으며, 예를 들어, 포토샵과 같은 소프트웨어를 설치할 수 있는 스마트폰(smart phone), 컴퓨터, 노트북, PDA(Personal Digital Assistants), 태블릿 PC 등이 될 수 있다.
이러한 컴퓨팅 장치는 무선 또는 유선 통신 방식을 이용하여 네트워크를 통해 다른 전자 기기들 및/또는 서버와 통신할 수 있다.
통신 방식은 제한되지 않으며, 네트워크가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
도 2는 본 발명에 따른 이미지 합성 장치를 포함하는 컴퓨팅 장치의 내부 구성을 설명하기 위한 블록도를 나타낸 것이다.
도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다.
메모리(210)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 드라이브 메커니즘(drive mechanism)을 이용하여 메모리와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 통신 모듈을 통해 메모리에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템 예를 들어, 서버가 네트워크를 통해 제공하는 파일들에 의해 설치되는 프로그램에 기반하여 메모리에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리 또는 통신 모듈에 의해 프로세서로 제공될 수 있다. 예를 들어, 프로세서는 메모리와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다. 여기서, 프로세서(220)는 본 발명의 이미지 합성 방법을 수행하는 구성 수단일 수 있다.
통신 모듈(230)은 네트워크를 통해 다른 전자 기기 또는 서버와 서로 통신하기 위한 기능을 제공할 수 있다.
입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 어플리케이션의 통신 세션을 표시하기 위한 디스플레이와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다.
또한, 다른 실시예들에서 컴퓨팅 장치는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨팅 장치는 상술한 입출력 장치 중 적어도 일부를 포함하도록 구현되거나 또는 스피커, 마이크, 각종 센서 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
본 발명은 이러한 컴퓨팅 장치에 설치되어 수행될 수 있으며, 이하 컴퓨팅 장치에서 수행되는 본 발명의 실시예들에 따른 방법 및 장치에 대해 도 3 내지 도 8을 참조하여 설명한다.
본 발명은 이미지 합성에 있어서 구조적 일관성을 향상시키기 위하여 라플라시안 피라미드를 활용한다. 라플리시안 피라미드에서의 최근접 이웃 검색(또는 검색)는 전파된 구조 정보의 회전에 불변하기에, 기존 방법들과 비교해서 대응점 검색(correspondence search)의 정확성을 향상시킬 수 있다. 또한, 본 발명은 업샘플링 가우시안 이미지와 라플라시안 이미지를 사용하기 때문에, 노이즈와 파라미터들의 변화에 강인한 결과를 얻을 수 있다. 본 발명의 상세한 설명에서는 에지-인식(또는 에지 종점) 이미지 합성 기술에 대해 설명한다.
1. 라플라시안 일관성 공간(Laplacian Coherent Spaces)
가우시안, 그래디언트 및 라플라시안: 이미지 피라미드는 이미지의 다중 해상도 표현을 제공하고, 많은 어플리케이션에서 사용된다. 파라미드는 필터링과 샘플링의 두 스텝으로 생성된다.
도 3에 도시된 바와 같이, 가우시안 함수(a), 가우시안 그래디언트(b)와 그래디언트 발산(c)은 보통 필터링하는데 사용된다. 컨볼루션 필터링은 선형 연산이기 때문에, 가우시안 필터링된 이미지의 라플라시안
Figure 112016077836103-pat00001
은 라플라시안 커널
Figure 112016077836103-pat00002
로 필터링된 이미지와 동일하다. 필터링에 의한 신호를 다운샘플링함으로써, 이미지 피라미드를 형성한다.
특히, 그래디언트
Figure 112016077836103-pat00003
와 라플라시안
Figure 112016077836103-pat00004
은 이미지에서 에지 구조를 검출하는데 주로 사용된다. 그래디언트는 x와 y의 일차 편미분으로부터 계산된다. 즉,
Figure 112016077836103-pat00005
이 된다. 적어도 두 개의 연산자는 이미지에서 로컬 구조의 변화를 검출하기 위해 필요하다. 도 3에 도시된 바와 같이, 그래디언트는 각 방향에 대한 다중 연산자를 요구하는 방향성 에지 검출기이다, 따라서, 그래디언트 크기(magnitude)는 에지를 검출하는 용도로 사용된다.
그래디언트와 달리, 라플라시안 연산자
Figure 112016077836103-pat00006
는 이미지에서 함수의 회전에 불변하는 등방성 에지 검출기이다.
라플라시안 피라미드는 도 4a에 도시된 바와 같이 각 주파수 대역의 대역 통과된 구조 정보를 저장한다. 피라미드는 다양한 에지-인식 이미지 프로세싱에 넓게 사용된다.
라플라시안 컴퓨팅(computing the Laplacians): 큰 가중치(weighting) 함수를 가지는 컨볼루션은 많은 계산량을 필요로 하기 때문에 가우시안의 라플라시안(LoG; Laplacian of Gaussian)은 도 3d 내지 도 3f에 도시된 바와 같이, 다른 스케일의 두 가우시안 차이(DoG; Difference of Gaussian)로 간단하게 근사화될 수 있다. 레벨 (l+1)의 이미지 스케일은 가우시안 피라미드에서 레벨 l의 절반 스케일로 줄어들고, DoG은 높은 정확도를 가지고 LoG로 근사될 수 있다. 도 3c와 도 3f는 LoG와 DoG의 유사도를 비교한다. 그래디언트의 백워드 계산은 포아송 방정식을 풀어야 하기 때문에 계산량이 많고, 적분되지 않은 그래디언트 필드에 의해 원하지 않은 아티팩트가 발생될 수 있다. 반대로, DoG를 사용하는 라플라시안의 포워드와 백워드 계산은 뺄셈과 합산의 연산에 매우 효과적이며, 라플라시안 피라미드는 패치 기반 이미지 합성에 뛰어난 잠재성을 가지고 있다. 이러한 이유로, 본 발명은 포아송 방정식을 푸는 것과 같은 기존 패치 기반 합성 방법들에서 계산되는 추가적인 계산 비용을 필요로 하지 않는다.
2. 라플라시안 피라미드의 패치 기반 합성(patch-based synthesis on a Laplacian pyramid)
피라미드 커널 연산자의 선택은 이미지를 도출하는 정보에 대해 크리티컬하다. 가우시안 연산자는 주파수의 각 레벨에서 기본 구조를 결정하는데 효과적이다. 이 연산자는 기존의 다양한 알고리즘에서 제안한 대응점을 검색(searching correspondence)하고 유사도를 집계(aggregating similarity)하는데 공간적인 일관성을 달성하기 위하여 많은 이미지 컴플리션 알고리즘에서 자주 사용된다. 가우시안과는 반대로, 그래디언트와 라플라시안 연산자는 이미지의 각 레벨의 에지 구조를 찾을 수 있다. 미분의 피라미드 요소는 그래디언트 또는 라플라시안의 공간적인 도메인에서 로컬 영역에 보존된다. 미분 이미지 피라미드는 주파수의 각 레벨에서 에지 지역화로 분해된다.
최근 기존 방식에서, 이미지 피라미드에서 컬러와 그래디언트를 검사하는 대응점 검색(또는 검색)이 소개된 바 있다. 1차 미분 검사는 이미지 컴플리션에서 구조 일관성의 대응점 검색에 매우 이롭다. 본 발명은 기존 방식에 비해 집계된 대응점과 회전 불변성의 두 차이점이 있다.
라플라시안 피라미드 만들기(Building a Laplacian Pyramid): 예제 기반 이미지 컴플리션의 입력은 컬러 이미지 I와 마스크 이미지 M이다. 여기서, 마스크 이미지 M은 소스 영역 S와 타겟 영역 T를 구분 짓는다. 예제 기반 이미지 컴플리션의 목적은 이미지 I의 타겟 영역 T를 소스 영역 S의 내용들로 채우는 것이다. 이미지 인페인팅에 라플라시안 피라미드를 사용하기 위해, 본 발명은 먼저 이미지 I에 대해 가우시안 피라미드 G를 아래 <수학식 1>과 같이 구성한다.
[수학식 1]
Figure 112016077836103-pat00007
여기서, Gi는 i번째 가우시안 피라미드 이미지(또는 가우시안 피라미드 G의 i번째 스케일)를 의미하고, 가우시안 피라미드의 이미지 수(또는 전체 스케일 수)는 n+1개이며, downsample()은 블러된(blurred) 이미지(또는 필터링된 스케일)를 부분 샘플링하는 연산자를 의미할 수 있다. 가우시안 피라미드에서 가장 디테일한 피라미드(finest level)는 G0로 오리지널 이미지 I와 같다. i번째 가우시안 스케일 Gi +1은 이전 스케일 Gi를 가우시안 필터링한 후 부분 샘플링하여 구해질 수 있다.
그리고 라플라시안 피라미드 L를 가우시안 피라미드의 차이(DoG)로 계산하며, 아래 <수학식 2>와 같이 나타낼 수 있다.
[수학식 2]
Figure 112016077836103-pat00008
여기서 upsample()은 업샘플링 연산자이다. 본 발명의 알고리즘을 간단히 설명하기 위해, 업샘플링된 가우시안 피라미드 U를 정의한다. i번째 라플라시안 이미지 Li는 Gi와 Gi +1 사이에서 존재하는 디테일 구조이다. 가우시안 피라미드에서 가우시안 레벨 수는 한정되어 있으므로 가장 거친 레벨(coarse level)의 라플라시안 피라미드 Ln은 가우시안 피라미드의 가장 거친 레벨 이미지 Gn 과 같다.
본 발명의 DoG 기반 라플라시안 피라미드는 도 4a와 도 4b에 도시된 바와 같이, 가우시안 피라미드와 라플라시안 피라미드의 두 이미지를 포함한다. 기본 구조의 주파수는 가우시안 피라미드에서 각 레벨의 강도로 분해되고, 에지 구조의 주파수는 라플라시안 피라미드의 주파수의 각 레벨에서 라플라시안으로 지역화(localized)된다. 도 4는 본 발명의 라플라시안 피라미드에서 에지-인식 대응점 검색의 개념도를 나타낸 것으로, 그래디언트 기반 검색(d)와 기존 가우시안 기반 검색(e)를 비교한 것을 나타낸 것이다. 본 발명은 5 x 5 블러 커널을 사용하여 가우시안 피라미드를 만들었다.
집계된 대응점(Aggregated correspondence): 우리가 두 개의 피라미드를 택한 이유는 베이스 구조와 에지 구조의 집계된 대응점(aggregated correspondence)이다.
도 4c의 맨 아래 도면은 U2와 L2의 스케일의 원형 함수의 좌측 상단 코너에서 모든 소스 패치들의 타겟 패치까지의 패치 컬러 거리에 대한 예를 나타낸 것으로, 화살표가 가리키는 영역은 양쪽의 피라미드에서 베이스 구조 정보와 디테일 구조 정보가 집계(aggregation)됨을 의미한다. 랜덤 검색 알고리즘은 후술할 <수학식 3>에 나타낸 바와 같이, 점진적으로 패치의 색깔 거리를 최소화하고자 함으로, 베이스구조와 디테일 구조의 집계된 에지는 랜덤 검색 알고리즘의 특성 때문에 구조의 대응점을 찾는데 중대한 단서가 된다.
이에 대조적으로 도 4d에 도시된 그래디언트 크기(또는 그래디언트 거리 함수)와 도 4e에 도시된 가우시안 스케일(또는 가우시안 거리 함수)는 오직 몇 개의 패치만이 두드러지게 높은 값을 갖고 있다. 결과적으로 대부분의 패치 구조는 후술할 <수학식 4>에 나타낸 바와 같이, vote 과정에서 컬러들의 가중치 합을 계산할 때 가중치에 의해 무시된다. 이러한 그래디언트와 가우시안 두 개의 이미지 피라미드는 패치 거리의 에너지 함수로 사용될 수 있다.
이러한 관찰을 기초하여 본 발명에서 대응점을 찾는 주 전략은 저주파수 베이스 구조의 거리를 최소화 할뿐만 아니라 고주파수 디테일 구조의 거리를 보존하는 것이다.
본 발명에서의 에너지 함수는 반복적 기대-최대화(EM; Expectation-Maximization) 알고리즘과 비슷하나 업샘플링 가우시안과 라플라시안의 두 이미지 피라미드를 사용한다는 점에서 큰 차이점이 있다.
기대 단계에서는 도 4c의 중간 도면에 도시된 바와 같이 모든 타겟 패치들에 대해 소스 패치들을 찾는다. 본 발명은 거리 함수를 이용한 타겟 패치들의 최근접 이웃 필드(NNF)를 근사하기 위하여 랜덤 대응점 검색 알고리즘을 사용하며, 아래 <수학식 3>과 같이 나타낼 수 있다.
[수학식 3]
Figure 112016077836103-pat00009
여기서, i는 현재 레벨을 의미하고, p와 q는 타겟 영역 T와 소스 영역 S에서의 픽셀 위치를 의미하며, Ui ,p와 Li ,p는 피라미드 U, L의 레벨 i에 픽셀 위치 p를 중심으로 하는 패치를 의미하고, D는 두 개의 패치의 CIELAB 색들간의 사각 거리의 합(SSD; sum of square distance)를 의미하며, α, β는 저주파수 기본 스케일 U와 고주파수 디테일 스케일 L의 비율을 결정하는 것으로, α+β=1일 수 있다.
회전 불변(rotation invariance): 도 4d에 도시된 바와 같이, 이미지 그래디언트
Figure 112016077836103-pat00010
와
Figure 112016077836103-pat00011
는 이들이 방향 연산자이기 때문에 오직 수평 방향과 수직 방향의 구조적 변화를 감지할 수 있다. 그래디언트 기반 방식과는 달리, 본 발명은 회전 불변의 성질을 갖고 있는 라플라시안 연산자를 사용하기 때문에 회전에 불변하는 중요한 이점을 가진다. 라플라시안은 어떤 방향의 에지 근방 구조적 변화에서 똑같이 동작하며 디테일 구조를 감지하는데 강인하다. 라플라시안의 등방성 성질은 로컬(또는 지역적) 구조의 대응점을 사용하는데 다중 연산자인 그래디언트 사용을 피할 수 있으며 이는 연산적 효율을 기대할 수 있다.
결합된 vote(Combined Vote): 본 발명은 대응점을 찾은 후에 타겟 패치들과 소스 패치들의 유사도를 최대화하기 위하여, 최근접 소스 패치들을 블렌딩함으로써, 업샘플링 가우시안 이미지와 라플라시안 이미지를 업데이트한다.
알고리즘의 수렴을 가속화 하기 위해, 본 발명은 스케일의 가중치 블렌딩을 수행한다. 컬러 거리가 유사한 패치들과 컴플리션 경계에 가까운 패치들은 높은 가중치가 주어진다.
라플라시안 구조 재구성(Laplacian Structure Reconstruction): 레벨 i에서의 EM 최적화가 수렴되면 채워진 결과 Li, Ui를 다음 레벨 i-1에 전달하여야 한다. 즉 i 레벨에서의 컴플리션은 다음 레벨 i-1의 초기 컴플리션으로 활용될 수 있다. 도 5와 도 6에 도시된 바와 같이, 레벨 i에서 채워진 가우시안
Figure 112016077836103-pat00012
의 미세 스케일(finer scale)은 상기 수학식 2를 이용하여 레벨 i에서 업샘플링 가우시안
Figure 112016077836103-pat00013
와 라플라시안
Figure 112016077836103-pat00014
를 더하여 구해질 수 있다. 결과적으로, 재구성된 가우시안
Figure 112016077836103-pat00015
는 채워진 가우시안을 업샘플링한
Figure 112016077836103-pat00016
로부터 구해질 수 있다. 그러나, 레벨 i-1에서 라플라시안
Figure 112016077836103-pat00017
의 미세 스케일은 이러한 방식으로 재구성될 수 없다. 라플라시안 스케일
Figure 112016077836103-pat00018
은 고주파 디테일을 보유하고 있기 때문에 레벨 i에서 획득된 검색 패치
Figure 112016077836103-pat00019
의 최근접 이웃 필드 대응점을 이용하여 레벨 i-1에서 소스 영역의 정보로 라플라시안 스케일
Figure 112016077836103-pat00020
의 타겟 영역을 채울 수 있다.
이러한 방법으로, 본 발명은 거친 레벨(coarse level)부터 최미세 레벨(finest level)까지 두 이미지 피라미드에서 기본 구조와 디테일 구조를 컴플리트할 수 있다.
.
Vote: 컬러 보팅(voting) 단계에 대해 설명하면, 본 발명은 먼저 레벨 l에서 픽셀 q의 타겟 패치와 이에 대응하는 픽셀 p의 소스 패치의 유사도
Figure 112016077836103-pat00021
를 계산한다. 여기서, σ는 검출하고자 하는 유사도의 감도(sensitivity)를 결정할 수 있다. 유사도 이외에, 본 발명은 타겟 픽셀 q에서 신뢰 가중치 Λ(q)를 계산할 수 있으며, 이는 채워진 경계에 더 가까운 타겟 포인트에 더 높은 신뢰 값을 할당함으로써, 경계 오류를 피할 수 있다. 이런 보팅 프로세스는 타겟 영역 내의 이미지가 이미지 내 타겟 영역 바깥에 위치되는 것을 가정으로 한다. 본 발명은 픽셀 q에서의 유사도와 신뢰의 두 메트릭을 가중치
Figure 112016077836103-pat00022
로 결합한다. 모든 타겟 픽셀 q에 대해, 본 발명은 가중치
Figure 112016077836103-pat00023
를 사용하여 최근접 이웃 필드
Figure 112016077836103-pat00024
로부터
Figure 112016077836103-pat00025
의 중첩 컬러의 가중치 평균 cq를 계산하며, 가중치 평균은 아래 <수학식 4>와 같이 계산될 수 있다.
[수학식 4]
Figure 112016077836103-pat00026
여기서, Q는 타겟 픽셀 q에서의 중첩된 패치들을 의미할 수 있다.
상술한 바와 같이, 본 발명의 실시예에 따른 라플라시안 패치 기반 이미지 합성 방법은 가우시안 피라미드와 라플라시안 피라미드를 이용하여 DoG(difference of Gaussian)를 계산하고, DoG를 이용하여 2차 미분을 근사하고 근사화된 2차 미분을 통해 이미지 합성을 수행함으로써 1차 미분 합성 이미지를 합성해야 하는 문제를 피할 수 있다.
이러한 본 발명에 따른 방법은 어떤 이유로 잘 촬영되지 않은 영역을 포함하는 이미지, 포어그라운드 물체를 제거한 결과 백그라운드에서 빈 영역으로 남게 되는 영역을 포함하는 이미지, 알 수 없는 이유로 훼손된 영역을 포함하는 이미지 등에서 이미지 내의 빈 영역을 자연스럽게 채울 수 있습니다.
이러한 본 발명에 따른 방법을 도 7을 참조하여 조금 더 설명하면 다음과 같다.
도 7은 본 발명의 일 실시예에 따른 이미지 합성 방법에 대한 동작 흐름도를 나타낸 것이다.
도 7을 참조하면, 본 발명의 실시예에 따른 이미지 합성 방법은 입력 이미지가 수신되면 입력 이미지에 대한 라플라시안 피라미드를 생성한다(S710).
여기서, 라플라시안 피라미드는 입력 이미지에 대한 가우시안 피라미드와 가우시안 피라미드를 업샘플링한 업샘플링 가우시안 피라미드를 이용하여 생성될 수 있으며, 상술한 수학식 2를 통해 알 수 있다.
구체적으로, 본 발명은 업샘플링 가우시안 피라미드와 라플라시안 피라미드를 생성하는 것으로, 이렇게 생성된 업샘플링 가운시안 피라미드와 라플라시안 피라미드의 두 피마리드를 이용하는 것이다.
단계 S710에 의해 라플라시안 피라미드가 생성되면 생성된 라플라시안 피라미드를 사용하여 각 레벨에서의 2차 미분 성질을 가우시안 차이(Difference of Gaussian)을 통해 근사한다(S720).
그리고, 각 레벨에서 근사화된 2차 미분 성질을 이용하여 입력 이미지 내의 타겟 영역을 이미지 합성한다(S730).
여기서, 단계 S730은 입력 이미지에 대한 가우시안 피라미드와 라플라시안 피라미드를 이용하여 타겟 영역의 타겟 패치들 각각에 대한 소스 패치들을 검색하고, 검색된 소스 패치들을 이용하여 타겟 패치들 각각의 픽셀을 업데이트함으로써, 타겟 영역을 이미지 합성할 수 있다.
이 때, 단계 S730은 가우시안 피라미드와 라플라시안 피라미드를 이용하여 타겟 패치들 각각에 대한 최근접 이웃 소스 패치들을 검색하고, 이렇게 검색된 최근접 이웃 소스 패치들을 타겟 패치들에 블렌딩함으로써, 타겟 패치들 각각의 픽셀을 업데이트할 수 있다.
나아가, 단계 S730은 검색된 소스 패치들과 타겟 영역의 경계에서 타겟 패치들 각각의 거리에 따른 가중치에 기초하여 타겟 패치들 각각의 픽셀을 업데이트할 수 있으며, 더 나아가, 검색된 소스 패치들과 타겟 패치들의 유사도와 타겟 패치들 각각의 타겟 픽셀에서의 신뢰 가중치에 기초하여 타겟 패치들 각각의 픽셀을 업데이트할 수도 있다.
이러한 이미지 합성은 피라미드의 각 레벨에 대하여 순차적으로 반복 수행되는 것으로, 구체적으로 이전 레벨에서의 타겟 영역의 이미지 합성 결과를 타겟 영역에 채워 넣고, 각 레벨별 즉, 거친(coarse) 레벨부터 최미세(finest) 레벨로 순차적으로 반복 수행함으로써, 타겟 영역의 이미지 합성을 수행할 수 있다. 다시 말해, 각 레벨 마다 타겟 영역의 이미지를 합성하는 인페인팅 프로세스를 반복적으로 수행하고, 인페인팅 프로세스는 최근접 이웃 소스 패치를 검색하는 과정과 이렇게 검색된 소스 패치를 이용하여 타겟 패치의 픽셀을 업데이트하는 보팅(voting) 과정을 수행하는 것으로, 이전 레벨의 결과물을 다음 레벨에서 사용하는 것이다. 한 레벨에서 본 발명의 이미지 인페인팅을 수행하면, 업샘플링 가우시안을 채운 이미지와 라플라시안을 채운 이미지가 나오고, 이렇게 나온 두 이미지를 그 다음 레벨에서 사용하는 것이다.
또한, 본 발명의 다른 실시예에 따른 방법은 입력 이미지에 대한 가우시안 피라미드와 라플라시안 피라미드를 생성하고, 가우시안 피라미드와 라플라시안 피라미드를 병렬적으로 사용함으로써, 입력 이미지 내의 타겟 영역을 이미지 합성하며, 이러한 이미지를 합성하는 과정을 가우시안 피라미드와 라플라시안 피라미드의 각 레벨별로 순차적으로 반복 수행함으로써, 타겟 영역의 이미지 합성을 수행할 수 있다.
물론, 라플라시안 피라미드를 생성하는 내용, 최근접 이웃 소스 패치들을 검색하는 내용, 가중치를 고려하여 이미지를 합성하는 내용, 유사도와 신뢰도를 이용하여 이미지를 합성하는 내용 등은 도 7의 내용과 동일하기에 그 설명은 생략한다.
이러한 본 발명에 따른 기술은 이미지 관련 소프트웨어 또는 어플리케이션 예를 들어, 포토샵에서 이미지의 비어 있는 곳을 적절히 채울 수 있는 기술로서, 어떤 이유로 잘 촬영되지 않은 영역, 포어그라운드 물체를 제거한 결과 백그라운드에서 빈 영역으로 남게 되는 영역, 알 수 없는 이유로 훼손된 영역을 최대한 자연스럽게 채울 수 있는 기술이다.
도 8은 본 발명의 일 실시예에 따른 이미지 합성 장치에 대한 구성 블록도를 나타낸 것으로, 상술한 도 1 내지 도 7의 내용을 수행하는 장치에 대한 구성이며, 도 2의 컴퓨팅 장치의 프로세서에 대응될 수 있다.
도 8을 참조하면, 본 발명의 실시예에 따른 장치(800)는 생성부(810), 근사화부(820) 및 합성부(830)를 포함한다.
생성부(810)는 입력 이미지가 수신되면 입력 이미지에 대한 라플라시안 피라미드를 생성한다.
여기서, 생성부(810)는 입력 이미지에 대한 가우시안 피라미드와 가우시안 피라미드를 업샘플링한 업샘플링 가우시안 피라미드를 이용하여 라플라시안 피라미드를 생성할 수 있다.
근사화부(820)는 생성된 라플라시안 피라미드를 사용하여 각 레벨에서의 2차 미분 성질을 가우시안 차이(Difference of Gaussian)을 통해 근사한다.
합성부(830)는 각 레벨에서 근사화된 2차 미분 성질을 이용하여 입력 이미지 내의 타겟 영역을 이미지 합성한다.
이 때, 합성부(830)는 입력 이미지에 대한 가우시안 피라미드와 라플라시안 피라미드를 이용하여 타겟 영역의 타겟 패치들 각각에 대한 소스 패치들을 검색하고, 검색된 소스 패치들을 이용하여 타겟 패치들 각각의 픽셀을 업데이트함으로써, 타겟 영역을 이미지 합성할 수 있다.
이 때, 합성부(830)는 가우시안 피라미드와 라플라시안 피라미드를 이용하여 타겟 패치들 각각에 대한 최근접 이웃 소스 패치들을 검색하고, 이렇게 검색된 최근접 이웃 소스 패치들을 타겟 패치들에 블렌딩함으로써, 타겟 패치들 각각의 픽셀을 업데이트할 수 있다.
나아가, 합성부(830)는 검색된 소스 패치들과 타겟 영역의 경계에서 타겟 패치들 각각의 거리에 따른 가중치에 기초하여 타겟 패치들 각각의 픽셀을 업데이트할 수 있으며, 더 나아가, 검색된 소스 패치들과 타겟 패치들의 유사도와 타겟 패치들 각각의 타겟 픽셀에서의 신뢰 가중치에 기초하여 타겟 패치들 각각의 픽셀을 업데이트할 수도 있다.
합성부(830)는 이러한 이미지 합성을 피라미드의 각 레벨에 대하여 순차적으로 반복 수행되는 것으로, 구체적으로 이전 레벨에서의 타겟 영역의 이미지 합성 결과를 타겟 영역에 채워 넣고, 각 레벨별 즉, 거친(coarse) 레벨부터 최미세(finest) 레벨로 순차적으로 반복 수행함으로써, 타겟 영역의 이미지 합성을 수행할 수 있다.
물론, 이 뿐만 아니라 본 발명의 일 실시예에 따른 따른 장치는 도 1 내지 도 7에서 설명한 내용을 모두 포함할 수 있다는 것은 이 기술 분야에 종사하는 당업자에게 자명하다.
또한, 본 발명에 따른 장치는 도 8에 도시된 구성 수단으로만 구성되는 것으로 한정되지 않으며, 컴퓨팅 장치의 프로세서에서 수행할 수 있는 기능적인 수단에 의해 구성될 수 있다. 즉, 도 8의 구성 수단을 프로세서의 기능적인 구성 수단을 도시한 것으로, 적어도 하나의 프로세서에 의해 도 8의 구성 수단의 기능을 수행할 수 있다.
이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 시스템, 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매질 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매질에 저장될 수 있다.
실시예들에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매질에 기록될 수 있다. 상기 컴퓨터 판독 가능 매질은 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매질에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매질의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매질(magnetic media), CD-ROM, DVD와 같은 광기록 매질(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매질(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (21)

  1. 입력 이미지에 대한 가우시안 피라미드와 라플라시안 피라미드를 생성하는 단계;
    상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 입력 이미지 내의 타겟 영역을 이미지 합성하는 단계; 및
    상기 이미지 합성하는 단계를 상기 가우시안 피라미드와 상기 라플라시안 피라미드의 각 레벨별로 순차적으로 반복 수행함으로써, 상기 타겟 영역의 이미지 합성을 수행하는 단계
    를 포함하고,
    상기 생성하는 단계는
    상기 가우시안 피라미드와 상기 가우시안 피라미드를 업샘플링한 업샘플링 가우시안 피라미드를 이용하여 상기 라플라시안 피라미드를 생성하며, i번째 가우시안 이미지와 (i+1)번째 가우시안 이미지를 업샘플링한 업샘플링 가우시안 이미지의 차이를 이용하여 i번째 라플라시안 이미지를 생성하고,
    상기 입력 이미지는
    기본 구조와 에지 구조를 포함하며,
    상기 기본 구조의 주파수는
    상기 가우시안 피라미드에서 각 레벨의 강도로 분해되고,
    상기 에지 구조의 주파수는
    상기 라플라시안 피라미드의 주파수의 각 레벨에서 라플라시안으로 지역화되는 이미지 합성 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 타겟 영역을 이미지 합성하는 단계는
    상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 타겟 영역의 타겟 패치들 각각에 대한 소스 패치들 - 상기 소스 패치들은 상기 타겟 영역 바깥쪽의 패치들임 - 을 검색하고, 상기 검색된 소스 패치들을 이용하여 상기 타겟 패치들 각각의 픽셀을 업데이트함으로써, 상기 타겟 영역을 이미지 합성하는 것을 특징으로 하는 이미지 합성 방법.
  4. 제3항에 있어서,
    상기 타겟 영역을 이미지 합성하는 단계는
    상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 타겟 패치들 각각에 대한 최근접 이웃(nearest-neighbor) 소스 패치들을 검색하는 것을 특징으로 하는 이미지 합성 방법.
  5. 제3항에 있어서,
    상기 타겟 영역을 이미지 합성하는 단계는
    상기 검색된 소스 패치들과 상기 타겟 영역의 경계에서 상기 타겟 패치들 각각의 거리에 따른 가중치에 기초하여 상기 타겟 패치들 각각의 픽셀을 업데이트하는 것을 특징으로 하는 이미지 합성 방법.
  6. 제3항에 있어서,
    상기 타겟 영역을 이미지 합성하는 단계는
    상기 검색된 소스 패치들과 상기 타겟 패치들의 유사도와 상기 타겟 패치들 각각의 타겟 픽셀에서의 신뢰 가중치에 기초하여 상기 타겟 패치들 각각의 픽셀을 업데이트하는 것을 특징으로 하는 이미지 합성 방법.
  7. 제1항에 있어서,
    상기 타겟 영역의 이미지 합성을 수행하는 단계는
    이전 레벨에서의 상기 타겟 영역의 이미지 합성 결과를 상기 타겟 영역에 채워 넣고, 상기 이미지 합성하는 단계를 반복 수행하는 것을 특징으로 하는 이미지 합성 방법.
  8. 입력 이미지에 대한 라플라시안 피라미드를 생성하는 단계;
    상기 생성된 라플라시안 피라미드를 사용하여 각 레벨에서의 2차 미분 성질을 가우시안 차이(Difference of Gaussian)을 통해 근사하는 단계; 및
    상기 근사된 각 레벨에서의 2차 미분 성질을 이용하여 상기 입력 이미지 내의 타겟 영역을 이미지 합성하는 단계
    를 포함하고,
    상기 생성하는 단계는
    상기 입력 이미지에 대한 가우시안 피라미드와 상기 가우시안 피라미드를 업샘플링한 업샘플링 가우시안 피라미드를 이용하여 상기 라플라시안 피라미드를 생성하며, i번째 가우시안 이미지와 (i+1)번째 가우시안 이미지를 업샘플링한 업샘플링 가우시안 이미지의 차이를 이용하여 i번째 라플라시안 이미지를 생성하고,
    상기 입력 이미지는
    기본 구조와 에지 구조를 포함하며,
    상기 기본 구조의 주파수는
    상기 가우시안 피라미드에서 각 레벨의 강도로 분해되고,
    상기 에지 구조의 주파수는
    상기 라플라시안 피라미드의 주파수의 각 레벨에서 라플라시안으로 지역화되는 이미지 합성 방법.
  9. 삭제
  10. 제8항에 있어서,
    상기 타겟 영역을 이미지 합성하는 단계는
    상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 타겟 영역의 타겟 패치들 각각에 대한 소스 패치들 - 상기 소스 패치들은 상기 타겟 영역 바깥쪽의 패치들임 - 을 검색하고, 상기 검색된 소스 패치들을 이용하여 상기 타겟 패치들 각각의 픽셀을 업데이트함으로써, 상기 타겟 영역을 이미지 합성하는 것을 특징으로 하는 이미지 합성 방법.
  11. 제10항에 있어서,
    상기 타겟 영역을 이미지 합성하는 단계는
    상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 타겟 패치들 각각에 대한 최근접 이웃(nearest-neighbor) 소스 패치들을 검색하는 것을 특징으로 하는 이미지 합성 방법.
  12. 제10항에 있어서,
    상기 타겟 영역을 이미지 합성하는 단계는
    상기 검색된 소스 패치들과 상기 타겟 영역의 경계에서 상기 타겟 패치들 각각의 거리에 따른 가중치에 기초하여 상기 타겟 패치들 각각의 픽셀을 업데이트하는 것을 특징으로 하는 이미지 합성 방법.
  13. 제10항에 있어서,
    상기 타겟 영역을 이미지 합성하는 단계는
    상기 검색된 소스 패치들과 상기 타겟 패치들의 유사도와 상기 타겟 패치들 각각의 타겟 픽셀에서의 신뢰 가중치에 기초하여 상기 타겟 패치들 각각의 픽셀을 업데이트하는 것을 특징으로 하는 이미지 합성 방법.
  14. 제8항에 있어서,
    상기 타겟 영역을 이미지 합성하는 단계는
    이전 레벨에서의 상기 타겟 영역의 이미지 합성 결과를 상기 타겟 영역에 채워 넣고, 각 레벨별로 순차적으로 반복 수행함으로써, 상기 타겟 영역의 이미지 합성을 수행하는 것을 특징으로 하는 이미지 합성 방법.
  15. 입력 이미지에 대한 라플라시안 피라미드를 생성하는 생성부;
    상기 생성된 라플라시안 피라미드를 사용하여 각 레벨에서의 2차 미분 성질을 가우시안 차이(Difference of Gaussian)을 통해 근사하는 근사화부; 및
    상기 근사된 각 레벨에서의 2차 미분 성질을 이용하여 상기 입력 이미지 내의 타겟 영역을 이미지 합성하는 합성부
    를 포함하고,
    상기 생성부는
    상기 입력 이미지에 대한 가우시안 피라미드와 상기 가우시안 피라미드를 업샘플링한 업샘플링 가우시안 피라미드를 이용하여 상기 라플라시안 피라미드를 생성하며, i번째 가우시안 이미지와 (i+1)번째 가우시안 이미지를 업샘플링한 업샘플링 가우시안 이미지의 차이를 이용하여 i번째 라플라시안 이미지를 생성하고,
    상기 입력 이미지는
    기본 구조와 에지 구조를 포함하며,
    상기 기본 구조의 주파수는
    상기 가우시안 피라미드에서 각 레벨의 강도로 분해되고,
    상기 에지 구조의 주파수는
    상기 라플라시안 피라미드의 주파수의 각 레벨에서 라플라시안으로 지역화되는 이미지 합성 장치.
  16. 삭제
  17. 제15항에 있어서,
    상기 합성부는
    상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 타겟 영역의 타겟 패치들 각각에 대한 소스 패치들 - 상기 소스 패치들은 상기 타겟 영역 바깥쪽의 패치들임 - 을 검색하고, 상기 검색된 소스 패치들을 이용하여 상기 타겟 패치들 각각의 픽셀을 업데이트함으로써, 상기 타겟 영역을 이미지 합성하는 것을 특징으로 하는 이미지 합성 장치.
  18. 제17항에 있어서,
    상기 합성부는
    상기 가우시안 피라미드와 상기 라플라시안 피라미드를 이용하여 상기 타겟 패치들 각각에 대한 최근접 이웃(nearest-neighbor) 소스 패치들을 검색하는 것을 특징으로 하는 이미지 합성 장치.
  19. 제17항에 있어서,
    상기 합성부는
    상기 검색된 소스 패치들과 상기 타겟 영역의 경계에서 상기 타겟 패치들 각각의 거리에 따른 가중치에 기초하여 상기 타겟 패치들 각각의 픽셀을 업데이트하는 것을 특징으로 하는 이미지 합성 장치.
  20. 제17항에 있어서,
    상기 합성부는
    상기 검색된 소스 패치들과 상기 타겟 패치들의 유사도와 상기 타겟 패치들 각각의 타겟 픽셀에서의 신뢰 가중치에 기초하여 상기 타겟 패치들 각각의 픽셀을 업데이트하는 것을 특징으로 하는 이미지 합성 장치.
  21. 제15항에 있어서,
    상기 합성부는
    이전 레벨에서의 상기 타겟 영역의 이미지 합성 결과를 상기 타겟 영역에 채워 넣고, 각 레벨별로 순차적으로 반복 수행함으로써, 상기 타겟 영역의 이미지 합성을 수행하는 것을 특징으로 하는 이미지 합성 장치.
KR1020160102032A 2016-08-10 2016-08-10 라플라시안 패치 기반 이미지 합성 방법 및 장치 KR101837286B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160102032A KR101837286B1 (ko) 2016-08-10 2016-08-10 라플라시안 패치 기반 이미지 합성 방법 및 장치
PCT/KR2016/014769 WO2018030593A1 (ko) 2016-08-10 2016-12-16 라플라시안 패치 기반 이미지 합성 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160102032A KR101837286B1 (ko) 2016-08-10 2016-08-10 라플라시안 패치 기반 이미지 합성 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20180017737A KR20180017737A (ko) 2018-02-21
KR101837286B1 true KR101837286B1 (ko) 2018-03-09

Family

ID=61162851

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160102032A KR101837286B1 (ko) 2016-08-10 2016-08-10 라플라시안 패치 기반 이미지 합성 방법 및 장치

Country Status (2)

Country Link
KR (1) KR101837286B1 (ko)
WO (1) WO2018030593A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021112631A1 (en) * 2019-12-04 2021-06-10 Samsung Electronics Co., Ltd. Device, method, and program for enhancing output content through iterative generation

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298817A (zh) * 2019-05-20 2019-10-01 平安科技（深圳）有限公司 基于图像处理的目标物统计方法、装置、设备及存储介质
CN113496175A (zh) * 2020-04-07 2021-10-12 北京君正集成电路股份有限公司 一种人形上半身检测分块设计方法
KR102505908B1 (ko) * 2020-11-24 2023-03-06 인천대학교 산학협력단 의료 영상 융합 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101361075B1 (ko) * 2012-08-17 2014-02-10 한림대학교 산학협력단 구조행렬을 이용한 예제기반 영상 인페인팅 방법
US20160148359A1 (en) * 2014-11-20 2016-05-26 Siemens Medical Solutions Usa, Inc. Fast Computation of a Laplacian Pyramid in a Parallel Computing Environment
KR101632069B1 (ko) 2015-01-08 2016-06-20 한국과학기술원 양안 기반에서 굴절 매질을 이용한 깊이 지도 생성 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101361075B1 (ko) * 2012-08-17 2014-02-10 한림대학교 산학협력단 구조행렬을 이용한 예제기반 영상 인페인팅 방법
US20160148359A1 (en) * 2014-11-20 2016-05-26 Siemens Medical Solutions Usa, Inc. Fast Computation of a Laplacian Pyramid in a Parallel Computing Environment
KR101632069B1 (ko) 2015-01-08 2016-06-20 한국과학기술원 양안 기반에서 굴절 매질을 이용한 깊이 지도 생성 방법 및 장치

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LAPLACIAN PYRAMID BASED HIERARCHICAL IMAGE INPAINTING, ADVANCES IN IMAGE AND VIDEO PROCESSING ISSN 205-7412 Vol 2, No 1(2014)*
Video Inpainting using Nearest Neighbor Field Algorithm, International Journal of Emerging Technology and Advanced Engineering, Volume 4, Issue 2,(2014)*
스케일 공간 고차 미분의 정규화를 통한 특징점 검출 기법, 정보과학회논문지 제42권 제1호(2015)*

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021112631A1 (en) * 2019-12-04 2021-06-10 Samsung Electronics Co., Ltd. Device, method, and program for enhancing output content through iterative generation
US11670295B2 (en) 2019-12-04 2023-06-06 Samsung Electronics Co., Ltd. Device, method, and program for enhancing output content through iterative generation

Also Published As

Publication number Publication date
WO2018030593A1 (ko) 2018-02-15
KR20180017737A (ko) 2018-02-21

Similar Documents

Publication Publication Date Title
Li et al. Fast guided global interpolation for depth and motion
Hamzah et al. Literature survey on stereo vision disparity map algorithms
Li et al. Joint image filtering with deep convolutional networks
US8547389B2 (en) Capturing image structure detail from a first image and color from a second image
Zhang et al. Meshstereo: A global stereo model with mesh alignment regularization for view interpolation
US8340415B2 (en) Generation of multi-resolution image pyramids
US8873846B2 (en) Detecting and tracking point features with primary colors
Min et al. Depth video enhancement based on weighted mode filtering
US8885941B2 (en) System and method for estimating spatially varying defocus blur in a digital image
KR101554241B1 (ko) 3차원 이미지에서의 결함성 픽셀 깊이 데이터 값의 깊이 맵 품질 향상을 위한 방법
US8670630B1 (en) Fast randomized multi-scale energy minimization for image processing
US8331615B2 (en) Match, expand, and filter technique for multi-view stereopsis
KR101195942B1 (ko) 카메라 보정 방법 및 이를 이용한 3차원 물체 재구성 방법
KR101837286B1 (ko) 라플라시안 패치 기반 이미지 합성 방법 및 장치
US20180324465A1 (en) Edge-aware spatio-temporal filtering and optical flow estimation in real time
Barath et al. Homography from two orientation-and scale-covariant features
Lee et al. Laplacian patch-based image synthesis
Xie et al. Single depth image super resolution and denoising via coupled dictionary learning with local constraints and shock filtering
Baier et al. A nonlocal InSAR filter for high-resolution DEM generation from TanDEM-X interferograms
Khaloo et al. Pixel‐wise structural motion tracking from rectified repurposed videos
Ben-Ari et al. Stereo matching with Mumford-Shah regularization and occlusion handling
Zhu et al. Stereo matching algorithm with guided filter and modified dynamic programming
US20150030206A1 (en) Detecting and Tracking Point Features with Primary Colors
Shi et al. Fast algorithm for multiplicative noise removal
JP2003016427A (ja) ステレオ画像の視差推定方法

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