KR101910083B1 - Apparatus and method for processing image - Google Patents

Apparatus and method for processing image Download PDF

Info

Publication number
KR101910083B1
KR101910083B1 KR1020180065659A KR20180065659A KR101910083B1 KR 101910083 B1 KR101910083 B1 KR 101910083B1 KR 1020180065659 A KR1020180065659 A KR 1020180065659A KR 20180065659 A KR20180065659 A KR 20180065659A KR 101910083 B1 KR101910083 B1 KR 101910083B1
Authority
KR
South Korea
Prior art keywords
image
information
object
similar
region
Prior art date
Application number
KR1020180065659A
Other languages
Korean (ko)
Inventor
최승혁
Original Assignee
주식회사 이넘넷
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 주식회사 이넘넷 filed Critical 주식회사 이넘넷
Priority to KR1020180065659A priority Critical patent/KR101910083B1/en
Application granted granted Critical
Publication of KR101910083B1 publication Critical patent/KR101910083B1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/001Image restoration
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]

Abstract

The present invention relates to an apparatus and a method for processing an image which extracts an object cut from an original image by using an artificial intelligence technology for simulating the functions of recognition and determination of human brains by using a neural network learning algorithm. According to an embodiment of the present invention, the apparatus for processing an image comprises: a first analysis unit to acquire image division information by dividing an original image into a plurality of areas with similar features; a learning unit to identify an object from the original image based on a learning result using a neural network, use the image division information to generate division images by dividing the object extracted from the original image into a first to a third area, and output a correction image by clearly correcting any one area in the division images; and a processing unit to output an object cut generated by calculating the original image and the correction image, and include the original image and division images in learning using the neural network.

Description

영상 처리 장치 및 방법{APPARATUS AND METHOD FOR PROCESSING IMAGE} Image processing apparatus and method {APPARATUS AND METHOD FOR PROCESSING IMAGE}

본 발명은 뉴럴 네트워크(neural network) 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능 기술을 이용하여 원본 영상으로부터 객체 컷을 추출하는 영상 처리 장치 및 방법에 관한 것이다. The present invention relates to image processing apparatus and method for extracting an object from a cut-source image by using an artificial intelligence technique to simulate the function, such as whether the human brain, is determined by using a neural network (neural network) learning algorithm.

컴퓨터 기술의 발달과 함께 데이터 트래픽이 지수함수 형태로 증가하면서 인공지능은 미래 혁신을 주도하는 중요한 트랜드로 자리 잡았다. As data traffic increases exponentially with the form of computer technology, artificial intelligence development has become a major trend driving the future innovation. 인공지능은 사람의 사고방식을 모방하는 방식이기 때문에 사실상 전 산업에 무한하게 응용이 가능하다. AI is virtually infinite possible applications in all industries, because the way that mimics the mindset of the people.

인공지능의 대표적인 기술로는 패턴 인식, 기계 학습, 전문가 시스템, 뉴럴 네트워크, 자연어 처리 등이 있다. A representative technique of artificial intelligence may include pattern recognition, machine learning, expert systems, neural networks, natural language processing. 인공지능은, 빅데이터를 자기 학습을 통해 확률적으로 인식률을 높일 수 있도록 하는 기계 학습과 인공신경망 기술을 통해, 디바이스가 합리적인 의사결정을 하는 것을 목표로 발전하였다. Artificial intelligence, through machine learning and artificial neural network technology to help increase the recognition rate stochastic big data through self-learning device is developed which aims to make reasonable decisions.

1950년대 중반부터 개화를 시작한 인공지능 분야는, 2000년까지 인간의 지능을 넘는 범용 인공지능의 개발을 목표로 하였으나, 그 낙관은 점점 하락하는 추세였다. Artificial intelligence start flowering from mid-1950s, but aimed at the development of a universal artificial intelligence than human intelligence until 2000, that optimism has tended to decline gradually. 그러나 1990년대 이후 들어 대량의 데이터가 지속적으로 축적되어가고 있고, CPU 등 관련 하드웨어의 성능이 개선되었다는 것, 딥 러닝(deep learning)과 같이 자기 학습이 가능한 알고리즘의 발전에 따라, 기계 학습과 인공신경망을 이용하는 디바이스에 대한 관심이 높아지고 있다. However containing the 1990s and going of large amounts of data are continuously accumulated, CPU etc. that improve the performance of the hardware, deep learning (deep learning) and as self-learning is the development of algorithms, machine learning and artificial neural networks there is a growing interest in using the device.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다. The aforementioned background art has been drawn to the invention of the present inventors, or as a technical information derived from the acquisition process of the present invention, it is not necessarily be as well known techniques open to the general public before the filing of the present invention.

국내 공개특허공보 제2012-0074924호 Korean Laid-Open Patent Publication No. 2012-0074924 No.

전술한 문제점 및/또는 한계를 해결하기 위해 안출된 것으로, 뉴럴 네트워크를 이용한 학습 결과를 이용하여, 원본 영상으로부터 객체 컷을 추출하는데 일 목적이 있다. As been made to solve the above-mentioned problems and / or limitations by using the learning result by the neural network, the one object to extract the object cut from the original image.

본 발명의 일 실시 예에 따른 영상 처리 장치는, 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보를 획득하는 제1 분석부; The image processing apparatus according to an embodiment of the present invention, the first analysis unit for acquiring image information divided feature is divided into a plurality of regions similar to the original image; 뉴럴 네트워크(neural network)를 이용한 학습 결과에 기초하여 상기 원본 영상으로부터 객체를 식별하고, 상기 영상 분할 정보를 이용하여 상기 원본 영상으로부터 추출한 상기 객체를 제1 영역 내지 제3 영역으로 구분한 구분 영상을 생성하며, 상기 구분 영상 중 어느 한 영역을 명확하게 보정한 보정 영상을 출력하는 학습부; A neural network (neural network) to one on the basis of the learning result by identifying the object from the source image, and by using the video division information distinguish the object extracted from the source image in the first region to the third region dividing image and generating learning unit for the discriminated clearly correction outputs the corrected image to any one area of ​​the image; 및 상기 원본 영상 및 상기 보정 영상을 연산하여 생성한 객체 컷을 출력하고, 상기 원본 영상 및 상기 구분 영상을 상기 뉴럴 네트워크를 이용한 학습에 포함시키는 처리부;를 포함할 수 있다. And the original image and the processing section for outputting a cut object created by operation of the correction image, including the original image and the distinguishing image to the learning using the neural network; may include.

상기 영상 처리 장치는, 상기 객체 컷에 대한 불가 신호 수신에 대응하여, 상기 객체 컷으로부터 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 수신하는 수신부; The image processing apparatus, in response to the signal received can not be cut on the object, receiving unit for receiving a first user input and a second user input information from the object-cut; 및 상기 객체 컷에 대한 상기 구분 영상의 일부를, 상기 제1 사용자 입력 정보 및 상기 제2 사용자 입력 정보에 대응하는 상기 영상 분할 정보를 기반으로 보강하여 추가 구분 영상을 생성하고, 상기 추가 구분 영상 중 어느 한 영역을 명확하게 보정한 추가 보정 영상을 출력하는 제2 분석부;를 더 포함할 수 있다. And of the separated portion of the image, the first user input and the second reinforcement, based on the image segmentation information corresponding to the user input information to generate an additional nine minutes image, and the additional nine minutes image of the object cut a second analysis unit for outputting a corrected video more clearly compensate for any one region; the may further include.

상기 처리부는, 상기 원본 영상 및 상기 추가 보정 영상을 연산하여 생성한 추가 객체 컷을 출력하고, 상기 원본 영상 및 상기 추가 구분 영상을 상기 뉴럴 네트워크를 이용한 학습에 포함시킬 수 있다. Wherein the processing unit is, the original image and outputs an additional object cut generated by calculating the further corrected image, it is possible to include the original image and the additional nine minutes image for learning using the neural network.

상기 영상 처리 장치는, 상기 추가 객체 컷에 대한 확인 신호가 수신될 때까지 상기 수신부, 상기 제2 분석부 및 상기 처리부의 동작을 반복 수행할 수 있다. The video processing apparatus, until a confirmation signal for said further object to be cut can be received to perform the operation of the receiving unit, the second analysis unit, and the processing repeated.

상기 수신부는, 상기 객체 컷에 포함되는 전경 영역에 대하여 상기 제1 사용자 입력 정보를 수신하고, 상기 객체 컷에 포함되는 배경 영역에 대하여 상기 제2 사용자 입력 정보를 수신할 수 있다. The receiver can be with respect to the foreground area included in the object cut receiving the first user input information, receiving a second user input information to the background area contained in the object cut.

본 발명의 일 실시 예에 따른 영상 처리 방법은, 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보를 획득하는 단계; Image processing method according to an embodiment of the present invention, the method comprising: obtaining the image segmentation information features is divided into a plurality of regions similar to the original image; 뉴럴 네트워크(neural network)를 이용한 학습 결과에 기초하여 상기 원본 영상으로부터 객체를 식별하고, 상기 영상 분할 정보를 이용하여 상기 원본 영상으로부터 추출한 상기 객체를 제1 영역 내지 제3 영역으로 구분한 구분 영상을 생성하며, 상기 구분 영상 중 어느 한 영역을 명확하게 보정한 보정 영상을 출력하는 단계; A neural network (neural network) to one on the basis of the learning result by identifying the object from the source image, and by using the video division information distinguish the object extracted from the source image in the first region to the third region dividing image and generating, the method comprising the distinguishing clear image correction outputs the corrected image to any one region of the; 및 상기 원본 영상 및 상기 보정 영상을 연산하여 생성한 객체 컷을 출력하고, 상기 원본 영상 및 상기 구분 영상을 상기 뉴럴 네트워크를 이용한 학습에 포함시키는 단계;를 포함할 수 있다. And a step of outputting a cut object created by operation of the original image and the corrected image, including the original image and the distinguishing image to the learning using the neural network; may include.

상기 영상 처리 방법은, 상기 객체 컷에 대한 불가 신호 수신에 대응하여, 상기 객체 컷으로부터 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 수신하는 단계; The image processing method comprising the steps of: in response to not receiving the signal for the object cut, receiving a first user input and a second user input information from the object-cut; 및 상기 객체 컷에 대한 상기 구분 영상의 일부를, 상기 제1 사용자 입력 정보 및 상기 제2 사용자 입력 정보에 대응하는 상기 영상 분할 정보를 기반으로 보강하여 추가 구분 영상을 생성하고, 상기 추가 구분 영상 중 어느 한 영역을 명확하게 보정한 추가 보정 영상을 출력하는 단계;를 더 포함할 수 있다. And of the separated portion of the image, the first user input and the second reinforcement, based on the image segmentation information corresponding to the user input information to generate an additional nine minutes image, and the additional nine minutes image of the object cut and outputting the corrected image by adding clearly compensate for any one region; the may further include.

상기 영상 처리 방법은, 상기 원본 영상 및 상기 추가 보정 영상을 연산하여 생성한 추가 객체 컷을 출력하고, 상기 원본 영상 및 상기 추가 구분 영상을 상기 뉴럴 네트워크를 이용한 학습에 포함시키는 단계;를 더 포함할 수 있다. The image processing method, the original image and outputs an additional object cut generated by calculating the further corrected image, the method of including the original image and the additional nine minutes image for learning by the neural network; further include can.

상기 영상 처리 방법은, 상기 추가 객체 컷에 대한 확인 신호가 수신될 때까지 상기 수신하는 단계, 상기 출력하는 단계 및 상기 포함시키는 단계의 동작을 반복 수행할 수 있다. The image processing method, it is possible to perform the operations of the steps of the method comprising the reception, the method comprising the output and the included until the confirmation signal for the further objects to be cut receives repeated.

상기 수신하는 단계는, 상기 객체 컷에 포함되는 전경 영역에 대하여 상기 제1 사용자 입력 정보를 수신하는 단계; Wherein said receiving comprises: receiving the first user input information to a foreground region contained in the cut object; 및 상기 객체 컷에 포함되는 배경 영역에 대하여 상기 제2 사용자 입력 정보를 수신하는 단계;를 포함할 수 있다. It may include a; and the step of receiving the second user input information to the background area contained in the object cut.

이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 더 제공될 수 있다. In addition, a computer program for performing the alternative, the other system and the method for implementing the invention may be further provided.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다. Other aspects other than those described above, features and advantages of the drawing will now be apparent from the following detailed description of the claims and invention.

실시 예들에 따르면, 기존의 사용자 입력 정보를 수동으로 입력하여 객체 컷이 추출되었으나, 본 실시 예에서는 뉴럴 네트워크를 이용한 학습 결과를 이용하여, 원본 영상으로부터 객체 컷을 자동으로 추출하여 제공함으로써, 사용자의 개입 없이 편리하게 객체 컷을 추출할 수 있어 편리하다. According to the embodiments, but to enter the existing user input information in manually extracting the object cut, in the present embodiment by using the learning result by the neural network, by providing the automated extraction of objects cut from the original image, the user of the without intervention, it is convenient that it's easier to extract the object cut.

또한 뉴럴 네트워크를 이용한 학습 결과를 이용하여, 원본 영상으로부터 객체 컷을 자동으로 추출하여 제공하고, 추출한 객체 컷에 대해 사용자의 만족도가 저하되는 경우 사용자가 개입하여 추가 객체 컷을 추출하여 제공함으로써 추출한 객체 컷에 대한 사용자 만족도를 향상시킬 할 수 있다. In addition, the object extracted by providing the service by using the learning result by the neural network, automatically extracts the object cut from the original image, if the user experience degradation for the extracted object cut by user intervention to extract additional object cut It can improve the user experience for the cut.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다. The effect of the invention is not limited to those mentioned above, which are not mentioned other effects will be understood clearly to those skilled in the art from the following description.

도 1은 본 발명의 일 실시 예에 따른 영상 처리 시스템을 개략적으로 설명하기 위하여 도시한 도면이다. 1 is a diagram showing to an overview of an image processing system according to an embodiment of the present invention.
도 2는 도 1의 영상 처리 시스템 중 영상 처리 장치의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. 2 is a diagram showing to an overview of the detailed configuration of the image processing apparatus of the image processing system of Fig.
도 3은 도 2의 영상 처리 장치 중 일 실시 예에 따른 인공 지능 처리부의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. 3 is a diagram showing to an overview of the detailed configuration of the AI ​​processing in accordance with an embodiment of the image processing apparatus of FIG.
도 4는 도 3의 인공 지능 처리부 중 제1 분석부의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. 4 is a diagram showing to an overview of the detailed configuration of the AI ​​processing analysis of the first portion 3.
도 5는 도 2의 영상 처리 장치 중 다른 실시 예에 따른 인공 지능 처리부의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. 5 is a diagram showing to an overview of the detailed configuration of the AI ​​processing in accordance with another embodiment of the image processing apparatus of FIG.
도 6은 도 5의 인공 지능 처리부 중 제2 분석부의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. Figure 6 is a drawing to schematically illustrating a detailed structure of the AI ​​processing the second analysis portion of FIG.
도 7은 도 1의 영상 처리 시스템 중 사용자 단말기의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. 7 is a diagram showing to an overview of the detailed structure of a user terminal of the image processing system of Fig.
도 8a 내지 도 8h는 영상 처리 장치에서 처리하는 영상의 예시도 이다. Figures 8a through 8h is an illustration of an image is also processed by the image processing apparatus.
도 9 내지 도 12는 본 발명의 일 실시 예에 따른 영상 처리 방법을 설명하기 위한 흐름도 이다. 9 to 12 is a flow chart illustrating an image processing method according to an embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. Methods of accomplishing the advantages and features of the present invention and reference to the embodiments that are described in detail in conjunction with the accompanying drawings will be apparent. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. However, the invention is not limited to the embodiments set forth below, it should be understood to one another and can be embodied in various other forms, including all included in the spirit and scope of the present invention converts, equivalents and substitutes . 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. The embodiments presented below are examples, and the disclosure of the present invention to complete, and will be provided to the present invention has been done in the art to those of ordinary skill will fully convey the concept of the invention known. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. If the specific description of the related art In the following description of the present invention that are determined to obscure the gist of the invention and detailed description thereof is omitted.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. The terms used in the present specification are merely used to describe particular embodiments, and are not intended to limit the present invention. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. Expression in the singular number include a plural forms unless the context clearly indicates otherwise. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. In this application, the terms "inclusive" or "gajida" terms, such as is that which you want to specify that the features, numbers, steps, actions, components, parts, or one that exists combinations thereof described in the specification, the one or more other features , numbers, steps, actions, components, parts, or the presence or possibility of combinations thereof and are not intended to preclude. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. First and may be used for the term of the second, etc., in describing various elements, components shall not be restricted to the above terms. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. These terms are only used to distinguish one element from the other.

이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. Hereinafter be described in detail with reference to the accompanying drawings, of embodiments according to the present invention, and in the following description with reference to the accompanying drawings, components the same or corresponding are assigned the same reference numerals and descriptions that overlap thereof will not It will be.

도 1은 본 발명의 일 실시 예에 따른 영상 처리 시스템을 개략적으로 설명하기 위하여 도시한 도면이다. 1 is a diagram showing to an overview of an image processing system according to an embodiment of the present invention. 도 1을 참조하면, 영상 처리 시스템(1)은 영상 처리 장치(100), 사용자 단말기(200) 및 통신망(300)을 포함할 수 있다. 1, the image processing system 1 may include a video processing device 100, the user terminal 200 and the communication network 300. The

본 발명의 일 실시 예에 따른 영상 처리 장치(100)는 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보를 획득하고, 뉴럴 네트워크를 이용한 학습 결과에 기초하여 원본 영상으로부터 객체를 식별하고, 영상 분할 정보를 이용하여 원본 영상으로부터 추출한 객체를 제1 영역 내지 제3 영역으로 구분한 구분 영상을 생성하며, 구분 영상 중 어느 한 영역을 명확하게 보정한 보정 영상을 출력하고, 원본 영상 및 보정 영상을 연산하여 생성한 객체 컷을 출력하고, 생성한 객체 컷에 대한 확인 신호 수신에 대응하여 원본 영상, 구분 영상 및 객체 컷을 뉴럴 네트워크를 이용한 학습에 포함시킬 수 있다. The image processing apparatus 100 according to one embodiment of the invention identifies the object from the source image to obtain the image segmentation information features is divided into a similar plurality of regions with respect to the original image, based on a learning result by the neural network and, using the segmentation information to generate a one minutes image distinguish objects extracted from the source image in the first area to third regions, it separated video output for any one area and clearly correction corrects the image of, the original image, and outputting the corrected image created by calculating the object cut, and a response to the acknowledgment signal for the generated object cut by the original image, separated image and the object can be cut to be included in the learning using a neural network. 여기서, 뉴럴 네트워크를 이용한 학습에 포함시킨다 함은, 원본 영상 및 구분 영상을 뉴럴 네트워크를 이용한 학습 데이터로 이용하는 것을 포함할 수 있다. Here, and it included in the learning using a neural network also can comprise the use a source image and separated into image data using a neural network learning.

일 실시 예에 따라 영상 처리 장치(100)는 생성한 객체 컷에 대한 불가 신호가 수신에 대응하여 객체 컷으로부터 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 수신하고, 객체 컷에 대한 상기 구분 영상의 일부를, 제1 사용자 입력 정보 및 제2 사용자 입력 정보에 대응하는 영상 분할 정보를 기반으로 보강하여, 추가 구분 영상을 생성하고, 추가 구분 영상 중 어느 한 영역을 명확하게 보정한 추가 보정 영상을 출력하며, 원본 영상 및 추가 보정 영상을 연산하여 생성한 추가 객체 컷을 출력하며, 생성한 추가 객체 컷에 대한 확인 신호 수신에 대응하여 원본 영상 및 추가 구분 영상을 뉴럴 네트워크를 이용한 학습에 포함시킬 수 있다. An exemplary image processing apparatus 100 according to the example to the non-signal to the generated object-cut corresponding to a received receiving a first user input and a second user input information from the object cut, and the sorting of the object cut image a portion of, a first user input and the second adding a reinforced based on segmentation information corresponding to the user input, generating additional nine minutes image, clearly compensate for any one area of ​​the additional nine minutes image corrected video power, and outputs the original image and the additional correction video additional object cut by operations to generate, in response to the acknowledgment signal for the additional object, the cut created to include the original image and the additional nine minutes image in the learning using a neural network have. 여기서 영상 처리 장치(100)는 추가 객체 컷에 대한 확인 신호가 수신될 때까지 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 수신하는 과정, 전경 영역에 대한 추가 구분 영상 생성 및 추가 보정 영상을 출력하는 과정, 추가 객체 컷을 출력하는 과정을 반복적으로 수행하고, 원본 영상 및 추가 구분 영상을 뉴럴 네트워크를 이용한 학습에 포함시킬 수 있다. Wherein the first user input information and the second additional nine minutes image generation and output the further corrected image of the process, foreground region for receiving user input until the confirmation signal for the additional object, cuts the image processing apparatus 100 receives the procedure is the step of outputting an additional object to cut repeatedly, and can be included in the original image and the additional image in nine minutes learning using a neural network.

사용자 단말기(200)는 영상 처리 장치(100)가 제공하는 영상 처리 웹 페이지 및/또는 영상 처리 어플리케이션을 표시할 수 있다. The user terminal 200 may display an image processing web pages and / or image processing application provided by the image processing apparatus 100. 이를 위해 영상 처리 장치(100)는 통신망(300)을 통해 영상 표시 장치로써의 사용자 단말기(200)로 영상 처리 웹 페이지 및/또는 영상 처리 어플리케이션을 전송할 수 있다. To this end, the image processing apparatus 100 may transmit the image processing web pages and / or image processing applications to the user terminal 200 as a video display device through the communication network 300. 사용자 단말기(200)를 통하여 사용자의 접속 식별 정보(ID) 및 패스워드를 수신한 영상 처리 장치(100)는 영상 처리 웹 페이지 및/또는 영상 처리 어플리케이션에 사용자 인증을 수행할 수 있다. Through the user terminal 200, the image processing apparatus 100 receives a user's access identification (ID) and the password may perform user authentication to the image processing web pages and / or image processing applications.

사용자 단말기(200)는 영상 처리 장치(100)로 원본 영상을 송신할 수 있다. User terminal 200 may transmit a source image by the image processing apparatus 100. 사용자 단말기(200)는 내부에 저장된 영상을 원본 영상으로 선택하여 영상 처리 장치(100)에 송신할 수 있다. The user terminal 200 may be transmitted to the image processing apparatus 100 by selecting the image stored therein to the source image. 예를 들어, 사용자 단말기(200)는 사진첩 어플리케이션 등을 실행하여, 기 저장된 영상을 원본 영상으로 선택할 수 있다. For example, the user terminal 200 by executing the application, such as photo books, it is possible to select a pre-stored image as the original image. 또한, 사용자 단말기(200)는 외부 서버로부터 영상을 수신하여 원본 영상으로 선택할 수 있다. In addition, the user terminal 200 may select the source image by receiving the image from an external server. 예를 들어, 사용자 단말기(200)는 소셜 네트워크 서버(social network server), 클라우드 서버(cloud server) 또는 콘텐트 제공 서버 등에 접근하여, 영상을 다운로드 할 수 있다. For example, the user terminal 200 by accessing the social network server or the like (social network server), the server cloud (cloud server) or the content providing server, a user can download the image. 또한 사용자 단말기(200)는 내부에 구비된 카메라를 이용하여, 영상을 캡처하고, 캡처한 영상을 원본 영상으로 선택할 수 있다. In addition, the user terminal 200 by using a camera provided inside, to capture the image, and may select the captured image to the original image. 이때 사용자 단말기(200)는 카메라 어플리케이션을 실행하여, 영상을 캡처할 수 있다. The user terminal 200 may capture an image by the camera application is running.

사용자 단말기(200)는 영상 처리 장치(100)로부터 수신한 객체 컷에 대하여 확인 신호 및/또는 불가 신호를 송신할 수 있다. User terminal 200 may send an acknowledgment and / or non-signal with respect to a cut object received from the image processing apparatus 100. 사용자 단말기(200)가 영상 처리 장치(100)로 불가 신호를 송신하는 경우, 영상 처리 장치(100)의 요청에 의해 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 송신할 수 있다. If the user terminal 200 for transmitting a signal to the non-image processing apparatus 100, it is possible to transmit a first user input and a second user input information at the request of the image processing apparatus 100. 사용자 단말기(200)가 객체 컷에 대하여 확인 신호를 영상 처리 장치(100)로 송신할 때까지, 제1 사용자 입력 정보 및 제2 사용자 입력 정보의 송신은 반복될 수 있다. Until the user terminal 200 is to transmit the check signal to the image processing apparatus 100 with respect to the object cut, the first user input information and the second transmission of the user input information it may be repeated.

이러한 사용자 단말기(200)는 사용자가 조작하는 데스크 탑 컴퓨터(도 1의 201), 스마트폰(도 1의 202), 노트북(도 1의 203), 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. The user terminal 200 is a desktop computer (201 in Fig. 1), a smart phone (202 in FIG. 1), a laptop (Fig. 203 1), a tablet PC, a smart TV, mobile phone, personal (PDA digital to user operation assistant), laptops, be a media player, a micro-server, GPS (global positioning system) device, e-reader, digital broadcasting terminals, navigation, kiosks, MP3 players, digital cameras, home appliances and other mobile or non-mobile computing device, but , but it is not limited thereto. 또한, 사용자 단말기(200)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. In addition, the user terminal 200 may be a wearable device, such as a clock, spectacles, hair bands, and rings with a communication function and a data processing function. 사용자 단말기(200)는 상술한 내용에 제한되지 아니하며, 상술한 바와 같이 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다. The user terminal 200 shall not be limited to the above-described information, the terminal capable of browsing the web as discussed above may be borrowed, without limitation.

한편, 통신망(300)은 사용자 단말기(200)를 영상 처리 장치(100)와 연결하는 역할을 수행한다. Meanwhile, the communication network 300 serves to connect the user terminal 200 and the video processing device 100. The 즉, 통신망(400)은 사용자 단말기(200)가 영상 처리 장치(100)에 접속한 후 소정의 정보를 송수신할 수 있도록 접속 경로를 제공하는 통신망을 의미할 수 있다. That is, network 400 may represent a communication network which provides connection paths to transmit and receive predetermined information after connected to the user terminal 200, the image processing apparatus 100. The 통신망(300)은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. Network 300 is for example (Local Area Networks), LANs, WANs (Wide Area Networks), MANs (Metropolitan Area Networks), a wired network, such as or (Integrated Service Digital Networks), ISDNs, wireless LANs, CDMA, Bluetooth, satellite communications, etc. of but it would encompass wireless network, but the scope of the present invention is not limited thereto.

도 2는 도 1의 영상 처리 시스템(1) 중 영상 처리 장치(100)의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. 2 is a diagram showing to an overview of the detailed configuration of the image processing apparatus 100 of the image processing system 1 of Fig. 도 2를 참조하면, 영상 처리 장치(100)는 통신부(110), 저장 매체(120), 프로그램 저장부(130), 제어부(140), 데이터베이스(150) 및 인공지능 처리부(160)를 포함할 수 있다. 2, the image processing apparatus 100 include a communication unit 110, a storage medium 120, a program storage unit 130, a controller 140, database 150 and intelligent processor 160 can.

통신부(110)는 통신망(300)과 연동하여 영상 처리 장치(100)와 사용자 단말기(200) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. The communication unit 110 may provide a communication interface for providing a transmission and reception signals between the image processing apparatus 100 and the user terminal 200 to the packet data format in association with the communication network 300. The 나아가, 통신부(110)는 사용자 단말기(200)로부터 소정의 정보 요청 신호를 수신하는 역할을 할 수 있고, 인공지능 처리부(160)가 처리한 정보를 사용자 단말기(200)로 전송하는 역할을 수행할 수 있다. Further, the communication unit 110 can serve to receive predetermined information request signal from the user terminal 200, to act to transmit information by the AI ​​processing unit 160 processes the user terminal (200) can. 여기서 통신망이라 함은, 영상 처리 장치(100)와 사용자 단말기(200)를 연결하는 역할을 수행하는 매개체로써, 사용자 단말기(200)가 영상 처리 장치(100)에 접속한 후 정보를 송수신할 수 있도록 접속 경로를 제공하는 경로를 포함할 수 있다. The network shall mean, the image processing apparatus 100 and by the medium that will serve to connect the user terminal 200, user terminal 200 is to be transmitted and received after the information connected to the image processing apparatus 100 It may include a path that provides the connection path. 또한 통신부(110)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다. In addition, the communication unit 110 may be a device that includes the necessary hardware and software to transmit and receive signals such as control signals or data signals through the other network devices and wired and wireless connections.

저장 매체(120)는 제어부(140)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. Storage medium 120 serves to store data to the control unit 140 processes, temporarily or permanently. 여기서, 저장 매체(120)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. Here, the storage media 120 can include but are not limited to magnetic storage media (magnetic storage media), or a flash storage medium (flash storage media), but the scope of the present invention is not limited thereto. 이러한 저장 매체(120)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. The storage medium 120 is embedded may include a memory and / or external memory, DRAM, SRAM, or SDRAM volatile memory, (one time programmable ROM) OTPROM, PROM, EPROM, EEPROM, such as a mask ROM, flash ROM , a non-volatile memory, such as NAND flash memory, SSD, or a NOR flash memory. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다. It may include a storage device such as a flash drive, or HDD, such as CF (compact flash) card, SD card, Micro-SD card, Mini-SD card, Xd card, or memory stick (memory stick). 본 실시 예에서 저장 매체(120)에는 뉴럴 네트워크를 구성하는 하나 이상의 인스트럭션, 뉴럴 네트워크를 제어하는 하나 이상의 인스트럭션을 포함할 수 있다. Storage medium 120, in this embodiment, the one or more instructions that configure the neural network, can include one or more instructions to control the neural network.

프로그램 저장부(130)는 사용자 단말기(200)로부터 수신한 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보를 획득하는 작업, 뉴럴 네트워크를 이용한 학습 결과에 기초하여 원본 영상으로부터 객체를 식별하는 작업, 영상 분할 정보를 이용하여 원본 영상으로부터 추출한 상기 객체를 제1 영역 내지 제3 영역으로 구분한 구분 영상을 생성하는 작업, 구분 영상 중 어느 한 영역을 명확하게 보정한 보정 영상을 생성 및 출력하는 작업, 원본 영상 및 보정 영상을 연산하여 생성한 객체 컷을 출력하는 작업, 원본 영상 및 구분 영상을 뉴럴 네트워크를 이용한 학습에 포함시키는 작업, 객체 컷에 대한 불가 신호 수신에 대응하여 사용자 단말기(200)에 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 요청하고 수신하는 작업, 제1 사용 The program storage unit 130 is an object from the source image on the basis of the study results characterized by using the operation, the neural network for obtaining the segmentation information is divided in a similar plurality of regions with respect to the original image received from the user terminal (200) generating a clearly compensate for the identified job, the image division information by using the task of generating the one minutes image dividing the object extracted from the source image in the first area to third regions, it separated one region of the image to correct the image, and in response to output the generated by calculating the output operation, the original image and the corrected image to the object cutting operation, the original image and separated image in operation, no signal is received for an object-cut to include a learning using a neural network, a user terminal ( a first user input and a second operation for requesting and receiving a user input information, the first using and 200) 자 입력 정보, 제2 사용자 입력 정보 및 영상 분할 정보를 이용하여 객체 컷의 구분 영상의 일 부분을 명확하게 보정한 추가 구분 영상을 생성하는 작업 등을 수행하는 제어 소프트웨어를 탑재하고 있다. Character input information, the mount and the second user input information and the image segmentation information using a control such as to perform the task of explicitly creating an additional nine minutes image by correcting a part of the division image of the object cut software.

데이터베이스(150)는 사용자 단말기(200)로부터 수신한 원본 영상과, 영상 처리 장치(100)의 인공지능 처리로 생성한 각종 영상 및/또는 정보 예를 들어, 원본 영상에 대한 영상 분할 정보, 구분 영상, 보정 영상, 객체 컷을 뉴럴 네트워크를 위한 학습 데이터로 저장할 수 있다. Database 150 is a source image and a video various generated by AI processing image processing apparatus 100 and / or for information such as image division information, separated image to the original image received from the user terminal (200) the correction image, and store the object cut by the training data for the neural network. 또한 데이터베이스(150)에는 객체 컷에 대한 불가 신호 수신에 대응하여 사용자로부터 수신한 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 기반으로 추가 객체 컷을 생성하는 일련의 처리 과정 정보(예를 들어, 추가 구분 영상, 추가 보정 영상, 추가 객체 컷)를 뉴럴 네트워크를 위한 학습 데이터로 저장할 수 있다. In addition, for a set of process information (e.g., to generate a first user input information and the additional objects cut into two based on user input received from a user in response to the non-received signal for the object cut, the database 150, Add nine minutes image, additional image correction, additional object-cut) may be stored as training data for the neural network.

나아가, 데이터베이스(150)는 사용자 정보를 저장하는 유저 데이터베이스를 더 포함할 수 있다. Further, the database 150 may further include a user database for storing user information. 여기서, 유저 데이터베이스는 원본 영상으로부터 객체 컷을 추출하는 서비스를 이용하고자 하는 사용자에 대한 사용자 정보를 저장할 수 있다. Here, the user database can store user information for users who wish to use the service to extract objects cut from the original image. 여기서, 사용자 정보에는 사용자의 이름, 소속, 인적 사항, 성별, 나이, 연락처, 이메일, 주소 등 사용자에 대한 기본적인 정보와, 아이디(ID) (또는 이메일) 및 패스워드(password) 등 인증(로그인)에 대한 정보, 접속 국가, 접속 위치, 접속에 이용한 장치에 대한 정보, 접속된 네트워크 환경 등 접속과 관련된 정보 등을 포함할 수 있다. Here, the user information includes basic information, the identity (ID) (or email) and password (password), such as authentication (login) for the user's name, affiliation, demographics, gender, age, contacts, email, address, etc. for it may include information, connection state, connection location, information about the device using the connection, and information relating to the connection, such as an access network environment.

인공지능 처리부(160)는 뉴럴 네트워크를 이용한 학습 결과에 기초하여 원본 영상으로부터 객체 컷을 추출하여 제공하고, 객체 컷 추출을 위해 생성한 정보 및/또는 영상을 뉴럴 네트워크를 이용한 학습에 포함시킬 수 있다. AI processing unit 160 may be based on a learning result by the neural network by providing extracts the object cut from the original image, comprising the information and / or image generation for object cut extracted in the learning using a neural network . 인공지능 처리부(160)는 추출한 객체 컷에 대해 사용자로부터 불가 신호를 수신하는 경우 사용자로부터 수신한 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 이용하여 추가 객체 컷을 추출하여 제공하고, 추가 컷 추출을 위해 생성한 정보 및/또는 영상을 뉴럴 네트워크를 이용한 학습에 포함시킬 수 있으며, 사용자로부터 확인 신호를 수신할 때까지 객체 컷 추출 과정이 반복될 수 있다. AI processor 160 is more cut extraction provided to extract additional object cut by using a case of receiving the non-signal from the user is received from the user, the first user input and a second user input information for the extracted object, cuts, and the generated information and / or images may be included in the learning using a neural network for, the cut object extraction process may be repeated until it receives a confirmation signal from the user.

인공지능(Artificial Intelligence, AI) 기술은 인간 수준의 지능을 구현하는 컴퓨터 처리 기술로써, 기존 Rule 기반 스마트 기술과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 기술이다. The AI ​​(Artificial Intelligence, AI) technology is technology that is smart as a computer processing technology to implement a human-level intelligence, machine learning, and judge for themselves, unlike existing technologies, and Rule-based smart. 인공지능 기술은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다. As artificial intelligence technology is used is able to improve the recognition rate and a better understanding of user tastes, the existing Rule-based smart systems are being gradually replaced by a deep learning based artificial intelligence system.

인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성될 수 있다. Artificial intelligence techniques may be composed of one component technology using machine learning (deep learning), and machine learning. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성될 수 있다. Machine learning is algorithm technology for self-classification / learning the characteristics of the input data, component technology is a technology to simulate the functions of the human brain's cognitive, determined by utilizing a machine learning algorithm, such as deep learning, verbal comprehension, visual comprehension, reasoning / prediction, knowledge representation, may be of a technology such as a motion control.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. Various areas of artificial intelligence techniques applied are as follows: 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함할 수 있다. Verbal understanding is the recognition of human language / character, and may include a technique for application / processing, natural language processing, machine translation, dialogue system, question and answer, voice recognition / synthesis and the like. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 식별, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함할 수 있다. Visual understanding may include a technique for processing to recognize the object as a human vision, the object identification, object tracking, image search, a person recognition, scene understanding, understanding space, image enhancement and the like. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. Reasoning determined prediction information includes a technique for predicting reasoning logically, knowledge / probability-based inference, optimization, prediction, based on the preferred plan, including recommendations. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함할 수 있다. Knowledge representations, and the like as a technique for automated processes the human experience information to a knowledge data, the knowledge construction (data generation / classification), Knowledge Management (data utilized). 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함할 수 있다. Operation control may include a technique for controlling the movement of the autonomous navigation, the robot of the vehicle, the motion control (navigation, collision, driving), the operator control (behavior control), and the like.

일반 적으로 원본 영상으로부터 객체 컷을 추출하기 위해서는 사용자의 수동 개입이 필수적이었으나, 본 실시 예에서는 인공지능을 기반으로 한 뉴럴 네트워크를 이용한 학습 결과를 이용하여, 원본 영상으로부터 객체 컷을 자동으로 추출하여 제공함으로써, 사용자의 개입 없이 편리하게 객체 컷을 추출할 수 있다. In order to extract the object cut from the original image by general yieoteuna manual intervention of the user it is essential, in the present embodiment by using the learning result by using a neural network that is based on artificial intelligence, and automatically extracts the object cut from the original image by providing, it provides a convenient way to extract the object cut without human intervention.

또한 뉴럴 네트워크를 이용한 학습 결과를 이용하여, 원본 영상으로부터 객체 컷을 자동으로 추출하여 제공하고, 추출한 객체 컷에 대해 사용자의 만족도가 저하되는 경우 사용자가 개입하여 추가 객체 컷을 추출하여 제공함으로써 추출한 객체 컷에 대한 사용자 만족도를 향상시킬 할 수 있다. In addition, the object extracted by providing the service by using the learning result by the neural network, automatically extracts the object cut from the original image, if the user experience degradation for the extracted object cut by user intervention to extract additional object cut It can improve the user experience for the cut.

도 3은 도 2의 영상 처리 장치(100) 중 일 실시 예에 따른 인공 지능 처리부(160)의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. 3 is a diagram showing to an overview of the detailed configuration of the AI ​​processor 160 according to an embodiment of the image processing apparatus 100 of FIG. 도 3을 참조하면, 인공지능 처리부(160)는 제1 분석부(161), 학습부(162) 및 처리부(163)를 포함할 수 있다. 3, the AI ​​processor 160 may include a first analyzing unit 161, a learning unit 162 and the processing unit (163).

제1 분석부(161)는 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보를 획득할 수 있다. The first analysis unit 161 may obtain the image segmentation information features is divided into a plurality of regions similar to the original image. 제1 분석부(161)는 원본 영상 내의 임의의 위치를 씨드(seed)로 하여 이 씨드를 중심으로 밝기 값, 에지, 컬러 등이 유사한 특징을 가지는 하나 이상의 영역을 찾아 내고, 처리되고 있는 영역과 그에 인접한 영역이 서로 동일한 특징을 가지고 있는 경우에 각 영역을 하나의 영역으로 통합하여, 결국 특징이 동일한 영역을 조금씩 성장시켜 최종적으로 원본 영상 전체를 특징이 유사한 복수개의 영역으로 분할한다고 할 수 있다. The first analysis unit 161 to find one or more regions having similar characteristics any of the a seed (seed) values ​​brightness around the seed positions, edge, color or the like in the source image, being processed region and by incorporating the respective regions when the thereto adjacent region that have the same characteristics with each other in one area, the end characterized by the same region growing little by little can be said that finally characterized by divided into a similar plurality of regions the entire source image. 제1 분석부(161)는 획득한 영상 분할 정보를 데이터베이스(150)에 저장할 수 있다. The first analysis unit 161 may store the acquired image segmentation information in the database 150.

도 4는 도 3의 인공 지능 처리부(160) 중 제1 분석부(161)의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. Figure 4 is illustrating a view to schematically illustrating a detailed structure of the first analysis unit 161 of the intelligent processor 160 of FIG. 도 4를 참조하면, 제1 분석부(161)는 설정부(161-1), 산출부(161-2), 클러스터링부(161-3), 제1 생성부(161-4) 및 제2 생성부(161-5)를 포함할 수 있다. 4, the first analysis unit 161 setting unit 161-1, calculation unit (161-2), the clustering portion (161-3), the first generating unit (161-4) and second It may include a generating unit (161-5).

설정부(161-1)는 원본 영상(도 8a)으로부터 영상 분할 정보 획득을 위해 제1 파라미터 및 제2 파라미터를 설정할 수 있다. Setting unit 161-1 may set the first parameter and the second parameter to the obtained segmentation information from the original image (Fig. 8a). 여기서, 제1 파라미터는 씨드의 개수를 포함할 수 있으며, 제1 파라미터는 사용자 단말기(200)로부터 수신하여 설정될 수 있거나, 원본 영상의 크기를 영역 내의 화소 개수로 나누어 산출하여 설정될 수 있거나, 동작 시마다 랜덤값으로 설정될 수도 있다. Here, the first parameter may comprise the number of the seed, the first parameter or may be set to receive from the user terminal 200, may be set by calculation by dividing the size of the original image to the pixel number in the region, may each time be set to a random value operation. 또한 제2 파라미터는 각 씨드에서 전체 화소 각각까지의 거리 산출에 대한 반복 횟수를 포함할 수 있다. In addition, the second parameter may include the number of iterations of the calculation of the distance to each of all the pixels in each seed. 반복 횟수를 지정하지 않고 거리 산출이 계속해서 반복되면 처리량이 많아져 저장 매체(120)의 용량 부족 현상이 발생하므로 적절한 반복 횟수를 설정이 요구될 수 있다. If you do not specify the number of times the distance calculation is repeated continuously, so the processing amount increases, the capacity shortage of the storage medium 120 may be set to generate a request for the appropriate number of repeats. 제2 파라미터는 사용자 단말기(200)로부터 수신하여 설정할 수 있거나, 디폴트 값으로 설정될 수 있다. The second parameter or may be set to receive from the user terminal 200, may be set to a default value.

산출부(161-2)는 각 씨드에서 전체 화소 각각까지의 거리 산출하고, 거리 산출 결과를 Lab 컬러로 표현할 수 있다. Calculating unit (161-2) may calculate the distance to each of all the pixels on each seed, and express the result by the distance calculation Lab color. 산출부(161-2)의 거리 산출 반복 횟수는 설정된 제2 파라미터 만큼 반복 수행할 수 있다. Distance calculating the number of iterations of the calculation unit (161-2) it may be repeatedly performed as many as the second parameter set.

클러스터링부(161-3)는 제2 파라미터 만큼 반복 수행된 각 씨드에서 전체 화소 각각까지의 거리 산출 결과를 클러스터링 하고, 원본 영상 내에서 Lab 컬러(거리 산출 결과)가 유사한 화소를 하나의 영역에 포함시킬 수 있다. Clustering portion (161-3) of the second parameter by repeatedly performing the clustering, and the distance calculation result to all the pixels on each respective seed, Lab color in the source image comprises a (distance-calculation results), that is similar to the one pixel region of the can. 이로써 원본 영상은 Lab 컬러가 유사한 복수 개의 영역으로 분할될 수 있다. This original image may be divided into a plurality of regions similar to the Lab color.

제1 생성부(161-4)는 Lab 컬러가 유사한 복수 개의 영역 각각에 인덱스를 붙인 영상 분할 인덱스 정보를 생성할 수 있다. A first generating unit (161-4) may generate the image segmentation index information attached to the index to each of the plurality of regions the Lab color similar. 도 8b는 원본 영상(도 8a)으로부터 생성한 영상 분할 인덱스 정보 영상을 색상으로 표현한 예를 도시하고 있다. Figure 8b shows an example image of the image segmentation index image information generated from the original image (Figure 8a) by color. 제1 생성부(161-4)는 생성한 영상 분할 인덱스 정보를 데이터베이스(150)에 저장할 수 있다. A first generating unit (161-4) may store the generated index image segmentation information in the database 150.

제2 생성부(161-5)는 Lab 컬러가 유사한 복수 개의 영역 각각으로부터 산출한 평균 화소값과, 어느 한 기준 영역을 중심으로 탐색한 주변 4 방위의 영역들의 영상 분할 인덱스 정보를 연결시킨 연결 정보와, 제1 생성부(161-4)에서 생성한 영상 분할 인덱스 정보를 포함하고 있는 영상 분할 정보를 생성할 수 있다. A second generating unit (161-5) is connected which is connected to the Lab color image segmentation index information of the average pixel value and a peripheral zone 4 of the navigation orientation about the one reference area calculated from each of a plurality of regions similar information and, the may include a segmentation index information generated by the first generating section (161-4) and to generate image segmentation information. 도 8c는 원본 영상(도 8a) 및 영상 분할 인덱스 정보 영상(도 8b)를 이용하여 생성한 영상 분할 정보 영상을 표현한 예를 도시하고 있다. Figure 8c shows an example image of the image information divided image generated using the original image (Figure 8a) and the image segmentation image index information (Fig. 8b). 제2 생성부(161-5)는 생성한 영상 분할 정보를 데이터베이스(150)에 저장할 수 있다. A second generating unit (161-5) may store the generated segmentation information to the database 150.

도 3으로 돌아와서, 학습부(162)는 뉴럴 네트워크를 이용한 학습 결과에 기초하여 원본 영상으로부터 객체를 식별할 수 있다. Returning to 3, the learning unit 162 may identify an object from the source image on the basis of the learning result by the neural network. 이를 위해 학습부(162)는 뉴럴 네트워크 모듈(미도시)을 더 포함할 수 있다. To this end, the learning unit 162 may further include a neural network module (not shown). 여기서, 뉴럴 네트워크는 통계학적 기계 학습의 결과를 이용하여, 원본 영상 내의 다양한 속성들을 추출하여 이용함으로써, 원본 영상 내의 객체들을 식별 및/또는 판단하는 알고리즘 집합일 수 있다. Here, the neural network may be using a result of the statistical machine learning, by using extracts of different attributes in the source image, the algorithm sets to identify and / or determine the object in the original image. 뉴럴 네트워크는, 뉴럴 네트워크에 입력된 원본 영상 내에 포함된 다양한 속성들을 추상화함으로써, 원본 영상 내의 객체들을 식별할 수 있다. Neural networks are, by abstracting the various attributes contained in the original image input to the neural network, it is possible to identify the object in the original image. 이 경우, 원본 영상 내 속성들을 추상화한다는 것은, 원본 영상으로부터 속성들을 검출하여, 검출된 속성들 중에서 핵심 속성을 판단하는 것일 수 있다. In this case, it is abstraction that the original image within the property by detecting the properties from the original image, may be to determine the key attributes from the detected property.

예를 들어, 학습부(162)는 원본 영상 및/또는 구분 영상(추가 구분 영상도 함)을 뉴럴 네트워크에 입력하고, 원본 영상 내에 포함된 객체의 위치 및/또는 객체의 카테고리(category)를 뉴럴 네트워크로부터 출력 받을 수 있다. For example, the learning unit 162 is the original image and / or dividing the image (Add nine minutes image also hereinafter) was input to the neural network, the category (category) of the position and / or objects of the object included in the original image, the neural It can be output from the network.

구체적으로 학습부(162)는 뉴럴 네트워크를 이용한 학습 결과에 따라 원본 영상 및/또는 구분 영상 내에서 기 설정된 영상 속성들을 검출하고, 검출된 영상 속성들에 기초하여 원본 영상 내에서 객체의 위치 및/또는 객체의 카테고리를 결정할 수 있다. Specifically, the learning unit 162 detects the video attribute is set groups in the original image and / or dividing the image according to the learning result by the neural network, and the location of the object in the original image based on a detected image attribute and / or you can determine the category of objects. 여기서, 영상 속성은, 영상을 구성하는 색상, 엣지(edge), 폴리건(polygon), 채도(saturation), 명도(brightness) 등을 포함할 수 있으나, 영상 속성이 이에 한정되는 것은 아니다. Here, the image attribute, the color constituting the image, however, and the like edge (edge), polygon (polygon), chroma (saturation), brightness (brightness), but not the image attribute is not limited thereto.

한편, 학습부(162)는 뉴럴 네트워크를 이용하기 위하여, 원본 영상 및/또는 구분 영상으로부터 하나 이상의 객체를 식별하도록 뉴럴 네트워크를 학습할 수 있다. On the other hand, the learning unit 162 is, to learn the neural network to identify one or more objects from the source image and / or dividing the image to use a neural network. 예를 들어, 학습부(162)는 뉴럴 네트워크 내에서 객체 별 영상 속성에 대해 지도 학습 및/또는 비지도 학습(또는, 자율 학습 또는 능동 학습)된 결과를 분석 및/또는 평가하는 동작을 반복 수행함으로써 뉴럴 네트워크를 학습할 수 있다. For example, the learning unit 162 is a neural network within the object by image property map learning and / or unsupervised learning for the in carried out (or, self-study or active learning) of the analyzing and / or evaluating the operation is repeated to result by learning it can be a neural network. 학습부(162)는 뉴럴 네트워크 학습 시에, 원본 영상 및 구분 영상을 학습 데이터로 이용하여 객체 식별에 활용할 수 있다. Learning unit 162 can be utilized to identify the object by using the neural network at the time of learning, and the original picture video and separated into training data. 여기서 구분 영상은 최종 구분 영상일 수 있으며, 최종 구분 영상이라 함은, 후술하는 확인 신호가 수신된 객체 컷에 대한 구분 영상 및/또는 추가 구분 영상을 포함할 수 있다. The nine minutes image may be a final image nine minutes, referred to as the final nine minutes image, and may include a break image and / or an additional nine minutes, a confirmation image for the signal received, which will be described later cut object.

학습부(162)는 뉴럴 네트워크를 이용하여 식별된 객체 및 제1 분석부(161)에서 획득한 영상 분할 정보를 이용하여, 객체를 제1 영역 내지 제3 영역으로 구분한 구분 영상을 생성할 수 있다. Learning unit 162 is an object identified by the neural network and the first using the segmentation information obtained from the analysis unit 161, to generate a one minutes image distinguish objects to the first region to the third region have. 여기서 제1 영역은 식별된 객체 중 전경 영역을 포함할 수 있으며, 제1 값(예를 들어 흰색)으로 표시할 수 있다. The first region may comprise a foreground region of the identified object, it is possible to display a first value (e.g. white). 또한 제2 영역은 식별된 객체 중 배경 영역을 포함할 수 있으며, 제2 값(예를 들어 검정색)으로 표시할 수 있다. In addition, the second region may comprise identification of the object, the background area, can be displayed to a second value (e.g. black). 또한 제3 영역은 식별된 객체 중 제1 영역인지 제2 영역인지 불명확한 불명확 영역을 포함할 수 있으며, 제3 값(예를 들어 회색)으로 표시할 수 있다. The third area may be displayed as can include unclear whether the second area if the first region of the identified objects obscure region, and a third value (e.g., gray).

학습부(162)는 제1 영영 내지 제3 영역으로 구분된 구분 영상 중 어느 한 영역을 명확하게 보정한 보정 영상을 생성하여 출력할 수 있다. Learning unit 162 can output to generate a second corrected 1 clearly compensate for any one area of ​​the ever to separated images divided into the third region image. 여기서 어느 한 영역이라 함은 제3 영역을 포함할 수 있으며, 보정 영상은 제3 영역의 일부가 제1 영역에 포함되는 경우 제3 영역의 일부를 제1 영역으로 보정하고, 제3 영역의 다른 일부가 제2 영역에 포함되는 경우 제3 영역의 다른 일부를 제2 영역으로 보정한 영상이라 할 수 있다. Here, as one region also may include a third region, the correction image is the third area part in the case contained in the first region first, and a portion of the third region corrected by the first region 3 different regions of If a part is included in the second region it can be called a correction for another portion of the third region to a second region image. 학습부(162)는 원본 영상 및 구분 영상의 상관 관계를 이용하여 구분 영상으로부터 보정 영상을 생성할 수 있다. Learning unit 162 may generate a corrected image from the image by using nine minutes the correlation of the source image and separated image.

다른 실시 예로, 학습부(162)는 뉴럴 네트워크를 이용한 학습 결과에 기초하여 시멘틱 세그멘테이션(semantic segmentation)을 통해 원본 영상으로부터 식별한 객체 및 객체에 대한 영상 분할 정보를 비교하여 구분 영상을 생성하고, 구분 영상 중 어느 한 영역을 명확하게 보정한 보정 영상을 생성하여 출력할 수도 있다. In another example embodiment, the learning unit 162 and through the Semantic Segmentation (semantic segmentation) on the basis of the learning result by the neural network, comparing the image segmentation information for the object and the object identified from the original image generation distinguish images and, separated which it is a region may be output clearly generate a corrected image by a correction of the image.

본 실시 예에서 제1 분석부(161) 및 학습부(162) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. At least one of the first analysis unit 161 and the learning unit 162 in this embodiment, is made of at least one hardware chip type can be mounted on the electronic device. 예를 들어, 제1 분석부(161) 및 학습부(162) 중 적어도 하나는 인공지능을 위한 전용 하드웨어 칩 형태로 제작될 수 있고, 또는 기존의 범용 프로세서(예: CPU 또는 어플리케이션 프로세서) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 각종 전자 아치에 탑재될 수도 있다. For example, the first analysis unit 161 and at least one of the learning unit 162 may be made of dedicated hardware chip form for an artificial intelligence, or the existing general-purpose processor (for example: CPU or applications processor), or graphics co-processor: is produced as part of (for example, GPU) it may be mounted on various electronic Arch.

처리부(163)는 원본 영상 및 보정 영상을 논리 곱 연산하고, 연산 결과로 생성한 객체 컷을 사용자 단말기(200)로 출력할 수 있다. Processor 163 may, and logical product operation to the source image and corrected image, outputs a cut object created in the operation result to the user terminal (200). 처리부(163)는 원본 영상 및 구분 영상을 데이터베이스(150)에 저장하고 뉴럴 네트워크를 이용한 학습에 포함시킬 수 있다. Processing unit 163 is able to store the source image and separated image to the database 150 and included in the learning using a neural network. 또한 처리부(163)는 생성한 객체 컷을 데이터베이스(150)에 저장할 수 있다. In addition, processor 163 may store the object cut created in the database 150.

도 5는 도 2의 영상 처리 장치(100) 중 다른 실시 예에 따른 인공 지능 처리부(160)의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. 5 is a diagram showing to an overview of the detailed configuration of the AI ​​processor 160 in accordance with another embodiment of the image processing apparatus 100 of FIG. 도 5를 참조하면, 인공 지능 처리부(160)는 제1 분석부(161), 학습부(162), 처리부(163), 수신부(164) 및 제2 분석부(165)를 포함할 수 있다. 5, the AI ​​processor 160 may include a first analyzing unit 161, a learning unit 162, a processing unit 163, reception section 164 and the second analysis unit 165.

제1 분석부(161)는 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보를 획득할 수 있다. The first analysis unit 161 may obtain the image segmentation information features is divided into a plurality of regions similar to the original image.

학습부(162)는 뉴럴 네트워크(neural network)를 이용한 학습 결과에 기초하여 원본 영상으로부터 객체를 식별하고, 영상 분할 정보를 이용하여 원본 영상으로부터 추출한 객체에 대하여 구분 영상을 생성하며, 구분 영상 중 어느 한 영역을 명확하게 보정한 보정 영상을 생성하여 출력할 수 있다. The learning unit 162 on the basis of the learning result by the neural network (neural network), and identifies the object from the source image, and by using the video division information generated to distinguish the image with respect to an object extracted from the original image, any of nine minutes image may output to clearly generate a compensation image in an area.

이하, 제1 분석부(161) 및 학습부(162)의 동작은 상술한 도 3과 동일하므로 생략하기로 한다. Hereinafter, operation of the first analysis unit 161 and the learning unit 162 is omitted the same as in the above-described FIG.

처리부(163)는 원본 영상 및 보정 영상을 논리곱 연산하여 생성한 객체 컷을 사용자 단말기(200)에 출력하고, 원본 영상, 보정 영상 및 객체 컷을 데이터베이스(150)에 저장할 수 있다. Processor 163 may store the output, and the source image, the correction image and the object to cut the database 150, the original image and the corrected image to the logical product calculation by the object cut produce a user terminal (200).

수신부(164)는 사용자 단말기(200)에 출력된 객체 컷에 대하여 확인 신호 또는 불가 신호를 수신할 수 있다. Receiving unit 164 may receive a confirmation signal or not the signal with respect to the object, cut output in the user terminal 200. 또한 수신부(164)는 사용자 단말기(200)로부터 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 수신할 수 있다. In addition, receiver 164 may receive a first user input and a second user input information from a user terminal 200.

수신부(164)가 사용자 단말기(200)로부터 확인 신호를 수신하는 경우, 처리부(163)는 원본 영상 및 구분 영상을 데이터베이스(150)에 저장하고 뉴럴 네트워크를 이용한 학습에 포함시킬 수 있다. If the receiving unit 164 for receiving a confirmation signal from the user terminal 200, the processor 163 may store the original image, and separated image to the database 150 and included in the learning using a neural network. 도 8d는 사용자 단말기(200)로부터 확인 신호를 수신한 객체 컷의 일 예를 도시하고 있다. Figure 8d shows an example of a cut object receives the confirmation signal from the user terminal 200.

수신부(164)가 사용자 단말기(200)로부터 불가 신호를 수신하는 경우, 제2 분석부(165)가 동작을 개시하고, 이와 함께 처리부(163)는 사용자 단말기(200)로 제1 사용자 입력 정보 및 제2 사용자 입력 정보 입력을 요청할 수 있다. Receiving unit 164 is, the second analysis unit 165 initiates the operation, In addition, processing unit 163 is a first user input to the user terminal 200, information, and when receiving a non-signal from the user terminal (200) it is possible to request a second input user input information.

제2 분석부(165)는 처리부(163)를 통하여 데이터베이스(150)로부터 추출한 객체 컷의 구분영상과, 수신부(164)로부터 수신한 제1 사용자 입력 정보 및 제2 사용자 입력 정보와, 제1 분석부(161)로부터 수신한 영상 분할 정보를 이용하여 구분 영상에 포함된 객체의 일 부분을 보강한 추가 구분 영상을 생성하고, 추가 구분 영상 중 어느 한 영역을 명확하게 보정한 추가 보정 영상을 출력할 수 있다. The second analysis unit 165 is a first user input and a second user input information, a first analysis is received from the database 150, distinguished from the image of the extracted object, cut from the receiving unit 164 through the processor 163, section 161 to use the segmentation information received generate additional nine minutes image for added strength a portion of the object with the segment image from, and outputs an additional nine minutes image further corrected image which clearly compensate for any one area of ​​the can.

도 8e는 사용자 단말기(200)로부터 불가 신호를 수신한 객체 컷의 일 예를 도시하고 있다. Figure 8e shows an example of a cut object can not receive the signal from the user terminal 200. 여기서, 제1 사용자 입력 정보는, 도 8f에 도시된 바와 같이 사용자 단말기(200)에 출력된 불가 신호를 수신한 객체 컷으로부터 전경 영역을 지정하는 사용자 입력 예를 들어, 제1 드래그(810)를 포함할 수 있다. Here, the first user input information, also designated a view area from the one object cut receive the non-signal output to the user terminal 200 as shown in 8f for user input e. G., To the first drag 810 It can be included. 또한 제2 사용자 입력 정보는 도 8f에 도시된 바와 같이 사용자 단말기(200)에 출력된 불가 신호를 수신한 객체 컷으로부터 전경 영역을 지정한 후에, 배경 영역을 지정하는 사용자 입력 예를 들어, 제2 드래그(820)를 포함할 수 있다. Second dragging also the second user input information after specifying the foreground region from the one object cut receive the non-signal output to the user terminal 200, as shown in Figure 8f, for user input, for example, to specify the background area, It may include 820. 또한 제1 사용자 입력 정보 및 제2 사용자 입력 정보는 서로 다른 색으로 표현될 수 있다. In addition, the first user input and a second user input information may be represented in different colors.

도 6은 도 5의 인공 지능 처리부(160) 중 제2 분석부(165)의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. Figure 6 is a drawing to schematically illustrating a detailed structure of the second analysis unit 165 of the intelligent processor 160 of FIG. 도 6을 참조하면, 제2 분석부(165)는 제3 생성부(165-1) 및 제4 생성부(165-2)를 포함할 수 있으며, 제2 분석부(165)는 학습부(162)에 포함될 수 있다. 6, the second analysis unit 165 may include a third generator (165-1) and a fourth generating unit (165-2), the second analysis unit 165 is a learning section ( 162) may be included in.

제3 생성부(165-1)는 처리부(163)를 통하여 데이터베이스(150)로부터 추출한 객체 컷의 구분 영상과, 수신부(164)로부터 수신한 제1 사용자 입력 정보 및 제2 사용자 입력 정보와, 제1 분석부(161)로부터 수신한 영상 분할 정보를 이용하여 구분 영상에 포함된 객체의 일 부분을 보강한 추가 구분 영상을 생성할 수 있다. And the third generator (165-1) is a processing section 163 of the cut object extracted from the database 150 through the break image, a first user input received from a receiving unit (164) information and the second user input, the 1 using image segmentation information received from the analysis unit 161 may generate an additional nine minutes image for added strength a portion of the object including the division image.

도 8f에 도시된 바와 같이 사용자 단말기(200)에 출력된 불가 신호를 수신한 객체 컷은 객체 영역의 일 부분이 출력되지 않고 있다. Also an object cuts receive the signal can not be output to the user terminal 200, as illustrated in 8f are not output a portion of the object region. 제3 생성부(165-1)는 이 객체 컷의 구분 영상에 대한 제1 사용자 입력 정보로부터 객체 컷의 전경 영역을 추출하고, 제2 사용자 입력 정보로부터 객체 컷의 배경 영역을 추출할 수 있다. A third generator (165-1) can extract the foreground region of the object cut from a first user input information to segment the image of the object cut, and extracts a background region of the object cut from a second user input. 제3 생성부(165-1)는 객체 컷의 전경 영역(일 부분의 출력이 누락된 객체)의 위치 및 화소 값을, 분할된 영역 각각의 평균 화소값, 연결 정보 및 영상 분할 인덱스 정보를 포함하고 있는 영상 분할 정보로부터 검색하여, 일 부분의 출력을 보강한 추가 구분 영상을 생성할 수 있다. A third generator (165-1) comprises an average pixel value, the connection information and the image splitting the index information of the respective position and the pixel value, the divided areas of the foreground region of the cut object (one object with the output of the missing portion) retrieved from the image segmentation information and may generate additional nine minutes image for added strength of the output portion. 도 8g는 불가 신호를 수신한 객체 컷에 대하여 일 부분의 출력을 보강한 추가 구분 영상의 일 예를 도시하고 있다. Figure 8g shows an example of an additional nine minutes image reinforced the output of one portion with respect to the object can not be cut receives the signal.

또한 추가 구분 영상은 제1 영역 내지 제3 영역으로 구분되어 있으며, 여기서 제1 영역은 객체 중 전경 영역을 포함할 수 있으며, 제1 값(예를 들어 흰색)으로 표시할 수 있다. Further additional nine minutes image are divided into a first region to a third region wherein the first region may include a foreground region of the object, it is possible to display a first value (e.g. white). 또한 제2 영역은 객체 중 배경 영역을 포함할 수 있으며, 제2 값(예를 들어 검정색)으로 표시할 수 있다. In addition, the second region may comprise a background portion of the object can be displayed to a second value (e.g. black). 또한 제3 영역은 객체 중 제1 영역인지 제2 영역인지 불명확한 불명확 영역을 포함할 수 있으며, 제3 값(예를 들어 회색)으로 표시할 수 있다. The third area may be displayed in a first region may include whether the indefinite area unclear whether the second area, and a third value (e.g., gray) of the object.

제4 생성부(165-2)는 제1 영영 내지 제3 영역으로 구분된 추가 구분 영상 중 어느 한 영역을 명확하게 보정한 보정 영상을 생성하여 처리부(163)로 출력할 수 있다. A fourth generating unit (165-2) may output to the processing unit 163 generates a corrected image which clearly compensate for any one area of ​​the image additional nine minutes, separated by the first to third regions ever. 여기서 어느 한 영역이라 함은 제3 영역을 포함할 수 있으며, 추가 보정 영상은 제3 영역의 일부가 제1 영역에 포함되는 경우 제3 영역의 일부를 제1 영역으로 보정하고, 제3 영역의 다른 일부가 제2 영역에 포함되는 경우 제3 영역의 다른 일부를 제2 영역으로 보정한 영상이라 할 수 있다. The term of any one region is a third may include a domain, adding corrected image when a portion of the third region being included in the first area to correct a portion of the third region to the first region, the third region in some cases, the other contained in the second region can be called a correction for another portion of the third region to a second region image. 제4 생성부(165-2)는 원본 영상 및 추가 구분 영상의 상관 관계를 이용하여 추가 구분 영상으로부터 보정 영상을 생성할 수 있다. A fourth generating unit (165-2) may generate a corrected image from the image additional nine minutes using a correlation of the source image and the additional image nine minutes. 도 8h는 추가 구분 영상(도 8g)에 대하여 생성한 보정 영상의 일 예를 도시하고 있다. Figure 8h shows an example of the corrected image generated for each additional nine minutes image (Fig. 8g).

본 실시 예에서 제1 분석부(161), 학습부(162) 및 제2 분석부(165) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. At least one of the first analysis unit 161, learning unit 162 and the second analysis unit 165 in this embodiment, is made of at least one hardware chip type can be mounted on the electronic device. 예를 들어, 제1 분석부(161), 학습부(162) 및 제2 분석부(165) 중 적어도 하나는 인공지능을 위한 전용 하드웨어 칩 형태로 제작될 수 있고, 또는 기존의 범용 프로세서(예: CPU 또는 어플리케이션 프로세서) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 각종 전자 아치에 탑재될 수도 있다. For example, the first analysis unit 161, at least one of the learning unit 162 and the second analysis unit 165 may be made of dedicated hardware chip form for an artificial intelligence, or the existing general purpose processor (e.g. : there may be fabricated as part of a GPU) with a variety of electronic Arch: CPU or application processor) or a dedicated graphics processor (eg.

도 5로 돌아와서, 처리부(163)는 원본 영상 및 추가 보정 영상을 논리 곱 연산하고, 연산 결과로 생성한 추가 객체 컷을 사용자 단말기(200)로 출력할 수 있다. Returning to FIG. 5, the processing unit 163 may multiply logic operation to the source image and the additional image correction, and outputs an additional object to cut the generated operation result to the user terminal (200). 이 후, 수신부(164)가 사용자 단말기(200)로부터 확인 신호를 수신하는 경우, 처리부(163)는 원본 영상 및 추가 구분 영상을 데이터베이스(150)에 저장하고 뉴럴 네트워크를 이용한 학습에 포함시킬 수 있다. Thereafter, if the reception unit 164 receives the confirmation signal from the user terminal 200, the processor 163 may store the original image and the additional nine minutes image in the database 150 and included in the learning using a neural network . 여기서, 추가 객체 컷에 대한 확인 신호가 수신될 때까지 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 수신하는 과정, 전경 영역에 대한 추가 구분 영상 생성 및 추가 보정 영상을 출력하는 과정, 추가 객체 컷을 출력하는 과정을 반복적으로 수행하고, 원본 영상 및 추가 구분 영상을 뉴럴 네트워크를 이용한 학습 결과에 포함시킬 수 있다. Here, until the confirmation signal for the additional object, the cut to be received a first user input and a second step, additional objects cut for outputting an additional nine minutes image generation and further corrected image of the process, foreground region for receiving user input, performing the process of outputting repeatedly, and can be included in the original image and the added image for learning nine minutes results using a neural network.

도 7은 도 1의 영상 처리 시스템(1) 중 사용자 단말기(200)의 상세 구성을 개략적으로 설명하기 위하여 도시한 도면이다. 7 is a diagram showing to an overview of the detailed configuration of the user terminal 200 of the image processing system 1 of Fig. 도 7을 참조하면, 사용자 단말기(200)는 통신부(210), 메모리(220), 입출력부(230), 프로그램 저장부(240), 제어부(250) 및 표시부(260)를 포함할 수 있다. 7, the user terminal 200 may include a communication unit 210, a memory 220, an input-output unit 230, a program storage unit 240, a controller 250 and a display 260. The

통신부(210)는 영상 처리 장치(100)와 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다. Unit 210 may be a device that includes the necessary hardware and software to transmit and receive signals such as control signals or data signals through the other network devices with wired or wireless connection, such as a video processing device 100. The 예를 들어, 통신부(210)는, 근거리 통신부 또는 이동 통신부를 포함할 수 있다. For example, the communication unit 210 may include a short-range communication or mobile communication. 근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등일 수 있으나, 이에 한정되는 것은 아니다. Short-range communication (short-range wireless communication unit), the Bluetooth communication unit, BLE (Bluetooth Low Energy) communication, short-range wireless communication (Near Field Communication unit), WLAN (Wi-Fi) communication, Zigbee (Zigbee) communication, infrared (IrDA, infrared Data Association) communication, WFD (Wi-Fi Direct) communication, UWB (ultra wideband) communication, or the like but the communication Ant +, and the like. 이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. Mobile communication unit, and receives the at least one wireless signal from the base station, an external terminal, a server on a mobile communication network. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. Here, the wireless signals may include various types of data according to a voice call signal, video call, call signal or text / multimedia message transmission and reception.

메모리(220)는 제어부(250)가 처리하는 데이터를 일시적 또는 영구적으로 저장하거나 사용자 단말기(200)로 전송된 데이터를 일시적 또는 영구적으로 저장할 수 있다. Memory 220 may store the data, transfer the data to the controller 250 processes to temporarily or permanently stored, or the user terminal 200 in a temporary or permanent. 여기서, 메모리(220)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. Here, the memory 220 can include but are not limited to magnetic storage media (magnetic storage media), or a flash storage medium (flash storage media), but the scope of the present invention is not limited thereto.

입출력부(230)는 터치 인식 디스플레이 제어기 또는 이외의 다양한 입출력 제어기로 구성될 수 있다. Input and output unit 230 may be of a variety of input and output controller other than the display controller or touch-sensitive. 일 예로, 터치 인식 디스플레이 제어기는 장치와 사용자 사이에 출력 인터페이스 및 입력 인터페이스를 제공할 수 있다. For example, touch-sensitive display controller may provide an output interface and an input interface between the device and the user. 터치 인식 디스플레이 제어기는 전기 신호를 제어부(250)와 송수신할 수 있다. Touch-sensitive display controller can transmit and receive an electric signal and controller 250. 또한, 터치 인식 디스플레이 제어기는 사용자에게 시각적인 출력을 표시하며, 시각적 출력은 텍스트, 그래픽, 이미지, 비디오와 이들의 조합을 포함할 수 있다. In addition, the touch-sensitive display controller displays visual output to the user, the visual output may include text, graphics, images, videos and combination thereof. 이와 같은 입출력부(230)는 예를 들어 터치 인식이 가능한 OLED(Organic light emitting display) 또는 LCD(Liquid crystal display)와 같은 소정의 디스플레이 부재일 수 있다. The input and output unit 230, such as may be a predetermined display element, such as for example a touch recognition is available OLED (Organic light emitting display) or LCD (Liquid crystal display).

프로그램 저장부(240)는 원본 영상을 선택하고 영상 처리 장치(100)로 송신하는 작업, 영상 처리 장치(100)로부터 객체 컷 또는/및 추가 객체 컷을 수신하여 표시하는 작업, 객체 컷 또는/및 추가 객체 컷에 대한 확인 신호 또는 불가 신호를 송신하는 작업, 객체 컷 또는/및 추가 객체 컷에 제1 사용자 입력 정보 및 제2 사용자 입력 정보 입력을 수신하고 영상 처리 장치(100)로 송신하는 작업 등을 수행하는 제어 소프트웨어를 탑재할 수 있다. The program storage unit 240 is selected, and operation for displaying by receiving the job, the image processing-cut object from the apparatus 100 and / or additional objects cut to be transmitted to the image processing apparatus 100, the object-cut and / or the original image, the further work, object-cut and / or additional objects cut for transmitting a confirmation signal or not the signal for the object cuts the first user input, and the operation for receiving an input second user input information and transmitted to the image processing apparatus 100, etc. It can be equipped with a control software to perform.

제어부(250)는 일종의 중앙처리장치로서 프로그램 저장부(240)에 탑재된 제어 소프트웨어를 구동하고, 표시부(260)를 제어하여 소정의 정보를 표시하는 등의 다양한 기능을 제공할 수 있다. Controller 250 may provide various functions, such as displaying a predetermined information to control the driving control software, and a display 260 mounted on a program storage unit 240 as a kind of central processing unit. 여기서, 제어부(250)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. Here, the controller 250 may include any type of device capable of processing data such as a processor (processor). 여기서, '프로세서'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. Here, "processor", for example having a circuit physically structured to perform the functions represented by the code or instructions contained in a program, may refer to a data processing device built into the hardware. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. Thus, as an example of the data processing apparatus incorporated in hardware, a microprocessor (microprocessor), the CPU (central processing unit: CPU), a processor core (processor core), a multiprocessor (multiprocessor), ASIC (application-specific integrated circuit), FPGA (but can cover a processing device such as a field programmable gate array), but the scope of the present invention is not limited thereto.

표시부(260)는 제어부(250)의 제어 하에, 영상 처리 장치(100)로부터 수신한 각종 정보 예를 들어, 영상 처리 장치(100)가 제공하는 영상 처리 웹 페이지 및/또는 영상 처리 어플리케이션 관련 정보, 영상 처리 장치(100)로 송신할 원본 영상, 영상 처리 장치(100)로부터 수신한 객체 컷 또는/및 추가 객체 컷, 객체 컷 또는/및 추가 객체 컷 상에서 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 입력하는 과정 등을 표시할 수 있다. Display unit 260 is an image processing web pages and / or image processing application information which is under the control of the controller 250, various kinds of information, for example, the image processing apparatus 100 received from the image processing apparatus 100 is provided, a first user input and a second user input on the original image, an object-cut and / or additional objects cut, object-cut and / or additional objects cut received from the image processing apparatus 100 to be transmitted to the image processing apparatus 100 the like may display the process of entering.

도 8a 내지 도 8h는 영상 처리 장치에서 처리하는 영상의 예시도 이다. Figures 8a through 8h is an illustration of an image is also processed by the image processing apparatus. 도 8a는 원본 영상의 일 예를 도시하고 있고, 도 8b는 원본 영상(도 8a)으로부터 생성한 영상 분할 인덱스 정보 영상을 색상으로 표현한 예를 도시하고 있고, 도 8c는 원본 영상(도 8a) 및 영상 분할 인덱스 정보 영상(도 8b)를 이용하여 생성한 영상 분할 정보 영상을 표현한 예를 도시하고 있다. Figure 8a and shows an example of the original image, and, and Figure 8b shows an example image of the image segmentation index information image generated from the original image (Figure 8a) by color, Figure 8c is the original image (Figure 8a) and image segmentation index information image is (Fig. 8b) shows an example image of the image segmentation information image generated by using the. 도 8d는 사용자 단말기(200)로부터 확인 신호를 수신한 객체 컷의 일 예를 도시하고 있고, 도 8e는 사용자 단말기(200)로부터 불가 신호를 수신한 객체 컷의 일 예를 도시하고 있다. Figure 8d is and shows an example of a cut object receives the confirmation signal from the user terminal 200, Fig. 8e illustrates an example of a cut object can not receive the signal from the user terminal 200. 도 8f는 불가 신호를 수신한 객체 컷에 제1 사용자 입력 정보(810) 및 제2 사용자 입력 정보(820)를 입력하는 예를 도시하고 있다. Figure 8f shows an example of entering a first user input 810 and a second user input 820 to cut the object can not receive signals. 도 8g는 도 8g는 불가 신호를 수신한 객체 컷에 대하여 일 부분의 출력을 보강한 추가 구분 영상의 일 예를 도시하고 있고, 도 8h는 추가 구분 영상(도 8g)에 대해 생성한 보정 영상의 일 예를 도시하고 있다. Figure 8g is a corrected image generated for the FIG. 8g may illustrate an example of the added reinforcement to the output of one portion with respect to the object, cut receiving the non-signal nine minutes image, Figure 8h is added nine minutes image (Fig. 8g) It shows an example.

도 9는 본 발명의 일 실시 예에 따른 영상 처리 방법을 설명하기 위한 흐름도 이다. 9 is a flow chart illustrating an image processing method according to an embodiment of the present invention. 이하의 설명에서 도 1 내지 도 8에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. Description and overlapping portions of the following description which is 1 to 8, also in the will be omitted the description thereof.

단계 S910에서, 영상 처리 장치(100)는 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보를 획득한다. In step S910, the image processing apparatus 100 acquires the image segmentation information features is divided into a plurality of regions similar to the original image. 영상 처리 장치(100)는 영상 분할 정보 획득을 위해서 다음과 같은 처리를 수행할 수 있다. The image processing apparatus 100 may perform the following processing to the obtained image division information. 영상 처리 장치(100)는 씨드의 개수를 포함하는 제1 파라미터 및 각 씨드에서 전체 화소 각각까지의 거리 산출에 대한 반복 횟수를 포함하는 제2 파라미터를 설정할 수 있다. The image processing apparatus 100 may set a second parameter containing the number of iterations of the calculation of the distance to all the pixels in each of the first parameter, and each seed comprising a number of seed. 영상 처리 장치(100)는 각 씨드에서 전체 화소 각각까지의 거리 산출하고, 거리 산출 결과를 Lab 컬러로 표현할 수 있다. The image processing apparatus 100 may calculate the distance to each of all the pixels on each seed, and express the result by the distance calculation Lab color. 영상 처리 장치(100)는 제2 파라미터 만큼 반복 수행된 각 씨드에서 전체 화소 각각까지의 거리 산출 결과를 클러스터링 하고, 원본 영상 내에서 Lab 컬러(거리 산출 결과)가 유사한 화소를 하나의 영역에 포함시킬 수 있다. Image processing device 100 can include a second pixel similar to the Lab color (distance-calculation result) in the cluster the distance-calculation results, and the original image to each seed has been performed as many times as parameters all the pixels each to one region of the can. 영상 처리 장치(100)는 Lab 컬러가 유사한 복수 개의 영역 각각에 인덱스를 붙인 영상 분할 인덱스 정보를 생성할 수 있다. The image processing device 100 may generate divided image index information, an index attached to each of a plurality of regions similar to the Lab color. 영상 처리 장치(100)는 Lab 컬러가 유사한 복수 개의 영역 각각으로부터 산출한 평균 화소값과, 어느 한 기준 영역을 중심으로 탐색한 주변 4 방위의 영역들의 영상 분할 인덱스 정보를 연결시킨 연결 정보와, 영상 분할 인덱스 정보를 포함하고 있는 영상 분할 정보를 생성할 수 있다. The image processing apparatus 100 includes a connection information which Lab color is connected to the image segmentation index information of the average pixel value and the four surrounding area of ​​the bearing navigate around any of the reference area calculated from each of a plurality of regions similar to the, image It may generate an image segmentation information, which includes the partitioned index information.

단계 S920에서, 영상 처리 장치(100)는 뉴럴 네트워크를 이용한 학습 결과에 기초하여 원본 영상으로부터 객체를 식별하고, 영상 분할 정보를 이용하여 원본 영상으로부터 추출한 객체를 전경 영역을 포함하는 제1 영역, 배경 영역을 포함하는 제2 영역 및 불명확한 영역을 포함하는 제3 영역으로 구분한 구분 영상을 생성하며, 구분 영상 중 제3 영역을 명확하게 보정한 보정 영상을 생성한다. In step S920, the image processing apparatus 100 includes a first area that is based on a learning result by the neural network to identify an object from the source image, and by using the image segmentation information includes the foreground region of the object extracted from the source image, background generating a second region and a third region separated by the unclear region comprising a separator including a video zone and, separated and generates a second corrected image by correcting the three clear areas of the image.

단계 S930에서, 영상 처리 장치(100)는 원본 영상 및 보정 영상을 논리곱 연산하여 생성한 객체 컷을 사용자 단말기(200)로 출력하고, 원본 영상 및 구분 영상을 뉴럴 네트워크를 이용한 학습에 포함시킨다. In step S930, then the image processing apparatus 100 includes outputs the object cut generated by calculating a logical product of the original image and the corrected image to the user terminal 200, and the source image and separated image in the learning using a neural network.

도 10은 본 발명의 다른 실시 예에 따른 영상 처리 방법을 설명하기 위한 흐름도 이다. 10 is a flow chart illustrating an image processing method according to another embodiment of the present invention. 이하의 설명에서 도 1 내지 도 9에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. Description and overlapping portions of the following description which is 1 to 9 in the Figure will be omitted the description thereof.

단계 S1010에서, 영상 처리 장치(100)는 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보를 획득한다. In step S1010, the image processing apparatus 100 acquires the image segmentation information features is divided into a plurality of regions similar to the original image.

단계 S1020에서, 영상 처리 장치(100)는 뉴럴 네트워크를 이용한 학습 결과에 기초하여 원본 영상으로부터 객체를 식별하고, 영상 분할 정보를 이용하여 원본 영상으로부터 추출한 객체를 전경 영역을 포함하는 제1 영역, 배경 영역을 포함하는 제2 영역 및 불명확한 영역을 포함하는 제3 영역으로 구분한 구분 영상을 생성하며, 구분 영상 중 제3 영역을 명확하게 보정한 보정 영상을 생성한다. In step S1020, the image processing apparatus 100 includes a first area that is based on a learning result by the neural network to identify an object from the source image, and by using the image segmentation information includes the foreground region of the object extracted from the source image, background generating a second region and a third region separated by the unclear region comprising a separator including a video zone and, separated and generates a second corrected image by correcting the three clear areas of the image.

단계 S1030에서, 영상 처리 장치(100)는 원본 영상 및 보정 영상을 논리곱 연산하여 생성한 객체 컷을 사용자 단말기(200)로 출력한다. In step S1030, the image processing apparatus 100 outputs a cut object created by calculating a logical product of the original image and the corrected image to the user terminal (200).

단계 S1040에서, 영상 처리 장치(100)는 객체 컷에 대한 불가 신호를 수신하였는지 판단한다. In step S1040, the image processing apparatus 100 determines not to have received the signal to the object cut.

단계 S1050에서, 영상 처리 장치(100)가 객체 컷에 대한 확인 신호를 수신한 경우, 원본 영상 및 구분 영상을 뉴럴 네트워크를 이용한 학습에 포함시킨다. If, in step S1050, the image processing apparatus 100 receives the confirmation signal for the object cut, and include the original video image and separated in the learning using a neural network.

단계 S1060에서, 영상 처리 장치(100)가 객체 컷에 대한 불가 신호를 수신한 경우, 객체 컷으로부터 사용자 단말기(200)에 출력된 불가 신호를 수신한 객체 컷으로부터 전경 영역을 지정하는 제1 사용자 입력 정보 및 사용자 단말기(200)에 출력된 불가 신호를 수신한 객체 컷으로부터 배경 영역을 지정하는 제2 사용자 입력 정보를 수신한다. In step S1060, when the image processing apparatus 100 receives the non-signal to the object cut, the first user input specifying a foreground area from the object cut receive the non-signal output to the user terminal 200 from the object cut information, and receives a second user input that specifies a background region from the cut object can not receive the output signal to the user terminal 200.

단계 S1070에서, 영상 처리 장치(100)는 객체 컷의 구분영상과, 제1 사용자 입력 정보 및 제2 사용자 입력 정보와, 영상 분할 정보를 이용하여 구분 영상에 포함된 객체의 일 부분을 보강한 추가 구분 영상을 생성하고, 추가 구분 영상 중 어느 한 영역을 명확하게 보정한 추가 보정 영상을 생성한다. In step S1070, the image processing apparatus 100 has the added reinforcement to distinguish the image, a first user input and a second user input information, the portion of the object containing the division images by using the image segmentation information of the object cut generating a break image, and produces a further corrected image which clearly compensate for any one area of ​​the image additional nine minutes. 영상 처리 장치(100)는 객체 컷의 전경 영역(일 부분의 출력이 누락된 객체)의 위치 및 화소 값을, 분할된 영역 각각의 평균 화소값, 연결 정보 및 영상 분할 인덱스 정보를 포함하고 있는 영상 분할 정보로부터 검색하여, 일 부분의 출력을 보강한 추가 구분 영상을 생성할 수 있다. The image processing apparatus 100 includes an image that includes the average pixel value, the connection information and the image splitting the index information of each of the position and the pixel value, the divided areas of the foreground region of the object cut (one object output is missing portion) It retrieves from the partition information, it is possible to create an additional nine minutes image for added strength of the output portion.

단계 S1080에서, 영상 처리 장치(100)는 원본 영상 및 추가 보정 영상을 논리 곱 연산하고, 연산 결과로 생성한 추가 객체 컷을 사용자 단말기(200)로 출력한다. In step S1080, the image processing apparatus 100 outputs an additional object to cut the generated operation result and a logical product operation to the source image, and further corrected image to the user terminal (200). 여기서, 추가 객체 컷에 대한 확인 신호가 수신될 때까지 단계 S1040 내지 단계 S1080을 반복적으로 수행한다. Here, it performs step S1040 to step S1080 until the confirmation signal for the additional object, the cut to be received repeatedly.

도 11은 본 발명의 또 다른 실시 예에 따른 영상 처리 방법을 설명하기 위한 흐름도 이다. 11 is a flow chart illustrating an image processing method according to an embodiment of the present invention. 이하의 설명에서 도 1 내지 도 10에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. Description and overlapping portions that are about 1 to 10, also in the following description will be omitted.

단계 S1110에서, 사용자 단말기(200)는 영상 처리 장치(100)가 제공하는 영상 처리 웹 페이지에 접속하거나 영상 처리 장치(100)가 제공하는 영상 처리 어플리케이션을 실행한다. In step S1110, the user terminal 200 connected to the image processing a web page provided by the video processing apparatus 100 or execute the image processing application provided by the image processing apparatus 100.

단계 S1120에서, 사용자 단말기(200)는 원본 영상을 선택하여 영상 처리 장치(100)에 송신한다. In step S1120, the user terminal 200 transmits to the image processing apparatus 100 to select the source image. 사용자 단말기(200)는 사진첩 어플리케이션 등을 실행하여, 기 저장된 영상을 원본 영상으로 선택할 수 있다. User terminal 200 executes the application, such as photo books, it is possible to select a pre-stored image as the original image. 또한, 사용자 단말기(200)는 외부 서버로부터 영상을 수신하여 원본 영상으로 선택할 수 있다. In addition, the user terminal 200 may select the source image by receiving the image from an external server. 또한 사용자 단말기(200)는 내부에 구비된 카메라를 이용하여, 영상을 캡처하고, 캡처한 영상을 원본 영상으로 선택할 수 있다. In addition, the user terminal 200 by using a camera provided inside, to capture the image, and may select the captured image to the original image.

단계 S1130에서, 원본 영상을 수신한 영상 처리 장치(100)는 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보를 획득한다. In step S1130, the image processing apparatus 100 receives the original image acquires an image segmentation feature information is divided into a plurality of regions similar to the original image.

단계 S1140에서, 영상 처리 장치(100)는 뉴럴 네트워크를 이용한 학습 결과에 기초하여 원본 영상으로부터 객체를 식별한다. In step S1140, the image processing apparatus 100 identifies an object from the source image based on a result of learning using a neural network.

단계 1150에서, 영상 처리 장치(100)는 영상 분할 정보를 이용하여 원본 영상으로부터 추출한 객체를 전경 영역을 포함하는 제1 영역, 배경 영역을 포함하는 제2 영역 및 불명확한 영역을 포함하는 제3 영역으로 구분한 구분 영상을 생성하며, 구분 영상 중 제3 영역을 명확하게 보정한 보정 영상을 생성한다. A third region in step 1150, the image processing apparatus 100 includes a second area and the unascertained area including the first area, the background area of ​​the object extracted from the original image by using the image segmentation information includes the foreground region to generate a video gubun nine minutes, separated and generates a second corrected image by correcting the three clear areas of the image.

단계 S1060에서, 영상 처리 장치(100)는 원본 영상 및 보정 영상을 논리곱 연산하여 생성한다. In step S1060, the image processing device 100 generates the logical product operation to the source image and the correction image.

단계 1070에서, 영상 처리 장치(100)는 생성한 객체 컷을 사용자 단말기(200)에 송신한다. In step 1070, the image processing apparatus 100 transmits the generated object-cut to the user terminal 200. The

단계 1080에서, 사용자 단말기(200)는 객체 컷에 대한 확인 신호를 전송한다. In step 1080, user terminal 200 transmits a confirmation signal to the object cut.

단계 1090에서, 영상 처리 장치(100)는 원본 영상 및 구분 영상을 뉴럴 네트워크를 이용한 학습에 포함시킨다. In step 1090, the image processing apparatus 100 to include the original image, and separated image in the learning using a neural network.

도 12는 본 발명의 또 다른 실시 예에 따른 영상 처리 방법을 설명하기 위한 흐름도 이다. 12 is a flow chart illustrating an image processing method according to an embodiment of the present invention. 이하의 설명에서 도 1 내지 도 11에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. Description and overlapping portions that are about 1 to Fig. In the following description of Figure 11 will be omitted.

단계 S1211에서, 사용자 단말기(200)는 영상 처리 장치(100)가 제공하는 영상 처리 웹 페이지에 접속하거나 영상 처리 장치(100)가 제공하는 영상 처리 어플리케이션을 실행한다. In step S1211, the user terminal 200 connected to the image processing a web page provided by the video processing apparatus 100 or execute the image processing application provided by the image processing apparatus 100.

단계 S1213에서, 사용자 단말기(200)는 원본 영상을 선택하여 영상 처리 장치(100)에 송신한다. In step S1213, the user terminal 200 transmits to the image processing apparatus 100 to select the source image.

단계 S1215에서, 원본 영상을 수신한 영상 처리 장치(100)는 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보(예를 들어, 슈퍼 픽셀 맵 정보)를 획득한다. In step S1215, the image processing apparatus 100 receives the original image acquires an image division information (e.g., information super pixel maps) the feature is divided into a plurality of regions similar to the original image.

단계 S1217에서, 영상 처리 장치(100)는 뉴럴 네트워크를 이용한 학습 결과에 기초하여 원본 영상으로부터 객체를 식별한다. In step S1217, the image processing apparatus 100 identifies an object from the source image based on a result of learning using a neural network. 여기서, 영상 처리 장치(100)는 식별한 객체를 포함하는 바운더리 박스를 표시하고, 객체의 윤곽선을 검출하며, 바운더리 박스와 윤곽선을 비교하여 바운더리 박스에 윤곽선이 포함되도록 바운더리 박스의 크기를 조정할 수 있고, 영상 처리 장치는 영상 분할 정보를 이용하여 바운더리 박스에 컷팅을 수행하는 작업을 더 수행할 수 있다. Here, the image processing apparatus 100 and displays the boundary box comprising an identified object, detects the outline of the object, it can be compared to the boundary box and the contour adjust the size of the boundary box to include a contour in the boundary box, and , the image processing apparatus may further perform the operation of performing the cutting on the boundary box using a segmentation information.

단계 1219에서, 영상 처리 장치(100)는 영상 분할 정보를 이용하여 원본 영상으로부터 추출한 객체를 전경 영역을 포함하는 제1 영역, 배경 영역을 포함하는 제2 영역 및 불명확한 영역을 포함하는 제3 영역으로 구분한 구분 영상(예를 들어 트라이맵 영상)을 생성하며, 구분 영상 중 제3 영역을 명확하게 보정한 보정 영상(예를 들어 매팅 영상)을 생성한다. A third region in step 1219, the image processing apparatus 100 includes a second area and the unascertained area including the first area, the background area of ​​the object extracted from the original image by using the image segmentation information includes the foreground region as to generate a one minutes image (e.g. tri-map image) segment, and generates the classification image of the third area clearly correcting a corrected image (e.g. image matting). 여기서, 영상 처리 장치(100)는 컷팅을 수행한 바운더리 박스 내의 영상에 대하여 구분 영상 및 보정 영상을 생성한다고 할 수 있다. Here, the image processing device 100 may be said to create a break image and the corrected image with respect to the image in the boundary box performing the cutting.

단계 S1221에서, 영상 처리 장치(100)는 원본 영상 및 보정 영상을 논리곱 연산하여 객체 컷을 생성한다. In step S1221, the image processing apparatus 100 generates the object cut by calculating the logical product of the original image and the corrected image.

단계 1223에서, 영상 처리 장치(100)는 생성한 객체 컷을 사용자 단말기(200)에 송신한다. In step 1223, the image processing apparatus 100 transmits the generated object-cut to the user terminal 200. The

단계 1225에서, 사용자 단말기(200)는 객체 컷에 대한 불가 신호를 전송한다. In step 1225, user terminal 200 transmits a signal to the non-cut object.

단계 S127에서, 영상 처리 장치(100)는 사용자 단말기(200)로 제1 사용자 입력 정보 및 제2 사용자 입력 정보의 송신을 요청한다. In step S127, the image processing apparatus 100 requests a first user input and a second transmission of the user input information to the user terminal (200).

단계 1229에서, 사용자 단말기(200)는 영상 처리 장치(100)로 제1 사용자 입력 정보 및 제2 사용자 입력 정보를 송신한다. In step 1229, user terminal 200 transmits the first user input and a second user input information to the image processing apparatus 100. The

단계 1231에서, 영상 처리 장치(100)는 제1 사용자 입력 정보를 이용하여 불가 신호를 수신한 객체 컷의 구분 영상으로부터 전경 영역을 추출하고, 제2 사용자 입력 정보를 이용하여 불가 신호를 수신한 객체 컷의 구분 영상으로부터 배경 영역을 추출한다. In step 1231, the image processing apparatus 100 is the one to extract the foreground region from nine minutes image of the object cut receiving the non-signal by using the first user input information, receiving a non-signal by using the second user input information object the background region is extracted from the image of the cut-nine minutes.

단계 1233에서, 영상 처리 장치(100)는 객체 컷의 전경 영역(일 부분의 출력이 누락된 객체)의 위치 및 화소 값을, 분할된 영역 각각의 평균 화소값, 연결 정보 및 영상 분할 인덱스 정보를 포함하고 있는 영상 분할 정보로부터 검색하여, 일 부분의 출력을 보강한 추가 구분 영상을 생성하며, 추가 구분 영상 중 제3 영역을 명확하게 보정한 추가 보정 영상을 생성한다. In step 1233, the image processing apparatus 100 includes the average pixel value, the connection information and the image splitting the index information of each of the position and the pixel value, the divided areas of the foreground region of the object cut (one object output is missing portion) It retrieves from the image division information, which contains, generates an additional nine minutes image reinforced the output of the one part, and generates a corrected image by adding clearly correct the third region of the additional nine minutes image.

단계 S1235에서, 영상 처리 장치(100)는 원본 영상 및 추가 보정 영상을 논리 곱 연산하여 추가 객체 컷을 생성한다. In step S1235, the image processing unit 100 generates an additional object to cut computing a logical product of the original image and the additional image correction.

단계 S1237에서, 영상 처리 장치(100)는 생성한 추가 객체 컷을 사용자 단말기(200)로 송신한다. In step S1237, the image processing apparatus 100 transmits the generated additional object cut by the user terminal 200. The

단계 S1239에서, 영상 처리 장치(100)는 사용자 단말기(200)로부터 추가 객체 컷에 대한 확인 신호가 수신될 때까지 단계 S1227 내지 단계 S1237을 반복적으로 수행하고, 사용자 단말기(200)로부터 확인 신호가 수신되면 원본 영상 및 추가 구분 영상을 뉴럴 네트워크를 이용한 학습에 포함시킨다. In step S1239, the image processing apparatus 100 executes step S1227 to step S1237 repeatedly, and the confirmation signal is received from the user terminal 200 until the additional receiving a confirmation signal to the object cut by the user terminal (200) If the include original image and the additional nine minutes video on learning using a neural network.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. Embodiment according to the present invention described above may be implemented in the form of a computer program that can be executed through a variety of components on a computer, this computer program may be recorded in computer-readable media. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. At this time, the media such as hard disks, floppy disks, and magnetic tape media, CD-ROM and the optical recording medium, flop tikeol disk (floptical disk) a magnetic, such as such as a DVD - optical medium (magneto-optical medium), and the ROM , RAM, it may include hardware devices specially configured to store, program instructions, such as flash memory and executing.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. On the other hand, the computer program may be available or they may be of use are known to those skilled in the art of computer software, specially designed and constructed for the purposes of the present invention. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다. Examples of the computer program, and to both machine code, such as produced by a compiler using an interpreter it may also include higher level code that may be executed by a computer.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. In the context of the present invention (particularly in the patent claims) the term and its use in a similar indication of the term "the" it may be to both of the singular and the plural. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. A In the case described the extent (range) in the present invention (unless this is contrary substrate) as including the invention applying the individual values ​​that fall within the above range, the substrate to each of the individual values ​​making up the above-mentioned range in the Detailed Description of the invention like.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. If there is with respect to the steps constituting the method according to the invention clearly describe the order or against the substrate, the steps may be performed in the desired order. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. Not necessarily that the present invention according to the described order of the steps defined. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. All examples or exemplary terms in the present invention (For example, and so on) used for simply limiting the range serves to illustrate the present invention in detail the present due to the later it is not limited by the claims above examples or exemplary terms invention it is not. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다. In addition, those skilled in the art it can be seen that can be constructed according to the design conditions and factors in the various modifications, combinations and changes adducted claims or scope of equivalents.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다. Accordingly, the scope of the invention is jeonghaejyeoseo is not restricted to the embodiment described above, as well as the claims below the claims and the full range changed equivalently equal or therefrom the scope of the spirit of the invention It would be to belong to.

100: 영상 처리 장치 100: image processing device
200: 사용자 단말기 200: The user terminal
300: 통신망 300: communication network

Claims (11)

  1. 원본 영상에 대하여 특징이 유사한 복수 개의 영역으로 분할한 영상 분할 정보를 획득하는 제1 분석부; A first analyzing unit that obtains the image information divided feature is divided into a plurality of regions similar to the original image;
    뉴럴 네트워크(neural network)를 이용한 학습 결과에 기초하여 상기 원본 영상으로부터 객체를 식별하고, 상기 영상 분할 정보를 이용하여 상기 원본 영상으로부터 추출한 상기 객체를 복수의 영역으로 구분한 구분 영상을 생성하며, 상기 구분 영상 중 어느 한 영역을 보정한 보정 영상을 출력하는 학습부; On the basis of the learning result by the neural network (neural network), and identifies the object from the source image, and by using the video division information generated for one minutes image dividing the object into a plurality of regions extracted from the original image, wherein nine minutes learning section for outputting a corrected image corrected for any one area of ​​the image; And
    상기 원본 영상 및 상기 보정 영상을 연산하여 생성한 객체 컷을 출력하고, 상기 원본 영상 및 상기 구분 영상을 상기 뉴럴 네트워크를 이용한 학습에 포함시키는 처리부;를 포함하고, Outputting the original image and a cut object created by calculating the corrected image, and the processing unit to include the original image and the distinguishing image to the learning using the neural network; includes,
    상기 제1 분석부는, 상기 원본 영상 내의 임의의 위치를 씨드로 하여, 상기 씨드를 중심으로 유사한 특징을 가지는 하나 이상의 영역을 찾아 내고, 처리되고 있는 영역과 이에 인접한 영역이 서로 유사한 특징을 가지고 있는 경우에 각 영역을 하나의 영역으로 통합하는 방식으로, 상기 특징이 유사한 영역을 성장시키도록 구비된 영상 처리 장치. Wherein if the first analysis unit, to an arbitrary position in the source image to a seed, has found at least one region, it is being processed region and its adjacent region is similar to each other, characterized in having a similar characteristic to the center of the seed the image processing apparatus provided to the feature to grow a similar area to each zone, in such a manner as to integrate into a region of the.
  2. 제 1항에 있어서, 상기 제1 분석부는, The method of claim 1, wherein the first analyzing unit,
    상기 원본 영상으로부터 영상 분할 정보 획득을 위한 적어도 하나 이상의 파라미터를 설정하되, 상기 파라미터는 상기 씨드의 개수를 포함하는 제1 파라미터 및 상기 씨드에서 원본 영상의 각 화소까지의 거리 산출에 대한 반복 횟수를 포함하는 제2 파라미터 중 적어도 하나를 포함하는 설정부;를 더 포함하는 영상 처리 장치. It said parameters, but setting at least one parameter for obtaining image segmentation information from the original image, comprises the number of iterations for the distance calculation to the first parameter and the pixels of the source image in the seed, including the number of the seed the image processing apparatus further comprising a, a second setting unit which includes at least one of parameters.
  3. 제 1항에 있어서, 상기 제1 분석부는, The method of claim 1, wherein the first analyzing unit,
    상기 씨드에서 각 화소까지의 거리를 산출하고, 거리 산출 결과를 랩 컬러로 표현하는 산출부; Calculation unit for calculating the distance from the seed to the respective pixels, and representing the distance calculation results in the color lab; And
    상기 랩 컬러가 유사한 화소끼리 영역을 설정하여 상기 원본 영상을 랩 컬러가 유사한 복수 개의 영역으로 분할하는 클러스터링부;를 더 포함하는 영상 처리 장치. The image processing apparatus further comprising: a; and wherein the wrap-color set up a similar pixel region between the clustering unit for dividing the original image into a plurality of regions similar to the lab color.
  4. 제 3항에 있어서, 상기 제1 분석부는, The method of claim 3, wherein the first analyzing unit,
    상기 랩 컬러가 유사한 영역들에 각각 인덱스를 붙인 영상 분할 인덱스 정보를 생성하는 제1 생성부를 더 포함하는 영상 처리 장치. The image processing apparatus further comprising: a first generator for generating a video index information is divided the lab color attached to each index in the similar area.
  5. 제 4항에 있어서, 상기 제1 분석부는, The method of claim 4, wherein the first analyzing unit,
    상기 랩 컬러가 유사한 영역들 각각으로부터 산출한 평균 화소값; The average pixel values ​​calculated are the Lab color from similar regions, respectively;
    어느 한 기준 영역의 주변 영역들의 영상 분할 인덱스 정보를 연결시킨 연결 정보; Connection which connect the segmentation index information of which the peripheral region of the reference area information; And
    상기 제1 생성부에서 생성한 영상 분할 인덱스 정보; Image segmentation index information generated by the first generator; 중 적어도 하나를 포함하는 영상 분할 정보를 생성하는 제2 생성부를 더 포함하는 영상 처리 장치. Of the video processing apparatus further comprising a second generator for generating a segmentation information includes at least one.
  6. 원본 영상에 대하여 특징이 유사한 복수개의 영역으로 분할한 영상 분할 정보를 획득하는 단계; Obtaining an image segmentation information features is divided into a plurality of regions similar to the original image;
    뉴럴 네트워크(neural network)를 이용한 학습 결과에 기초하여 상기 원본 영상으로부터 객체를 식별하고, 상기 영상 분할 정보를 이용하여 상기 원본 영상으로부터 추출한 상기 객체를 복수의 영역으로 구분한 구분 영상을 생성하며, 상기 구분 영상 중 어느 한 영역을 보정한 보정 영상을 출력하는 단계; On the basis of the learning result by the neural network (neural network), and identifies the object from the source image, and by using the video division information generated for one minutes image dividing the object into a plurality of regions extracted from the original image, wherein nine minutes and outputting the corrected image corrected for any one area of ​​the image; And
    상기 원본 영상 및 상기 보정 영상을 연산하여 생성한 객체 컷을 출력하고, 상기 원본 영상 및 상기 구분 영상을 상기 뉴럴 네트워크를 이용한 학습에 포함시키는 단계;를 포함하고, Outputting a cut object created by operation of the original image and the corrected image, and the step of including the original image and the distinguishing image to the learning using the neural network; includes,
    상기 영상 분할 정보를 획득하는 단계는, 상기 원본 영상 내의 임의의 위치를 씨드로 하여, 상기 씨드를 중심으로 유사한 특징을 가지는 하나 이상의 영역을 찾아 내고, 처리되고 있는 영역과 이에 인접한 영역이 서로 유사한 특징을 가지고 있는 경우에 각 영역을 하나의 영역으로 통합하는 방식으로, 상기 특징이 유사한 영역을 성장시키는, 영상 처리 방법. Obtaining the image division information, to an arbitrary position in the source image to the seed, to find one or more regions that have similar features to the center of the seed, it is being processed region and its adjacent region is similar to each other, characterized in the respective regions in such a way that if integrated into a single region, a method for imaging the characteristics are similar to the growth area has.
  7. 제 6항에 있어서, 상기 영상 분할 정보를 획득하는 단계는, The method of claim 6, further comprising: obtaining the image information is divided,
    상기 원본 영상으로부터 영상 분할 정보 획득을 위한 적어도 하나 이상의 파라미터를 설정하되, 상기 파라미터는 상기 씨드의 개수를 포함하는 제1 파라미터 및 상기 씨드에서 원본 영상의 각 화소까지의 거리 산출에 대한 반복 횟수를 포함하는 제2 파라미터 중 적어도 하나를 포함하는 단계를 더 포함하는 영상 처리 방법. It said parameters, but setting at least one parameter for obtaining image segmentation information from the original image, comprises the number of iterations for the distance calculation to the first parameter and the pixels of the source image in the seed, including the number of the seed second image processing method further comprising the step of including at least one of the parameters.
  8. 제 6항에 있어서, 상기 영상 분할 정보를 획득하는 단계는, The method of claim 6, further comprising: obtaining the image information is divided,
    상기 씨드에서 각 화소까지의 거리를 산출하고, 거리 산출 결과를 랩 컬러로 표현하는 단계; Calculating a distance from the seed to the respective pixels, and representing the distance calculation results in the color lab; And
    상기 랩 컬러가 유사한 화소끼리 영역을 설정하여 상기 원본 영상을 랩 컬러가 유사한 복수 개의 영역으로 분할하는 단계;를 더 포함하는 영상 처리 방법. The image processing method further comprising a; wherein the lap color comprising the steps of setting a similar pixel region between dividing the original image into a plurality of regions similar to the lab color.
  9. 제 8항에 있어서, 상기 영상 분할 정보를 획득하는 단계는, 10. The method of claim 8, further comprising: obtaining the image information is divided,
    상기 랩 컬러가 유사한 영역들에 각각 인덱스를 붙인 영상 분할 인덱스 정보를 생성하는 단계를 더 포함하는 영상 처리 방법. The image processing method further comprising: generating the index image segmentation information the Lab color attached to each index in the similar area.
  10. 제 9항에 있어서, 상기 영상 분할 정보를 획득하는 단계는, 10. The method of claim 9, wherein the step of obtaining the image information is divided,
    상기 랩 컬러가 유사한 영역들 각각으로부터 산출한 평균 화소값; The average pixel values ​​calculated are the Lab color from similar regions, respectively;
    어느 한 기준 영역의 주변 영역들의 영상 분할 인덱스 정보를 연결시킨 연결 정보; Connection which connect the segmentation index information of which the peripheral region of the reference area information; And
    상기 영상 분할 인덱스 정보; The image segmentation index information; 중 적어도 하나를 포함하는 영상 분할 정보를 생성하는 단계;를 더 포함하는 영상 처리 방법. Of generating an image segmentation information includes at least one; image processing method further comprising: a.
  11. 컴퓨터를 이용하여 제 6항 내지 제 10항의 방법 중 어느 한 항의 방법을 실행시키기 위하여 상기 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램. In order to use the computer to execute the method of any one of claim 6 to method claim 10 is stored in the computer-readable medium the computer program.
KR1020180065659A 2018-06-07 2018-06-07 Apparatus and method for processing image KR101910083B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180065659A KR101910083B1 (en) 2018-06-07 2018-06-07 Apparatus and method for processing image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180065659A KR101910083B1 (en) 2018-06-07 2018-06-07 Apparatus and method for processing image

Publications (1)

Publication Number Publication Date
KR101910083B1 true KR101910083B1 (en) 2018-10-22

Family

ID=64102509

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180065659A KR101910083B1 (en) 2018-06-07 2018-06-07 Apparatus and method for processing image

Country Status (1)

Country Link
KR (1) KR101910083B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011529593A (en) * 2008-07-28 2011-12-08 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ The use of repair techniques for image correction

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011529593A (en) * 2008-07-28 2011-12-08 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ The use of repair techniques for image correction

Similar Documents

Publication Publication Date Title
US8718383B2 (en) Image and website filter using image comparison
US7860347B2 (en) Image-based face search
KR101680044B1 (en) The method and system for content processing
JP6011938B2 (en) Sensor-based mobile search, related methods and systems
JP5843207B2 (en) Intuitively computing method and system
Lv et al. Next-generation big data analytics: State of the art, challenges, and future research topics
Vig et al. Large-scale optimization of hierarchical features for saliency prediction in natural images
JP5782404B2 (en) Image quality evaluation
US9256806B2 (en) Methods and systems for determining image processing operations relevant to particular imagery
EP2540070B1 (en) Intuitive computing methods and systems
US20150169978A1 (en) Selection of representative images
US9197736B2 (en) Intuitive computing methods and systems
US9396560B2 (en) Image-based color palette generation
US9552656B2 (en) Image-based color palette generation
JP2008507792A (en) They are arranged on a network, a search engine that utilizes Contextual
US9401032B1 (en) Image-based color palette generation
CN103988202B (en) Attractiveness based image indexing and searching
US9311889B1 (en) Image-based color palette generation
US9530251B2 (en) Intelligent method of determining trigger items in augmented reality environments
Ordonez et al. Learning high-level judgments of urban perception
US20110246561A1 (en) Server apparatus, client apparatus, content recommendation method, and program
KR101865102B1 (en) Systems and methods for visual question answering
JP2015534154A (en) Generation of augmented reality sample
JP2015524103A (en) How to realize the augmented reality interaction and systems
US20120275690A1 (en) Distributed artificial intelligence services on a cell phone

Legal Events

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