KR101887216B1 - Image Reorganization Server and Method - Google Patents

Image Reorganization Server and Method Download PDF

Info

Publication number
KR101887216B1
KR101887216B1 KR1020170157833A KR20170157833A KR101887216B1 KR 101887216 B1 KR101887216 B1 KR 101887216B1 KR 1020170157833 A KR1020170157833 A KR 1020170157833A KR 20170157833 A KR20170157833 A KR 20170157833A KR 101887216 B1 KR101887216 B1 KR 101887216B1
Authority
KR
South Korea
Prior art keywords
image
image data
color
region
attribute information
Prior art date
Application number
KR1020170157833A
Other languages
Korean (ko)
Inventor
한태재
Original Assignee
한태재
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 한태재 filed Critical 한태재
Priority to KR1020170157833A priority Critical patent/KR101887216B1/en
Application granted granted Critical
Publication of KR101887216B1 publication Critical patent/KR101887216B1/en
Priority to PCT/KR2018/010785 priority patent/WO2019103295A1/en

Links

Images

Classifications

    • G06T3/18—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/0093—Geometric image transformation in the plane of the image for image warping, i.e. transforming by individually repositioning each pixel
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F17/30244—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—Image restoration
    • G06T5/005—Retouching; Inpainting; Scratch removal
    • G06T5/77—
    • 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
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/416—Exact reconstruction

Abstract

Disclosed are an image reconstructing server for reconstructing an image based on analyzed attribute information and a method thereof. According to an embodiment of the present invention, the image reconstructing server comprises an analysis module receiving image data including a picture and a photo and detecting a vector position by analyzing the received image data, separating an image region using the detected vector, and extracting image attribute information including a color and brightness of each separated image region; a transformation module transforming a shape and a color of an object in the received input image based on the analyzed image attribute information and the vector position per image region; and a reconstruction module outputting transformed image data, extracting a pattern to be filled in each region of the image data using the image attribute information analyzed in the analysis module, and filling each image region with the extracted pattern.

Description

이미지 재구성 서버 및 방법 {Image Reorganization Server and Method}Image Reorganization Server and Method

이미지 재구성 서버 및 방법에 관한 것으로, 구체적으로 이미지 데이터를 영역별로 분리하고 각 영역의 속성정보를 분석하여 이미지를 재구성하는 서버 및 방법에 관한 것이다. And more particularly, to a server and method for reconstructing an image by separating image data by region and analyzing attribute information of each region.

본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.Unless otherwise indicated herein, the contents set forth in this section are not prior art to the claims of this application and are not to be construed as prior art to be included in this section.

영상처리(image processing)는 화소 처리(picture processing)라고도 하는데, 컴퓨터에 의한 디지털 영상 처리(image processing)는 메모리 소자 등의 급속한 진보에 의해 우주 관측, 의료용, 사진 해석, 디자인, 각종 패턴 인식 등 많은 응용 분야에서 실용화되고 있다. TV 카메라, CCD 카메라 등이 영상 입력 장치로, 또 카피를 위한 하드, 소프트의 각종 출력 장치가 사용되며, 디지털화된 영상을 컴퓨터로 처리하기 위한 몇 가지 특별한 수법도 개발되고 있다. Image processing is also referred to as picture processing, and digital image processing by a computer is performed by a rapid advancement of a memory device and the like, and there are many applications such as space observation, medical imaging, photo interpretation, And has been put to practical use in application fields. TV cameras, CCD cameras, etc. are used as image input devices, hard and soft output devices for copying are used, and some special techniques for processing digitized images with computers are being developed.

최근 디지털 카메라 및 스마트폰 카메라가 급속도로 발전되면서 스마트폰 사용자들은 영상과 이미지를 편집하고 재구성하여 자신만의 컨텐츠를 다양한 형태로 만들어 내고 있다. 하지만 종래 이미지 편집 프로세스는 단순히 이미지의 명도나 채도를 조정하거나, 이미지에 포함된 객체의 크기를 조정하는 수준으로만 제공되고 있는 실정이다. 현재 사용자에 의해 생성된 이미지를 심층적으로 분석하여 이미지를 새로운 창작물로 재탄생 시키거나 재구성하는 이미지 분석 및 편집 프로세스 기능을 제공하는 시스템은 부재하다.Recently, with the rapid development of digital cameras and smartphone cameras, smartphone users are editing and reorganizing images and images to create their own contents in various forms. However, the conventional image editing process is only provided to adjust the brightness or saturation of the image, or adjust the size of the object included in the image. There is no system that provides an image analysis and editing process function that analyzes in depth the images generated by the current user and re-creates or reconstructs the images into new creations.

기존에 영상 처리와 컴퓨터 비전은 이미지나 영상을 컴퓨터 상에서 처리하여 영상이나 이미지를 처리하는데 활용되고 있다. 현재 이미지 변경 소프트웨어나 툴은 이미지를 변경하여 특정 데이터 형태(jpg, png, gif, psd등)로 저장하여 소프트웨어 상에서만 사용 할 수 있는데 이 데이터들은 다른 소프트웨어에서 또 다른 형태로 가공되기도 하지만, 원하는 데이터만 추출해서 재 가공 할 수 없는 것이 일반적이다.Conventionally, image processing and computer vision are used to process images or images by processing images or images on a computer. Currently, image modification software or tools can only be used in software by changing the image and saving it as a specific data type (jpg, png, gif, psd, etc.) Can not be extracted and processed again.

1. 한국 특허등록 제10-1451543호(2014.10.08)1. Korean Patent Registration No. 10-1451543 (October 10, 2014) 2. 한국 특허등록 제10-1581112호(2015.12.22)2. Korean Patent Registration No. 10-1581112 (December 22, 2015)

사용자의 스마트 단말을 통해 입력된 이미지에 포함된 객체의 영역을 분리하고 입력된 이미지의 속성정보를 분석하여 분석된 속성정보를 기반으로 이미지를 재구성하는 이미지 재구성 서버 및 방법을 제공한다.There is provided an image reconstruction server and method for separating an area of an object included in an image input through a smart terminal of a user, analyzing attribute information of the input image, and reconstructing an image based on the analyzed attribute information.

실시예에 따른 이미지 재구성 서버는 그림, 사진을 포함하는 이미지 데이터를 입력 받아 입력된 이미지 데이터를 분석하여 벡터 포지션을 검출하고, 검출된 벡터를 이용해 이미지 영역을 분리하고, 분리된 각 이미지 영역 각각의 색, 명암을 포함하는 이미지 속성정보를 추출하는 분석모듈; 분석된 이미지 속성정보와 이미지 영역 별 벡터 포지션을 기반으로 입력된 이미지 안 객체의 형태와 색을 변형하는 변형모듈; 및 변형된 이미지 데이터를 출력하고, 분석모듈에서 분석된 이미지 속성정보를 이용하여 이미지 데이터의 각 영역에 채워질 패턴을 추출하고 추출된 패턴으로 이미지 각 영역을 채우는 재구성모듈; 을 포함한다.An image reconstruction server according to an embodiment receives image data including pictures and photographs, analyzes input image data to detect a vector position, separates an image area using the detected vector, An analysis module for extracting image attribute information including color and contrast; A transformation module for transforming the shape and color of the input image object based on the analyzed image property information and the vector position per image area; A reconstruction module that outputs modified image data, extracts a pattern to be filled in each region of the image data using the image attribute information analyzed by the analysis module, and fills each image region with the extracted pattern; .

다른 실시예에 따른 이미지 재구성 방법은 (A) 분석모듈에서 그림, 사진을 포함하는 이미지 데이터를 입력 받아 입력된 이미지 데이터를 분석하여 이미지에 포함된 벡터 포지션을 검출하고, 검출된 벡터를 이용해 이미지 영역을 분리하고 분리된 각 이미지 영역 각각의 색, 명암을 포함하는 이미지 속성정보를 추출하는 단계; (B) 변형모듈에서 분석된 이미지 속성정보와 이미지 영역 별 벡터 포지션을 기반으로 이미지에 포함된 객체의 형태와 색을 변형하는 단계; 및 (C) 재구성모듈에서 변형된 이미지 데이터를 출력하고, 분석모듈에서 분석된 이미지 속성정보를 이용하여 이미지 데이터의 각 영역에 채워질 패턴을 추출하고 추출된 패턴으로 이미지 각 영역을 채우는 단계; 를 포함한다.(A) an image reconstruction method according to another embodiment of the present invention includes the steps of (A) receiving image data including pictures and photographs in an analysis module, analyzing input image data to detect a vector position included in the image, Extracting image attribute information including color and contrast of each of the separated image regions; (B) transforming the shape and color of the object included in the image based on the image attribute information analyzed by the transformation module and the vector position per image area; And (C) outputting modified image data from the reconstruction module, extracting a pattern to be filled in each area of the image data using the image attribute information analyzed by the analysis module, and filling the image area with the extracted pattern; .

실시예에 따른 이미지 재구성 서버 및 방법은, 사용자가 생성한 하나의 이미지를 분석하여, 객체 영역을 분리하고, 분리된 객체 영역 각각에 색, 패턴, 형상 등 다양한 형태로 채워 재구성 할 수 있다. 이로써, 하나의 이미지를 다양한 형태의 새로운 이미지로 쉽게 재구성 할 수 있다. The image reconstruction server and method according to the embodiment can analyze an image generated by a user, separate an object region, and fill and reconstruct each of the separated object regions in various forms such as color, pattern, and shape. This makes it easy to reconstruct one image into a variety of new images.

한편 예술, 회화, 디자인 분야에서는 스케치나 그림, 사진, 영상, 구조물, 오브젝트 등에서 영감을 얻어 새롭게 재 창조하거나 단순화 하는 작업을 많이 한다. 예술의 기본이 되는 점, 선, 면의 데이터는 이미지 작업 소프트웨어나 툴에서는 대부분 참고용으로 숨겨져 있거나 한꺼번에 알기 힘들고, 그나마도 로그나 DB에 저장되어 활용되지 못 하고 있다. 예술의 기본이 되는 점, 선, 면의 데이터를 출력하기 위해서는 현재의 소프트웨어로는 지루한 작업을 반복 해야 한다. 컴퓨터 상에서의 창작활동이 아닌 physical한 실제세계의 예술작업(순수예술, 입체예술, 디자인, 목업 등)에 활용하기 위해 편리하고 효과적인 방법을 소프트웨어로 제공하기 위해 고안했다.On the other hand, in art, painting and design, many works are being re-created or simplified by drawing inspiration from sketches, pictures, photographs, images, structures and objects. The data of points, lines, and faces which are the basis of art are mostly hidden for reference in image processing software or tools, or hard to understand at once, and are not stored in logs or DB. In order to output the data of points, lines, and surfaces that are the basis of art, the current software must repeat tedious work. We have devised a convenient and effective way to provide software for use in artistic work (pure art, stereoscopic art, design, mock-up, etc.) of the physical world rather than creation on a computer.

나아가 컴퓨터나 디자인 소프트웨어를 다루지 못하거나, 예술이나 조형미를 알지 못하는 사람이라도 자신이 원하는 이미지를 변형하여 실제 세계의 예술작품을 만들 수 있도록 도움을 줄 수 있다. 좀 더 나아간다면 사람들은 단지 사진을 올리는 것 만으로도 예술 작품 키트나 완성된 실 세계의 예술작품을 받을 수 도 있다. Furthermore, even those who can not deal with computer or design software, or who do not know art or formative beauty, can transform the images they want to help them create real world art works. If you go any further, people can simply get an artwork kit or a completed art work of art.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.It should be understood that the effects of the present invention are not limited to the above effects and include all effects that can be deduced from the detailed description of the present invention or the configuration of the invention described in the claims.

도 1은 실시예에 따른 이미지 재구성 서버의 기능을 설명하기 위한 도면
도 2a은 실시예에 따른 이미지 재구성 서버의 대략적인 데이터 처리 블록을 나타낸 도면
도 2b는 실시예에 따른 이미지 재구성 서버의 보다 구체적인 데이터 처리 블록을 나타낸 도면
도 3a는 입력된 이미지 데이터에 기본 패턴 데이터를 채워 이미지를 재구성한 예를 나타낸 도면
도 3b는 인물 사진을 재구성하는 실시예를 나타낸 도면
도 4는 실시예에 따른 이미지 재구성 서버에 의해 재구성된 이미지 예를 나타낸 도면
도 5는 실시예에 따른 이미지 재구성 서버에서의 데이터 처리과정을 나타낸 도면
도 6내지 도 7은 이미지 재구성 서버에 의해 생성된 조립 프로세스를 통해 이미지를 조립하여 3차원으로 재구성한 실시예를 나타낸 도면1 is a diagram for explaining functions of an image reconstruction server according to an embodiment;
2A is a diagram showing a rough data processing block of an image reconstruction server according to an embodiment
2B is a diagram showing a more specific data processing block of the image reconstruction server according to the embodiment
3A is a diagram showing an example of reconstructing an image by filling basic pattern data into input image data
3B is a view showing an embodiment for reconstructing a portrait photograph
4 is a diagram illustrating an example of an image reconstructed by an image reconstruction server according to an embodiment;
5 is a diagram illustrating a data processing process in the image reconstruction server according to the embodiment;
Figures 6-7 illustrate an embodiment in which an image is assembled and reconstructed in three dimensions through an assembly process generated by an image reconstruction server

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.BRIEF DESCRIPTION OF THE DRAWINGS The advantages and features of the present invention, and the manner of achieving them, will be apparent from and elucidated with reference to the embodiments described hereinafter in conjunction with the accompanying drawings. The present invention may, however, be embodied in many different forms and should not be construed as being limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the scope of the invention to those skilled in the art. Is provided to fully convey the scope of the invention to those skilled in the art, and the invention is only defined by the scope of the claims. Like numbers refer to like elements throughout.

본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. The following terms are defined in consideration of the functions in the embodiments of the present invention, which may vary depending on the intention of the user, the intention or the custom of the operator. Therefore, the definition should be based on the contents throughout this specification.

설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 용어의 설명은 본 명세서의 이해를 돕기 위한 것으로서 명시적으로 본 발명을 한정하는 사항으로 기재하지 않은 경우에 본 발명의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.Prior to explanation, the meaning of terms used in this specification will be briefly described. It should be noted that the description of the term is provided for the purpose of helping understanding of the specification and is not used to limit the technical idea of the present invention unless explicitly stated as a limitation of the present invention.

- 이미지 속성 정보- About image attributes

입력된 이미지 데이터 분석에 의해 획득되는 정보로서, 입력된 이미지에 포함된 벡터 포지션, 에지, 객체, 이미지 영역 별 색, 조도 등 다양한 이미지 프로세싱 과정을 통해 획득할 수 있는 데이터이다.Information obtained by analyzing input image data, which can be obtained through various image processing processes such as vector position, edge, object, color of each image region, and illumination included in the input image.

도 1은 실시예에 따른 이미지 재구성 서버의 기능을 설명하기 위한 도면이다. 1 is a diagram for explaining functions of an image reconstruction server according to an embodiment.

도 1에 도시된 바와 같이, 실시예에 다른 이미지 재구성 서버는 특정 객체(사람, 동물 등)이 포함된 이미지(input 1, input 2)를 입력하면 입력된 이미지를 분석하여, 이미지에 포함된 객체 영역을 생성하고 생성된 객체에 색, 질감, 패턴 등을 채워 입력된 이미지를 다양한 형태의 이미지(output11, output12, output21, output22) 및 3차원 조립물로 로 재구성 한다.As shown in FIG. 1, in another embodiment, an image reconstruction server analyzes an input image by inputting an image (input 1, input 2) including a specific object (human, animal, etc.) And then reconstructs the input image into various types of images (output11, output12, output21, output22) and into a three-dimensional assembly.

도 2a은 실시예에 따른 이미지 재구성 서버의 대략적인 데이터 처리 블록을 나타낸 도면이다.2A is a diagram showing a rough data processing block of an image reconstruction server according to an embodiment.

도 2a을 참조하면, 실시예에 따른 이미지 재구성 서버는 데이터베이스(110), 분석모듈(130), 변형모듈(150), 재구성모듈(170) 및 추천모듈(190)을 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '모듈' 이라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.2A, an image reconstruction server according to an exemplary embodiment of the present invention may include a database 110, an analysis module 130, a transformation module 150, a reconstruction module 170, and a recommendation module 190. The term " module ", as used herein, should be interpreted to include software, hardware, or a combination thereof, depending on the context in which the term is used. For example, the software may be machine language, firmware, embedded code, and application software. As another example, the hardware may be a circuit, a processor, a computer, an integrated circuit, an integrated circuit core, a sensor, a micro-electro-mechanical system (MEMS), a passive device, or a combination thereof.

데이터베이스(110)는 색, 명도, 채도 데이터 등 이미지 재구성 프로세스에서 필요한 일련의 데이터를 저장한다. 예컨대, 데이터베이스(110)는 재구성 재료 및 재구성 재료의 속성정보를 저장한다. 구체적으로 재구성 재료에는 나무, 돌, 철, 알루미늄, 흑연, 유리, 아크릴, 실, 비닐, 테이프, 고무줄, 자석, 신문, 잡지, 모래, 물, PCB판, 전구 등이 포함될 수 있고, 재구성 재료의 속성정보에는 이름, 기능, 크기, 강도, 색, 밝기, 가격, 반사율, 탄력성, 투명도, 내구성, 전도성 등이 포함될 수 있다. The database 110 stores a series of data required for the image reconstruction process, such as color, brightness, and saturation data. For example, the database 110 stores attribute information of the reconstruction material and the reconstruction material. Specifically, the reconstruction material may include wood, stone, iron, aluminum, graphite, glass, acrylic, thread, vinyl, tape, rubber band, magnet, newspaper, magazine, sand, water, PCB plate, bulb, Attribute information may include name, function, size, intensity, color, brightness, price, reflectivity, elasticity, transparency, durability, conductivity, and the like.

분석모듈(130)은 그림, 사진을 포함하는 이미지 데이터를 입력 받아 입력된 이미지 데이터를 분석하여 이미지에 포함된 객체의 벡터 포지션을 검출하고, 검출된 벡터 포지션을 이용하여 이미지 영역을 분리한다. 예컨대 이미지에 포함된 점, 선, 면 등의 벡터를 이용하여 적어도 하나의 이미지 영역을 생성하는 것이다. 분석모듈(130)은 분리된 각 이미지 영역 각각의 색, 명암을 포함하는 이미지 속성정보를 추출한다. 또한, 분석모듈(130)은 이미지의 생성시간, 수정시간, 장소, 이름, 형식 등의 데이터를 추출할 수 있다. The analysis module 130 receives image data including pictures and photographs, analyzes the input image data, detects a vector position of an object included in the image, and separates the image area using the detected vector position. For example, at least one image region is created using vectors such as points, lines, and surfaces included in the image. The analysis module 130 extracts image attribute information including color and brightness of each of the separated image regions. In addition, the analysis module 130 can extract data such as an image creation time, a modification time, a place, a name, and a format.

변형모듈(150)은 분석된 이미지 속성정보와 이미지 영역 별 벡터 포지션을 기반으로 상기 입력된 이미지 안 객체의 형태와 색을 변형한다.The transformation module 150 transforms the shape and color of the input image object based on the analyzed image attribute information and the vector position per image area.

재구성 모듈(170)은 변형된 이미지 데이터를 출력하고, 분석모듈에서 분석된 이미지 속성정보를 이용하여 이미지 데이터의 각 영역에 채워질 패턴을 추출하고 추출된 패턴으로 이미지 각 영역을 채워 이미지를 새롭게 재구성한다.The reconstruction module 170 outputs modified image data, extracts a pattern to be filled in each area of the image data using the image attribute information analyzed by the analysis module, and re-configures the image by filling the image area with the extracted pattern .

추천모듈(190)은 나무, 돌, 철, 알루미늄, 흑연, 유리, 아크릴, 실, 비닐, 테이프, 고무줄, 자석, 신문, 잡지, 모래, 물, PCB판, 전구를 포함하는 재구성 재료의 이름, 기능, 크기, 강도, 색, 밝기, 가격, 반사율, 탄력성, 투명도, 내구성, 전도성을 포함하는 속성정보를 미리 데이터베이스화하고, 분석된 이미지 데이터에 기반하여 이미지 데이터를 재구성할 재구성 재료를 추천하고 상기 선정된 재구성 재료로 이미지 데이터를 재구성 한다.Recommendation module 190 may include names of remodeling materials including wood, stone, iron, aluminum, graphite, glass, acrylic, thread, vinyl, tape, rubber band, magnet, newspaper, magazine, sand, water, PCB plate, The method comprising: preliminarily storing attribute information including function, size, intensity, color, brightness, price, reflectivity, elasticity, transparency, durability and conductivity in a database; recommending a reconstruction material to reconstruct image data based on the analyzed image data; Reconstruct the image data with the selected reconstruction material.

도 2b는 실시예에 따른 이미지 재구성 서버의 보다 구체적인 데이터 처리 블록을 나타낸 도면이다.FIG. 2B is a diagram illustrating a more specific data processing block of the image reconstruction server according to the embodiment.

도 2b를 참조하면, 실시예에 따른 이미지 재구성 서버의 분석모듈(130)은 색 분석부(131) 및 영역 분석부(133)를 포함하여 구성될 수 있고, 변형모듈(150)은 조정부(151) 및 변형부(153)를 포함하여 구성될 수 있고, 재구성모듈(170)은 추출부(171) 및 재구성부(173)를 포함하여 구성될 수고 추천모듈(190)은 재료선정부(191) 및 조립부(193)를 포함하여 구성될 수 있다.2B, the analysis module 130 of the image reconstruction server according to the exemplary embodiment may include a color analysis unit 131 and a region analysis unit 133, and the modification module 150 may include an adjustment unit 151 And the deforming unit 153. The reconstructing module 170 may include an extracting unit 171 and a reconstructing unit 173. The recommending module 190 may include a material selecting unit 191, And an assembling unit 193.

분석모듈(130)의 색 분석부(131)는 입력된 이미지데이터에 포함된 영역 각각의 색, 명암, 조도를 분석한다. 예컨대, 분석모듈(130)은 2차원 또는 3차원 이미지 파일(JPG, PNG, GIF, AI, PSD등 파일 포맷)의 데이터를 파일 포맷으로 입력받고 입력된 이미지 데이터를 사용자 영역으로 지정한다. 이후, 색 분석부(131)는 이미지에 사용되는 색의 빈도와 배색조합을 추출한다. 실시예에서 색 분석부(131)는 이미지에 포함된 RGB값을 HSV값으로 변환 후 사용된 빈도에 따라 하나의 컬러 스펙트럼을 생성하고, Kobayashi의 Color Image Scale(예컨대, Hue와Tone을 이용하여 구분 가능한 120개의 유채색, 10개의 무채색 조합)등의 배색 조합 중 가장 매칭률이 좋은 배색조합과 해당하는 감정키워드(I.R.I Image Scale 활용)를 추출할 수 있다. 이미지에서 추출된 컬러 스펙트럼을 다양한 색상환의 배색(단색, 유사색, 이색, 삼각, 분기, 보색 등)으로 변환하여 스펙트럼을 다시 만들거나 채도나 명도를 조정하도록 한다. 아울러, 변경된 스펙트럼과 매칭하는 배색조합이나 키워드를 추출할 수 있고, 각 스펙트럼을 조합하여 여러 히스토그램으로 나타낼 수 있다. The color analyzer 131 of the analysis module 130 analyzes color, contrast, and illuminance of each region included in the input image data. For example, the analysis module 130 receives data of a two-dimensional or three-dimensional image file (file format such as JPG, PNG, GIF, AI, or PSD) in a file format and designates the input image data as a user area. Then, the color analyzer 131 extracts the color frequency and color combination used in the image. In the embodiment, the color analyzer 131 converts the RGB values included in the image into the HSV values, generates one color spectrum according to the frequency used, classifies the color image using Kobayashi's Color Image Scale (for example, using Hue and Tone) A combination of colors with a maximum matching ratio among the combination of colors such as 120 possible chromatic colors and 10 achromatic colors) and corresponding emotional keywords (utilizing IRI Image Scale) can be extracted. The color spectrum extracted from the image is converted into a color scheme of various colors (monochromatic, pseudocolor, dichroic, triangular, quarter, complementary color, etc.) so as to regenerate the spectrum or adjust the saturation or brightness. In addition, it is possible to extract a combination of color combinations and keywords that match the changed spectrum, and can combine the respective spectra and display them in various histograms.

또한, 색 분석부(131)는 이미지의 명도 데이터를 추출한다. 예를 들어 RGB값을 HSV값으로 변환 후 명도(Value)값에 분포도 히스토그램을 생성 할 수 있으며, 원하는 밝기가 아니면 레벨을 조정하여 평활화 시키거나 감마 값만 조정하는 등의 작업을 할 수 있다. 때에 따라 가장 밝은 부분과 어두운 부분의 값을 추출 할 수 있고, 해당 영역의 색상(Hue), 채도(Saturation)값을 알 수 도 있다. 그에 따라 빛의 색과 반사광의 색을 추출 할 수 있다.In addition, the color analyzer 131 extracts brightness data of the image. For example, you can convert the RGB values to HSV values and generate histograms of distribution histograms. You can also adjust the level to adjust the gamma value, or adjust the level if it is not the desired brightness. In some cases, the values of the brightest and darkest portions can be extracted, and the hue and saturation values of the corresponding region can be known. Accordingly, the color of light and the color of reflected light can be extracted.

분석모듈(130)의 영역 분석부(133)는 입력된 이미지 데이터의 에지(edge)를 추출하거나 픽셀을 분석하여 상기 이미지 데이터의 영역을 분리한다. 또한, 이미지를 영역별 벡터 포지션(점, 선, 면)으로 분리하고 분리된 영역별 벡터 포지션에 대한 색, 밝기 등의 속성정보를 추출한다. 또한, 입력된 이미지 데이터의 픽셀을 분석하여 영역별로 분리하고, 하나 혹은 여러 개의 벡터 데이터를 생성한다.The region analysis unit 133 of the analysis module 130 extracts edges of the input image data or analyzes pixels to separate the regions of the image data. In addition, the image is separated into vector points (dot, line, and plane) per region, and attribute information such as color and brightness for the separated vector positions is extracted. In addition, pixels of the input image data are analyzed and separated into areas, and one or more vector data are generated.

실시예에 있어서, 영역 분석부(133)는 아래에 개시되는 방법들을 통해 입력된 이미지의 영역을 생성하고 생성된 영역 각각을 분석 할 수 있다.In the embodiment, the region analyzing unit 133 can generate the region of the input image through the methods described below and analyze each of the generated regions.

객체영역 분석부(133)는 분석된 색 데이터를 이용하여 객체영역을 분석하고 이를 통해 영역을 생성할 수 있다. 예컨대, 입력된 이미지 데이터에서 일정수준이상 유사한 색상을 군집화하여 해당 영역들을 벡터 데이터로 생성한다. 이때, 영역 분석부(133)는 비슷한 색상을 통합하는 과정으로 양방향 필터를 사용하고 시각의 집중도에 따라 색상을 통합하는 세일리언시(saliency) 필터의 레벨을 조정하여 원하는 정도의 색상을 군집화하여 영역을 생성할 수 있다. 또한, 해당 영역만 다시 필터를 적용하여 보다 세밀하게 영역을 설정 할 수도 있다.The object region analyzing unit 133 analyzes the object region using the analyzed color data, and generates the region through the analysis. For example, similar colors are clustered at a predetermined level or more in the input image data, and the corresponding regions are generated as vector data. At this time, the region analyzing unit 133 is a process of integrating similar colors. By using a bidirectional filter and adjusting the level of a saliency filter that integrates colors according to the concentration of time, Can be generated. Further, it is also possible to set the area more finely by applying the filter again to the corresponding area.

또한, 영역 분석부(133)는 명암으로 이미지 데이터의 영역을 분리할 수 있다. 예컨대, 영역 분석부(133)는 비슷한 명도의 영역을 군집화하여 벡터 데이터로 생성할 수 있다. 구체적으로, 사진 전체나 특정영역을 RGB값 평균을 그레이톤 등으로 계산하고 계산 결과에 따라 RGB 값의 임계치를 설정하여 이분화 할 수 있다. 임계치를 바꿔가며 반복하면 원하는 밝기의 벡터데이터를 생성할 수도 있다. 서로의 영역을 그라데이션 처리할 수 있도록 중간 값들의 벡터 데이터를 생성할 수 도 있다. In addition, the area analyzing unit 133 can separate areas of the image data with light and dark. For example, the region analyzing unit 133 can generate vector data by clustering regions of similar brightness. Specifically, it is possible to calculate the average of the RGB values of the whole image or the specific area by using gray tones or the like, and set the threshold value of the RGB value according to the calculation result. It is also possible to generate the vector data of the desired brightness by repeating the changing of the threshold value. The vector data of the intermediate values may be generated so as to gradate the regions of each other.

또한, 영역 분석부(133)는 이미지 영역을 기능, 명칭, 구조 및 오브젝트로 별로 분리하여 벡터 데이터를 생성할 수 있다. 예를 들어 Google Vision API나 AWS의 Rekognition API등을 사용하면 이미지에 인식된 물체를 JSON형태로 받아 처리할 수 있다. 실시예에서 해당 이미지 인식 API를 사용하면 이미지의 객체나 사람의 얼굴, 감정 등을 추출 할 수 있다. 또한 직접 구현도 가능한데, 웹 크롤링을 통해 온톨로지 객체 구조 기반 인스턴스를 순차적으로 검색하고 결과를 이미지로 생성하여 mongo-데이터베이스 등에 저장하여 중복된 것을 제거하고 대량의 이미지를 저장 할 수 있다. 이러한 이미지를 딥러닝 CNN, R-CNN이나 Darknet기반 YOLO(You Only Look Once)를 사용하여 이미지 객체에 대한 학습 및 인식을 수행 할 수 있다. 실시예에서는 학습된 데이터를 바탕으로 입력된 새로운 이미지의 객체를 인식하고 라벨링(labeling) 할 수 있으며, MASK R-CNN을 활용하면 물체의 외곽선을 추출 할 수 있다. 해당 이미지의 라벨링을 사용자에게 피드백 받아 추가, 수정, 삭제 할 수 있다, 이후, 수정된 데이터는 또 다시 학습되어 새로운 학습 데이터를 만들 수 있다. 사람의 얼굴 등의 인식은 HOG솔루션을 사용하여 비슷한 벡터의 흐름을 추출하여 눈, 코, 입 등의 위치까지 알 수 있으므로 얼굴뿐만 아니라 내부 객체의 벡터까지 생성 할 수 있다. 학습되지 않은 객체나 내부객체는 또다시 사용자에게 영역을 지정하도록 하여 외곽선을 추출하여 라벨링 하고 벡터 데이터를 추출할 수 있다. 실시예에서 추출되는 벡터 데이터는 이미지에 포함된 객체의 종류에 따라 달라진다. 사람 객체가 포함된 이미지가 입력되는 경우, 사람 모양 벡터, 얼굴벡터 등이 추출 될 수 있고, 사물객체가 포함된 이미지가 입력되는 경우, 사물에 따라 꽃 벡터, 컵 벡터, 사람얼굴 벡터 등이 입력될 수 있고, 꽃이 포함된 이미지가 입력되는 경우에는 꽃 벡터, 줄기, 잎, 꽃잎 벡터 등이 추출될 수 있고, 동물객체가 포함된 이미지가 입력되는 경우에는 특정동물 (예컨대, 강아지)벡터, 사람 얼굴 벡터, 눈, 코, 입 벡터 등이 추출될 수 있다.In addition, the region analyzing unit 133 may generate vector data by separating the image region into functions, names, structures, and objects. For example, Google Vision API or AWS's Rekognition API can be used to accept objects in images as JSON. In the embodiment, by using the corresponding image recognition API, an object of an image, a face of a person, emotion, and the like can be extracted. In addition, it is possible to directly implement the ontology object structure based on the web crawl. The result can be generated as an image and stored in a mongo database or the like, thereby eliminating duplicates and storing a large amount of images. Deep learning of these images You can learn and recognize image objects using CNN, R-CNN or Darknet-based You Only Look Once (YOLO). In the embodiment, an object of a new image inputted based on the learned data can be recognized and labeled, and the outline of the object can be extracted by using MASK R-CNN. The labeling of the image can be fed back to the user to add, modify, or delete it. After that, the modified data can be learned again and new learning data can be created. Human face recognition can extract not only face but also inner object vector because HOG solution can extract similar flow of vector and know position of eyes, nose, mouth and so on. The uneducated object or inner object can again extract the outline by labeling the area to the user, and extract the vector data. The vector data extracted in the embodiment depends on the type of object included in the image. When an image including a human object is input, a human shape vector, a face vector, and the like can be extracted. When an image including an object object is input, a flower vector, a cup vector, a human face vector, A flower, a stem, a leaf, a petal vector, and the like may be extracted when an image including flowers is input. In the case where an image including an animal object is input, a specific animal (e.g., a dog) Human face vector, eye, nose, mouth vector, and the like can be extracted.

변형모듈(150)의 조정부(151)는 분석된 이미지데이터 각 영역의 크기와 전체 크기 비율을 재조정하고, 재조정된 비율에 따라 이미지 데이터 영역 각각의 크기를 조정한다. 예컨대, 조정부(151)에서는 분석모듈(130)에서 추출된 데이터를 바탕으로 원하는 사이즈로 비율에 맞춰 전체 사이즈를 재 배치한다. The adjusting unit 151 of the deformation module 150 adjusts the size of each area of the analyzed image data and the overall size ratio and adjusts the size of each of the image data areas according to the re-adjusted ratio. For example, the adjustment unit 151 rearranges the entire size to a desired size based on the data extracted from the analysis module 130.

변형부(153)는 재 배치된 전체 사이즈를 기반으로 이미지 데이터에 포함된 벡터 포지션의 고정점을 삭제, 추가 및 변형하여 이미지 데이터의 각 영역을 변형한다. 구체적으로, 변형부(153)는 벡터들을 여러 가지 조형원리 기법으로 추가, 수정 및 삭제 할 수 있다. 이때, 변형부(153)는 변경전의 벡터들과의 유사정확도를 제공하여 변형되는 한계나 정도를 알 수 있다. 또한 변형부(153)는 벡터의 고정점을 제거하여 단순화 시키거나, 추가하여 원래 이미지보다 복잡하게 할 수 있다. 아울러, 가우시안(Gaussian) 블러 등으로 이미지 데이터를 복잡하게 만들 수 있고, 색이나 밝기 데이터를 활용하여 특정 부분의 두께나 크기를 줄이거나 키울 수 있다. 또한 변형부(153)는 벡터의 가로, 세로, 대각선 등의 비율을 황금비율(1:1.618), 피보나치(0, 1, 1, 2, 3, 5, 8, 13, 21, 34……), 원근감(소실점기준 변화)등으로 변형 시킬 수 있다.The transforming unit 153 transforms each region of the image data by deleting, adding and modifying the fixed points of the vector positions included in the image data based on the re-arranged total size. Specifically, the transforming unit 153 can add, modify, and delete vectors using various shaping principle techniques. At this time, the transforming unit 153 may provide similarity with the vectors before the change, so that the transforming unit 153 can know the limit or degree of transformation. In addition, the transforming unit 153 may simplify or additionally remove the fixed points of the vector to make it more complex than the original image. In addition, image data can be complicated by Gaussian blur, etc., and the thickness or size of a specific part can be reduced or increased by utilizing color or brightness data. The transforming unit 153 transforms the ratio of the horizontal, vertical and diagonal lines of the vector to the golden ratio (1: 1.618), Fibonacci (0, 1, 1, 2, 3, 5, 8, 13, 21, , Perspective (change based on vanishing point), and the like.

또한 변형부(153)는 벡터를 복사하고 크기나 거리를 변하게 배치함으로써 통일, 반복 등을 적용 시킬 수 있고, 반대, 대칭되는 각도로 복사 배치함으로써 균형, 조화롭게 만들 수 있다. 또한 눈, 코, 입, 손, 발 등이나 사람 시선의 가운데의 크기를 키우고, 강조하여 초점을 줄 수 있다.그 밖에도 사용자가 입력한 혹은 기 입력된 또 다른 벡터들로 현재 벡터들과 결합, 교차, 제외 및 분리 하거나, 왜곡시키거나 변경 할 수 있다. 또한 가장 밝은 부분의 고정점을 제거하여 밝은 부분의 고정점이나 경로(path)를 없애주거나, 가장 어두운 부분에 고정점을 추가하여 해당 부분만 복잡하게 변형 시킬 수 있다.In addition, the transforming unit 153 can apply uniformity, repetition, etc. by copying the vectors and arranging the vectors and the magnitudes and distances to be varied, and can be balanced and harmonious by copying and arranging them at opposite and symmetrical angles. In addition, it is possible to increase the size of the center of eyes, nose, mouth, hands, feet, or human gaze, and focus on it. In addition, other vectors entered by the user, Intersect, exclude, and separate, distort, or alter. It is also possible to eliminate fixed points or paths of bright parts by removing the fixed points of the brightest parts, or to add complex points to the dark parts by adding fixing points.

재구성모듈(170)의 추출부(171)는 분석된 이미지 속성정보를 이용하여 이미지에 포함된 각 영역에 채워질 패턴을 추출하고 재구성부(173)는 추출된 패턴으로 이미지에 포함된 각각의 영역을 채운다. 재구성모듈(170)은 변형모듈(150)에서 분리된 벡터 그룹, 색, 빛 데이터를 활용하여 이미지 데이터를 재구성한다. 예컨대, 추출부(171)는 인쇄나 실제 피지컬(physical) 오브젝트인 경우는 CMYK(cyan, magenta, yellow, black)로 변환된 컬러 값을 추출하고, 웹이나 저장용으로는 RGB데이터를 추출하고, 계산식에는 HSV(hue saturation value)를 사용하여 이미지를 재구성 하도록 한다. 또한, 재구성 모듈(170)은 각 벡터 그룹들을 점, 선, 면 각각 혹은 조합으로 나타낼 수 있다. 이후 재구성 모듈(170)은 전체 벡터 그룹에 같은 패턴을 채우거나 각기 다른 패턴을 채울 수 있다. 도 3a에 도시된 바와 같이, 이미지 데이터의 각 영역에 데이터베이스에 기 입력된 색을 불러와 채우고, 이때 색과 명도를 조정 할 수 있도록 한다. The extracting unit 171 of the reconstruction module 170 extracts a pattern to be filled in each area included in the image using the analyzed image attribute information and the reconstructing unit 173 extracts each area included in the image in the extracted pattern Fill it. The reconstruction module 170 reconstructs the image data using vector group, color, and light data separated from the transformation module 150. For example, the extracting unit 171 extracts color values converted into CMYK (cyan, magenta, yellow, black) in the case of printing or actual physical object, extracts RGB data for web or storage, The formula uses HSV (hue saturation value) to reconstruct the image. In addition, the reconstruction module 170 may represent each vector group in terms of points, lines, faces, or combinations thereof. The reconstruction module 170 may then fill the entire vector group with the same pattern or fill in different patterns. As shown in FIG. 3A, the colors inputted in the database are filled in each area of the image data, and the color and brightness are adjusted at this time.

추천모듈(190)의 재료 선정부(191)는 이미지 데이터의 속성정보를 이용하여 이미지 데이터를 조립될 3차원 제작물 형태로 변환하려는 경우 필요한 재료를 선정할 수 있다. 예컨대, 나무, 돌, 철, 알루미늄, 흑연, 유리, 아크릴, 실, 비닐, 테이프, 고무줄, 자석, 신문, 잡지, 모래, 물, PCB판, 전구를 포함하는 재구성 재료의 이름, 기능, 크기, 강도, 색, 밝기, 가격, 반사율, 탄력성, 투명도, 내구성, 전도성을 포함하는 속성정보를 미리 데이터베이스화 하고, 분석된 이미지 데이터에 기반하여 상기 이미지 데이터를 재구성할 재구성 재료를 추천할 수 있다. 이후, 조립부(193)는 선정된 재구성 재료로 이미지 데이터를 재구성 한다.The material selection unit 191 of the recommendation module 190 can use the attribute information of the image data to select a material necessary for converting the image data into a three-dimensional production form to be assembled. For example, the name, function, size, and size of a reconstruction material, including wood, stone, iron, aluminum, graphite, glass, acrylic, yarn, vinyl, tape, rubber band, magnet, newspaper, magazine, Attribute information including intensity, color, brightness, price, reflectance, elasticity, transparency, durability, and conductivity can be made into a database in advance, and a reconstruction material to reconstruct the image data based on the analyzed image data can be recommended. Then, the assembling section 193 reconstructs the image data with the selected reconstruction material.

도 3a 내지 도 4는 실시예에 따른 이미지 재구성 방법에 의해 재구성된 이미지들을 나타낸 도면이다. 3A to 4 are views showing images reconstructed by the image reconstruction method according to the embodiment.

도 3a는 입력된 이미지 데이터에 기본 패턴 데이터를 채워 이미지를 재구성한 예를 나타낸 도면이다.3A is a diagram illustrating an example of reconstructing an image by filling basic pattern data with input image data.

도 3a에 도시된 바와 같이, 사용자가 동물이나 사람의 신체부분이 그려진 데이터를 입력하면 입력된 이미지의 에지 및 픽셀 분석을 통해 객체 영역(a, b, c)을 구분하고, 이미지 영역을 생성하여, 생성된 각각의 이미지에 특정한 패턴 또는 색을 채워 재구성한다. 각 영역에 채워지는 패턴이나 색은 도 3a에 도시된 것으로 한정되는 것이 아니라 이미지 재구성 서버에 구축되는 데이터베이스에 따라 다양해 질 수 있다.As shown in FIG. 3A, when a user inputs data in which an animal or a body part of a person is drawn, an object area (a, b, c) is discriminated through edge and pixel analysis of the input image, , And reconstructs each of the generated images by filling in a specific pattern or color. The patterns and colors to be filled in each area are not limited to those shown in FIG. 3A, but can be varied according to the database built in the image reconstruction server.

도 3b는 인물 사진을 재구성하는 실시예를 나타낸 도면이다.3B is a diagram showing an embodiment of reconstructing a portrait photograph.

도 3b에 도시된 바와 같이, 사람의 얼굴이 객체로 포함된 이미지가 입력되면, 눈, 코, 입을 포함하는 이목구비 벡터와 에지를 인식하고, 이미지에 포함된 특징점을 이용해 이미지의 영역(10,20)을 구분한다. 이후, 구분된 영역에 보색, 이색배색 등을 추출하여 채우고, 패턴의 질감을 조정하여 각 영역을 색과 패턴으로 채워 새로운 이미지로 재구성할 수 있다.As shown in FIG. 3B, when an image including a face of a human being is input, an eyeball, a nose and mouth vector including an eye, a nose, and an edge are recognized, and using the feature points included in the image, ). Thereafter, complementary colors and two-color combinations are extracted and filled in the divided areas, and the texture of the patterns is adjusted to fill each area with colors and patterns to reconstruct a new image.

도 4는 실시예에 따른 이미지 재구성 서버에 의해 재구성된 이미지 예를 나타낸 도면이다. 4 is a diagram illustrating an example of an image reconstructed by an image reconstruction server according to an embodiment.

도 4에 도시된 바와 같이, 이미지 재구성 서버에 이미지가 입력되면 입력된 이미지의 에지 및 픽셀 검출을 통해 이미지 영역(b, c, d)을 분할하고, 이미지의 색 분석 및 이미지 속성정보분석을 통해 각 영역에 채워질 색채를 선정한다. 이후, 선정된 색으로 이미지에 포함된 각 영역을 채워 입력된 이미지를 다양하게 재구성 할 수 있다. As shown in FIG. 4, when an image is input to the image reconstruction server, the image regions b, c, and d are divided through edge and pixel detection of the input image, and color analysis and image attribute information analysis Select the colors to be filled in each area. Then, the input image can be variously reconstructed by filling each area included in the image with the predetermined color.

이하에서는 이미지 재구성 방법에 대해서 차례로 설명한다. 본 발명에 따른 이미지 재구성 방법의 작용(기능)은 이미지 재구성 서버의 기능과 본질적으로 같은 것이므로 도 1 내지 도 4와 중복되는 설명은 생략하도록 한다. Hereinafter, the image reconstruction method will be described in turn. Since the function (function) of the image reconstruction method according to the present invention is essentially the same as that of the image reconstruction server, a description overlapping with those of FIGS. 1 to 4 will be omitted.

도 5는 실시예에 따른 이미지 재구성 서버에서의 데이터 처리과정을 나타낸 도면이다. 5 is a diagram illustrating a data processing process in the image reconstruction server according to the embodiment.

S510 단계에서는 분석모듈에서 그림, 사진을 포함하는 이미지 데이터를 입력 받아 입력된 이미지 데이터를 분석하여 벡터 포지션을 검출하고, 검출된 벡터 포지션을 이용하여 이미지 영역을 분리한다. 실시예에서 S510 단계에서는 입력된 이미지데이터에 포함된 영역 각각의 색, 명암, 조도를 분석하고, 입력된 이미지 데이터의 에지(edge)를 추출하거나 픽셀을 분석하여 이미지 데이터의 영역을 분리한다.In step S510, the analysis module receives image data including pictures and photographs, analyzes the input image data to detect vector positions, and separates the image areas using the detected vector positions. In step S510, the color, contrast, and illuminance of each of the regions included in the input image data are analyzed, and edges of the input image data are extracted or pixels are analyzed to separate regions of the image data.

S520 단계에서는 분리된 각 이미지 영역 각각의 색, 명암을 포함하는 이미지 속성정보를 추출한다. In step S520, image attribute information including color and contrast of each of the separated image areas is extracted.

S530 단계에서는 변형모듈에서 분석된 이미지 속성정보와 이미지 영역 별 벡터 포지션을 기반으로 입력된 이미지 안 객체의 형태와 색을 변형한다. 구체적으로 S530 단계에서는 분석된 이미지데이터 각 영역의 크기와 전체 크기 비율을 재배치하고, 이미지 데이터 영역 각각의 크기를 조정하고, 이미지 데이터에 포함된 벡터 포지션의 고정점을 삭제, 추가 및 변형하여 이미지 데이터의 각 영역을 변형한다.In step S530, the shape and color of the input image object are transformed based on the image attribute information analyzed by the transformation module and the vector position per image area. Specifically, in step S530, the size and total size ratio of each area of the analyzed image data are rearranged, the size of each of the image data areas is adjusted, and the fixed points of the vector positions included in the image data are deleted, added, Of the area.

S540 단계에서는 재구성모듈에서 변형된 이미지 데이터를 출력하고, 분석모듈에서 분석된 이미지 속성정보를 이용하여 이미지 데이터의 각 영역에 채워질 패턴을 추출한다.In step S540, the modified image data is output from the reconstruction module, and the pattern to be filled in each area of the image data is extracted using the image attribute information analyzed by the analysis module.

S550 단계에서는 추출된 패턴으로 이미지 각 영역을 채워 이미지를 재구성한다. S550 단계는 분석된 이미지 속성정보를 이용하여 이미지에 포함된 각 영역에 채워질 패턴을 추출하는 단계; 및 추출된 패턴으로 이미지에 포함된 각각의 영역을 채우는 단계를 포함할 수 있다.In step S550, the image is reconstructed by filling each area of the image with the extracted pattern. In operation S550, a pattern to be filled in each region included in the image is extracted using the analyzed image attribute information. And filling each of the regions included in the image with the extracted pattern.

또한, S550 단계에서는 나무, 돌, 철, 알루미늄, 흑연, 유리, 아크릴, 실, 비닐, 테이프, 고무줄, 자석, 신문, 잡지, 모래, 물, PCB판, 전구를 포함하는 재구성 재료의 이름, 기능, 크기, 강도, 색, 밝기, 가격, 반사율, 탄력성, 투명도, 내구성, 전도성을 포함하는 속성정보를 미리 데이터베이스화 하고, 분석된 이미지 데이터에 기반하여 이미지 데이터를 재구성할 재구성 재료를 선정하고, 선정된 재구성 재료로 이미지 데이터를 재구성 할 수 있다. 아울러, S550 단계는 분석된 이미지 속성정보를 이용하여 이미지 데이터 조립 프로세스를 생성하고, 생성된 조립 프로세스에 포함된 특정 과정을 변형, 삭제하여 조립 프로세스를 재구성할 수 있다.The name and function of the reconstruction material including wood, stone, iron, aluminum, graphite, glass, acrylic, yarn, vinyl, tape, rubber band, magnet, newspaper, magazine, sand, water, , The attribute information including size, intensity, color, brightness, price, reflectivity, elasticity, transparency, durability and conductivity is made into a database in advance, and a reconstruction material to reconstruct image data based on the analyzed image data is selected The image data can be reconstructed with the reconstructed material. In step S550, the image data assembling process is created using the analyzed image attribute information, and the assembling process is reconfigured by modifying and deleting the specific process included in the assembling process.

도 6 내지 도 7은 이미지 재구성 서버에 의해 생성된 조립 프로세스를 통해 이미지를 조립하여 3차원으로 재구성한 실시예를 나타낸 도면이다.6 to 7 are views showing an embodiment of assembling and reconstructing an image in three dimensions through an assembling process generated by an image reconstruction server.

도 6에 도시된 바와 같이, 실시예에 따른 이미지 재구성 서버는 특정 이미지를 입력하면 이미지를 재구성하여 3차원으로 조립하는데 필요한 재료(61,61)를 선정하고, 선정된 재료를 통해 조립되어 3차원으로 재구성된 완성품(63) 이미지를 제공할 수 있다. As shown in FIG. 6, the image reconstruction server according to the embodiment selects materials (61, 61) necessary for reconstructing an image and assembling it in three dimensions when a specific image is input, To provide an image of the final product 63 reconstructed.

또한 도 7에 도시된 바와 같이, 이미지를 재구성하는 재료와 소재를 변화시켜 특정 이미지를 다양한 방식으로 재구성하도록 한다. 예컨대, 연필, 구슬, 동전 등 다양한 재료에 의해 재구성되는 이미지를 미리 보여주거나 사용자가 특정 재료를 선택하는 경우, 선택한 재료로 재구성 될 수 있는 이미지의 3차원 형상을 미리 보여줄 수 있다. 또한, 입력된 이미지를 3차원 조립품으로 재구성하는 경우, 이미지에 포함되는 선 벡터를 반복누적 하여 3차원 벡터로 재구성 하도록 한다. Also, as shown in Fig. 7, a material and a material for reconstructing an image are changed to reconstruct a specific image in various ways. For example, an image reconstructed by various materials such as pencils, beads, coins, etc. can be previewed or, if the user selects a particular material, the three-dimensional shape of the image that can be reconstructed with the selected material can be previewed. When the input image is reconstructed into a three-dimensional assembly, the line vector included in the image is repeatedly accumulated and reconstructed into a three-dimensional vector.

본 개시에서는 사용자의 전자기기를 통해 입력된 이미지의 영역을 분리하고 속성정보를 분석하여 분석된 속성정보를 기반으로 입력된 이미지를 재구성하는 이미지 재구성 서버 및 방법을 제공한다. 이상에서와 이미지 재구성 서버 및 방법은, 사용자가 생성한 하나의 이미지를 색 선정, 벡터 조정, 영역 구분 등의 이미지 분석 프로세스를 통해 새로운 이미지로 3차원 조립키트로 재구성 할 수 있도록 한다.The present disclosure provides an image reconstruction server and method for separating a region of an image input through a user's electronic device, analyzing attribute information, and reconstructing an input image based on the analyzed attribute information. As described above, the image reconstruction server and method allow one image created by a user to be reconstructed into a new image as a three-dimensional assembly kit through an image analysis process such as color selection, vector adjustment, and area classification.

또한, 실시예에서는 이미지 재구성 서버를 통해 이미지를 재구성할 수 있도록 하는 재료와 조립방법을 추천해 줄 뿐만 아니라, 이미지 데이터를 렌더링 하여 바로 출력물이나 인테리어에 활용할 수 있도록 한다. 또한 해당 이미지 데이터의 벡터 포지션을 기반으로 출력 형식만 변형하는 경우에는 다양한 분야로 확장하여 사용 할 수 있다. 예컨대, 모션그래픽, 웹/앱, 인테리어, 각종 출력물, 분수 쇼, 레이저 쇼, 불꽃 쇼 등의 컴퓨터 시각디자인 분야와 레이저커팅, CNC, RP, 금형, 출력물, 네온사인, 회로도, 전구의 색 등에서 다양한 디자인 및 2차원 3차원 조형물 생산을 위해 활용 될 수 있다.In addition, in the embodiment, not only the material and the assembling method that can reconstruct the image through the image reconstruction server are recommended, but also the image data is rendered and utilized immediately for the output and the interior. Also, if only the output format is modified based on the vector position of the image data, it can be extended to various fields. For example, in computer visual design fields such as motion graphics, web / app, interior, various output, fountain show, laser show, and fireworks show, and various kinds of laser cutting, CNC, RP, mold, output, neon sign, circuit diagram, And can be utilized for design and production of two-dimensional three-dimensional sculptures.

개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.It is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, is intended to cover various modifications and equivalent arrangements included within the spirit and scope of the appended claims. It is not limited to the embodiment.

110: 데이터베이스 130: 분석모듈
150: 변형모듈 170: 재구성 모듈 190: 추천모듈110: Database 130: Analysis module
150: transformation module 170: reconstruction module 190: recommended module

Claims (13)

이미지 재구성 서버에 있어서,
그림, 사진을 포함하는 이미지 데이터를 입력 받아 입력된 이미지 데이터를 분석하여 벡터 포지션을 검출하고, 검출된 벡터를 이용해 이미지 영역을 분리하고, 상기 분리된 각 이미지 영역 각각의 색, 명암을 포함하는 이미지 속성정보를 추출하는 분석모듈; 및
상기 분석된 이미지 속성정보와 이미지 영역 별 벡터 포지션을 기반으로 상기 입력된 이미지 안 객체의 형태와 색을 변형하는 변형모듈; 및
상기 변형된 이미지 데이터를 출력하고, 상기 분석모듈에서 분석된 이미지 속성정보를 이용하여 상기 이미지 데이터의 각 영역에 채워질 패턴을 추출하고 상기 추출된 패턴으로 이미지 각 영역을 채우는 재구성모듈; 을 포함하고,
상기 분석모듈은
이미지의 명도 데이터를 추출하여, RGB값을 HSV값으로 변환 후 추출된 명도 값에 따라 분포도 히스토그램을 생성하고, 이미지 밝기 또는 레벨을 조정하여 평활화 시키거나 감마 값만 조정하여, 해당 영역의 색상(Hue), 채도(Saturation)값을 파악 후, 색상과 채도 값에 따라 빛의 색과 반사광의 색을 추출하는 색분석부; 및
색 분석부에서 분석된 색상 및 채도 값을 전달받아, 입력된 이미지 데이터에서 일정수준이상 유사한 색상을 군집화하여 해당 영역들을 벡터 데이터로 생성하고, 시각 집중도에 따라 색상을 통합하는 세일리언시(saliency) 필터의 레벨을 조정하여 색상을 군집화하여 영역을 생성하는 객체영역 분석부; 를 포함하는 것을 특징으로 하는 이미지 재구성 서버.
In an image reconstruction server,
An image including a color and a brightness of each of the separated image areas, and an image processing unit for detecting the vector position by analyzing the input image data, An analysis module for extracting attribute information; And
A transformation module for transforming the shape and color of the input image object based on the analyzed image attribute information and the vector position of each image region; And
A reconstruction module that outputs the modified image data, extracts a pattern to be filled in each region of the image data using the image attribute information analyzed by the analysis module, and fills each image region with the extracted pattern; / RTI >
The analysis module
A brightness histogram is generated according to the extracted brightness value, and the brightness or level of the image is adjusted by smoothing or adjusting only the gamma value to obtain the hue of the corresponding region, And a saturation value, and then extracts the color of the light and the color of the reflected light according to the color and the saturation value; And
The color and saturation values analyzed by the color analysis unit are received, and saliency is obtained by grouping similar colors at a predetermined level or more in the input image data, generating corresponding areas as vector data, and integrating colors according to the visual concentration. An object region analyzer for generating a region by grouping colors by adjusting a level of a filter; And an image reconstruction server for reconstructing the image.
삭제delete 제 1항에 있어서, 상기 분석모듈은
상기 입력된 이미지데이터에 포함된 영역 각각의 색, 명암, 조도를 분석하는 색분석부; 및
상기 입력된 이미지 데이터의 에지(edge)를 추출하거나 픽셀을 분석하여 이미지 데이터 영역을 분리하는 영역 분석부; 를 포함하여 구성되는 것을 특징으로 하는 이미지 재구성 서버.
The system of claim 1, wherein the analysis module
A color analyzer for analyzing color, contrast, and illuminance of each of the regions included in the input image data; And
An area analyzer for extracting an edge of the input image data or analyzing pixels to separate the image data area; Wherein the image reconstruction server comprises:
제 1항에 있어서, 상기 변형모듈은
상기 분석된 이미지데이터 각 영역의 크기와 전체 크기 비율을 조정하고, 이미지 데이터 영역 각각의 크기를 조정하는 조정부;
상기 이미지 데이터에 포함된 벡터 포지션의 고정점을 삭제, 추가 및 변형하여 이미지 데이터의 각 영역을 변형하는 변형부; 를 포함하여 구성되는 것을 특징으로 하는 이미지 재구성 서버.
2. The system of claim 1,
An adjusting unit for adjusting a size and an overall size ratio of each of the analyzed image data areas and adjusting a size of each of the image data areas;
A deforming unit deforming each region of the image data by deleting, adding and modifying fixed points of vector positions included in the image data; Wherein the image reconstruction server comprises:
제 1항에 있어서, 상기 재구성모듈은
상기 분석된 이미지 속성정보를 이용하여 이미지에 포함된 각 영역에 채워질 패턴을 추출하는 추출부; 및
상기 추출된 패턴으로 이미지에 포함된 각각의 영역을 채우는 재구성부; 를 포함하는 것을 특징으로 하는 이미지 재구성 서버.
2. The apparatus of claim 1, wherein the reconfiguration module
An extracting unit for extracting a pattern to be filled in each region included in the image using the analyzed image attribute information; And
A reconstruction unit that fills each of the regions included in the image with the extracted pattern; And an image reconstruction server for reconstructing the image.
제 1항에 있어서, 상기 이미지 재구성 서버는
나무, 돌, 철, 알루미늄, 흑연, 유리, 아크릴, 실, 비닐, 테이프, 고무줄, 자석, 신문, 잡지, 모래, 물, PCB판, 전구를 포함하는 재구성 재료의 이름, 기능, 크기, 강도, 색, 밝기, 가격, 반사율, 탄력성, 투명도, 내구성, 전도성을 포함하는 속성정보를 미리 데이터베이스화 하고, 분석된 이미지 데이터에 기반하여 상기 이미지 데이터를 재구성할 재구성 재료를 추천하고 선정된 재구성 재료로 이미지 데이터를 재구성 하는 추천모듈; 을 더 포함하는 것을 특징으로 하는 이미지 재구성 서버.
The image reconstruction server according to claim 1, wherein the image reconstruction server
The name, function, size, strength, etc. of the reconstituted material including wood, stone, iron, aluminum, graphite, glass, acrylic, yarn, vinyl, tape, rubber band, magnet, newspaper, magazine, sand, water, PCB, The image processing apparatus according to claim 1, wherein attribute information including color, brightness, price, reflectivity, elasticity, transparency, durability and conductivity is preliminarily databaseed, and a reconstruction material to reconstruct the image data based on the analyzed image data is recommended, A recommendation module for reconstructing data; Further comprising: an image reconstruction server configured to reconstruct an image from the image.
제 6항에 있어서, 상기 추천모듈은
상기 분석된 이미지 속성정보를 이용하여 이미지 데이터를 3차원으로 변화시키는 조립 프로세스를 생성하고, 상기 생성된 조립 프로세스에 포함된 특정 과정을 변형, 삭제하여 조립 프로세스를 재구성하는 것을 특징으로 하는 이미지 재구성 서버.
7. The method of claim 6,
And generating an assembly process for changing the image data to three dimensions using the analyzed image attribute information and modifying and deleting the specific process included in the generated assembly process to reconstruct the assembly process. .
이미지 재구성 방법에 있어서,
(A) 분석모듈에서 그림, 사진을 포함하는 이미지 데이터를 입력 받아 입력된 이미지 데이터를 분석하여 벡터 포지션을 검출하고, 검출된 벡터를 이용해 이미지 영역을 분리하고 상기 분리된 각 이미지 영역 각각의 색, 명암을 포함하는 이미지 속성정보를 추출하는 단계;
(B) 변형모듈에서 분석된 이미지 속성정보와 이미지 영역 별 벡터 포지션을 기반으로 상기 이미지에 포함된 객체의 형태와 색을 변형하는 단계; 및
(C) 재구성모듈에서 상기 변형된 이미지 데이터를 출력하고, 상기 분석모듈에서 분석된 이미지 속성정보를 이용하여 상기 이미지 데이터의 각 영역에 채워질 패턴을 추출하고 상기 추출된 패턴으로 이미지 각 영역을 채우는 단계; 를 포함하고
상기 (A) 이미지 속성정보를 추출하는 단계; 는
이미지의 명도 데이터를 추출하여, RGB값을 HSV값으로 변환 후 추출된 명도 값에 따라 분포도 히스토그램을 생성하고, 이미지 밝기 또는 레벨을 조정하여 평활화 시키거나 감마 값만 조정하여, 해당 영역의 색상(Hue), 채도(Saturation)값을 파악 후, 색상과 채도 값에 따라 빛의 색과 반사광의 색을 추출하는 단계; 및
색 분석부에서 분석된 색상 및 채도 값을 전달받아, 입력된 이미지 데이터에서 일정수준이상 유사한 색상을 군집화하여 해당 영역들을 벡터 데이터로 생성하고, 시각 집중도에 따라 색상을 통합하는 세일리언시(saliency) 필터의 레벨을 조정하여 색상을 군집화하여 영역을 생성하는 단계; 를 포함하는 것을 특징으로 하는 이미지 재구성 방법.
In an image reconstruction method,
(A) analyzing module for receiving image data including pictures and photographs, analyzing input image data to detect a vector position, separating an image area using the detected vector, and calculating a color of each of the separated image areas, Extracting image attribute information including light and dark;
(B) transforming the shape and color of the object included in the image based on the image attribute information analyzed by the transformation module and the vector position per image region; And
(C) outputting the modified image data from the reconstruction module, extracting a pattern to be filled in each area of the image data using the image attribute information analyzed by the analysis module, and filling the image area with the extracted pattern ; Including the
(A) extracting image attribute information; The
A brightness histogram is generated according to the extracted brightness value, and the brightness or level of the image is adjusted by smoothing or adjusting only the gamma value to obtain the hue of the corresponding region, Extracting a color of light and a color of reflected light according to a color and a saturation value; And
The color and saturation values analyzed by the color analysis unit are received, and saliency that integrates colors according to a degree of visual concentration, groups the similar colors more than a predetermined level in the input image data, generates corresponding areas as vector data, Adjusting the level of the filter to clusters the colors to create regions; The image reconstruction method comprising:
제 8항에 있어서, 상기 (A) 분석모듈에서 그림, 사진을 포함하는 이미지 데이터를 입력받아 입력된 이미지 데이터를 분석하여 벡터 포지션을 검출하고, 검출된 벡터를 이용해 이미지 영역을 분리하고 상기 분리된 각 이미지 영역 각각의 색, 명암을 포함하는 이미지 속성정보를 추출하는 단계; 는
상기 입력된 이미지데이터에 포함된 영역 각각의 색, 명암, 조도를 분석하는 단계; 및
상기 입력된 이미지 데이터의 에지(edge)를 추출하거나 픽셀을 분석하여 상기 이미지 데이터 영역을 분리하는 단계; 를 포함하여 구성되는 것을 특징으로 하는 이미지 재구성 방법.
9. The image processing method according to claim 8, wherein (A) the analysis module receives image data including pictures and pictures, analyzes the inputted image data to detect a vector position, separates the image area using the detected vector, Extracting image attribute information including color and contrast of each image region; The
Analyzing color, contrast, and illuminance of each region included in the input image data; And
Extracting an edge of the input image data or analyzing pixels to separate the image data area; The image reconstruction method comprising:
제 8항에 있어서, 상기 (B) 변형모듈에서 분석된 이미지 속성정보와 이미지 영역 별 벡터 포지션을 기반으로 상기 이미지에 포함된 객체의 형태와 색을 변형하는 단계; 는
상기 분석된 이미지데이터 각 영역의 크기와 전체 크기 비율을 재배치하고, 이미지 데이터 영역 각각의 크기를 조정하는 조정부;
상기 이미지 데이터에 포함된 벡터 포지션의 고정점을 삭제, 추가 및 변형하여 이미지 데이터의 각 영역을 변형하는 변형부; 를 포함하여 구성되는 것을 특징으로 하는 이미지 재구성 방법.
The method of claim 8, further comprising: (B) transforming the shape and color of the object included in the image based on the image attribute information analyzed by the transformation module and the vector position of the image region; The
An adjustment unit for rearranging the size and total size ratio of each of the analyzed image data areas and adjusting the size of each of the image data areas;
A deforming unit deforming each region of the image data by deleting, adding and modifying fixed points of vector positions included in the image data; The image reconstruction method comprising:
제 8항에 있어서, 상기 (C) 재구성모듈에서 상기 변형된 이미지 데이터를 출력하고, 상기 분석모듈에서 분석된 이미지 속성정보를 이용하여 상기 이미지 데이터의 각 영역에 채워질 패턴을 추출하고 상기 추출된 패턴으로 이미지 각 영역을 채우는 단계; 는
상기 분석된 이미지 속성정보를 이용하여 이미지에 포함된 각 영역에 채워질 패턴을 추출하는 단계; 및
상기 추출된 패턴으로 이미지에 포함된 각각의 영역을 채우는 단계; 를 포함하는 것을 특징으로 하는 이미지 재구성 방법.
The image processing method according to claim 8, further comprising the steps of: (C) outputting the modified image data from the reconfiguration module; extracting a pattern to be filled in each region of the image data using the image attribute information analyzed by the analysis module; Filling each region of the image with a first image; The
Extracting a pattern to be filled in each region included in the image using the analyzed image attribute information; And
Filling each region included in the image with the extracted pattern; The image reconstruction method comprising:
제 11항에 있어서, 상기 추출된 패턴으로 이미지에 포함된 각각의 영역을 채우는 단계; 는
나무, 돌, 철, 알루미늄, 흑연, 유리, 아크릴, 실, 비닐, 테이프, 고무줄, 자석, 신문, 잡지, 모래, 물, PCB판, 전구를 포함하는 재구성 재료의 이름, 기능, 크기, 강도, 색, 밝기, 가격, 반사율, 탄력성, 투명도, 내구성, 전도성을 포함하는 속성정보를 미리 데이터베이스화 하고, 분석된 이미지 데이터에 기반하여 상기 이미지 데이터를 재구성할 재구성 재료를 선정하는 단계; 및
상기 선정된 재구성 재료로 이미지 데이터를 재구성 하는 단계; 를 더 포함하는 것을 특징으로 하는 이미지 재구성 방법.
12. The method of claim 11, further comprising: filling each region included in the image with the extracted pattern; The
The name, function, size, strength, etc. of the reconstituted material including wood, stone, iron, aluminum, graphite, glass, acrylic, yarn, vinyl, tape, rubber band, magnet, newspaper, magazine, sand, water, PCB, The method of claim 1, wherein the attribute information includes color, brightness, price, reflectivity, elasticity, transparency, durability and conductivity, and selecting a reconstruction material to reconstruct the image data based on the analyzed image data. And
Reconstructing the image data with the selected reconstruction material; Further comprising the step of reconstructing the image.
제 12항에 있어서, 상기 선정된 재구성 재료로 이미지 데이터를 재구성 하는 단계; 는
상기 분석된 이미지 속성정보를 이용하여 이미지 데이터를 3차원으로 변화시키는 조립 프로세스를 생성하고, 상기 생성된 조립 프로세스에 포함된 특정 과정을 변형, 삭제하여 조립 프로세스를 재구성하는 것을 특징으로 하는 이미지 재구성 방법.
13. The method of claim 12, further comprising: reconstructing image data with the selected reconstruction material; The
Generating an assembly process for changing the image data to three dimensions using the analyzed image attribute information, and reconstructing the assembly process by modifying and deleting the specific process included in the generated assembly process .
KR1020170157833A 2017-11-24 2017-11-24 Image Reorganization Server and Method KR101887216B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170157833A KR101887216B1 (en) 2017-11-24 2017-11-24 Image Reorganization Server and Method
PCT/KR2018/010785 WO2019103295A1 (en) 2017-11-24 2018-09-13 Server and method for reconstructing image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170157833A KR101887216B1 (en) 2017-11-24 2017-11-24 Image Reorganization Server and Method

Publications (1)

Publication Number Publication Date
KR101887216B1 true KR101887216B1 (en) 2018-08-09

Family

ID=63251146

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170157833A KR101887216B1 (en) 2017-11-24 2017-11-24 Image Reorganization Server and Method

Country Status (2)

Country Link
KR (1) KR101887216B1 (en)
WO (1) WO2019103295A1 (en)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934763A (en) * 2019-01-16 2019-06-25 中德（珠海）人工智能研究院有限公司 A kind of geometry extraction and analysis device and its working method
KR20200042647A (en) * 2018-10-16 2020-04-24 연철희 Method and server for reconstructing image using artificial intelligence
KR20200084445A (en) * 2018-12-26 2020-07-13 충남대학교산학협력단 Method for storing photo recording using metadata and terminals device for performing the method
WO2020175734A1 (en) * 2019-02-26 2020-09-03 주식회사 틸투원 Device and method for restoring original colors of image using convolutional neural network model
KR102247662B1 (en) * 2021-01-29 2021-05-03 주식회사 아이코드랩 Device and method for automatically coloring cartoon sketch image
KR20210060162A (en) * 2019-11-18 2021-05-26 김남희 Method of generating digital image basd on bigdata and apparatus performing the same
KR20210100520A (en) * 2020-02-06 2021-08-17 국민대학교산학협력단 Method and apparatus for 3d modeling based on triangular patterning
KR20220003187A (en) * 2020-07-01 2022-01-10 국민대학교산학협력단 Method and apparatus for designing image based on triangular patterning
KR20220086025A (en) * 2020-12-16 2022-06-23 (주) 리아모어소프트 Method and Server for Still Image to Video Automatic Conversion
KR102467062B1 (en) * 2021-05-07 2022-11-14 전남대학교산학협력단 Automatic coloring system and method
KR102488627B1 (en) * 2021-11-08 2023-01-18 청주대학교 산학협력단 Automatic converting method for PIPO painting image and automatic converting system for PIPO painting image using thereof
WO2024053856A1 (en) * 2022-09-08 2024-03-14 삼성전자 주식회사 Electronic device for processing images acquired using meta-lens, and operation method thereof

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101451543B1 (en) 2009-09-30 2014-10-16 애플 인크. Negative pixel compensation
KR20150087168A (en) * 2015-07-09 2015-07-29 (주)와치텍 The system of the three-dimensional mounting build and monitoring and method using the JSON document
KR101581112B1 (en) 2014-03-26 2015-12-30 포항공과대학교 산학협력단 Method for generating hierarchical structured pattern-based descriptor and method for recognizing object using the descriptor and device therefor
KR20170011515A (en) * 2015-07-23 2017-02-02 삼성전자주식회사 Method and apparatus of modeling and restoring target object using pre-computation

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020007053A (en) * 2000-07-15 2002-01-26 이종구 Method for generating character
US9195898B2 (en) * 2009-04-14 2015-11-24 Qualcomm Incorporated Systems and methods for image recognition using mobile devices
US9208536B2 (en) * 2013-09-27 2015-12-08 Kofax, Inc. Systems and methods for three dimensional geometric reconstruction of captured image data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101451543B1 (en) 2009-09-30 2014-10-16 애플 인크. Negative pixel compensation
KR101581112B1 (en) 2014-03-26 2015-12-30 포항공과대학교 산학협력단 Method for generating hierarchical structured pattern-based descriptor and method for recognizing object using the descriptor and device therefor
KR20150087168A (en) * 2015-07-09 2015-07-29 (주)와치텍 The system of the three-dimensional mounting build and monitoring and method using the JSON document
KR20170011515A (en) * 2015-07-23 2017-02-02 삼성전자주식회사 Method and apparatus of modeling and restoring target object using pre-computation

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200042647A (en) * 2018-10-16 2020-04-24 연철희 Method and server for reconstructing image using artificial intelligence
KR102110604B1 (en) * 2018-10-16 2020-05-13 연철희 Method and server for reconstructing image using artificial intelligence
KR20200084445A (en) * 2018-12-26 2020-07-13 충남대학교산학협력단 Method for storing photo recording using metadata and terminals device for performing the method
KR102209316B1 (en) * 2018-12-26 2021-01-29 충남대학교산학협력단 Method for storing photo recording using metadata and terminals device for performing the method
CN109934763A (en) * 2019-01-16 2019-06-25 中德（珠海）人工智能研究院有限公司 A kind of geometry extraction and analysis device and its working method
WO2020175734A1 (en) * 2019-02-26 2020-09-03 주식회사 틸투원 Device and method for restoring original colors of image using convolutional neural network model
KR102291576B1 (en) * 2019-11-18 2021-08-20 김남희 Method of generating digital image basd on bigdata and apparatus performing the same
KR20210060162A (en) * 2019-11-18 2021-05-26 김남희 Method of generating digital image basd on bigdata and apparatus performing the same
KR20210100520A (en) * 2020-02-06 2021-08-17 국민대학교산학협력단 Method and apparatus for 3d modeling based on triangular patterning
KR102425299B1 (en) * 2020-02-06 2022-07-27 국민대학교산학협력단 Method and apparatus for 3d modeling based on triangular patterning
KR20220003187A (en) * 2020-07-01 2022-01-10 국민대학교산학협력단 Method and apparatus for designing image based on triangular patterning
KR102389195B1 (en) * 2020-07-01 2022-04-21 국민대학교산학협력단 Method and apparatus for designing image based on triangular patterning
KR20220086025A (en) * 2020-12-16 2022-06-23 (주) 리아모어소프트 Method and Server for Still Image to Video Automatic Conversion
KR102447948B1 (en) * 2020-12-16 2022-09-27 (주) 리아모어소프트 Method and Server for Still Image to Video Automatic Conversion
KR102247662B1 (en) * 2021-01-29 2021-05-03 주식회사 아이코드랩 Device and method for automatically coloring cartoon sketch image
KR102467062B1 (en) * 2021-05-07 2022-11-14 전남대학교산학협력단 Automatic coloring system and method
KR102488627B1 (en) * 2021-11-08 2023-01-18 청주대학교 산학협력단 Automatic converting method for PIPO painting image and automatic converting system for PIPO painting image using thereof
WO2024053856A1 (en) * 2022-09-08 2024-03-14 삼성전자 주식회사 Electronic device for processing images acquired using meta-lens, and operation method thereof

Also Published As

Publication number Publication date
WO2019103295A1 (en) 2019-05-31

Similar Documents

Publication Publication Date Title
KR101887216B1 (en) Image Reorganization Server and Method
Žeger et al. Grayscale image colorization methods: Overview and evaluation
CA2579903C (en) System, method, and apparatus for generating a three-dimensional representation from one or more two-dimensional images
US8692830B2 (en) Automatic avatar creation
US11636639B2 (en) Mobile application for object recognition, style transfer and image synthesis, and related systems, methods, and apparatuses
Reichinger et al. High-quality tactile paintings
TW201931179A (en) Systems and methods for virtual facial makeup removal and simulation, fast facial detection and landmark tracking, reduction in input video lag and shaking, and a method for recommending makeup
CN106096542B (en) Image video scene recognition method based on distance prediction information
CN109690617A (en) System and method for digital vanity mirror
JP2020187727A (en) Line drawing generation
US20100189357A1 (en) Method and device for the virtual simulation of a sequence of video images
CN105354248A (en) Gray based distributed image bottom-layer feature identification method and system
CN111046763B (en) Portrait cartoon method and device
Farid Creating and detecting doctored and virtual images: Implications to the child pornography prevention act
CN106447604A (en) Method and device for transforming facial frames in videos
CN111062260B (en) Automatic generation method of face-beautifying recommendation scheme
WO2021012491A1 (en) Multimedia information display method, device, computer apparatus, and storage medium
CN108701355A (en) GPU optimizes and the skin possibility predication based on single Gauss online
Tanimoto An interdisciplinary introduction to image processing: pixels, numbers, and programs
Rosin et al. Benchmarking non-photorealistic rendering of portraits
Calatroni et al. Unveiling the invisible: mathematical methods for restoring and interpreting illuminated manuscripts
Zhao et al. Research on the application of computer image processing technology in painting creation
Lee et al. Emotion-inspired painterly rendering
Jolly et al. Bringing monochrome to life: A GAN-based approach to colorizing black and white images
Zhao et al. Artistic rendering of portraits

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant