KR102416202B1 - 정확도가 향상된 콘볼루션 신경망 기반 분류 장치 - Google Patents

정확도가 향상된 콘볼루션 신경망 기반 분류 장치 Download PDF

Info

Publication number
KR102416202B1
KR102416202B1 KR1020200014016A KR20200014016A KR102416202B1 KR 102416202 B1 KR102416202 B1 KR 102416202B1 KR 1020200014016 A KR1020200014016 A KR 1020200014016A KR 20200014016 A KR20200014016 A KR 20200014016A KR 102416202 B1 KR102416202 B1 KR 102416202B1
Authority
KR
South Korea
Prior art keywords
histogram
images
unit
contrast
grayscale
Prior art date
Application number
KR1020200014016A
Other languages
English (en)
Other versions
KR20210100267A (ko
Inventor
김종남
김영봉
Original Assignee
부경대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 부경대학교 산학협력단 filed Critical 부경대학교 산학협력단
Priority to KR1020200014016A priority Critical patent/KR102416202B1/ko
Publication of KR20210100267A publication Critical patent/KR20210100267A/ko
Application granted granted Critical
Publication of KR102416202B1 publication Critical patent/KR102416202B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/646—Circuits for processing colour signals for image enhancement, e.g. vertical detail restoration, cross-colour elimination, contour correction, chrominance trapping filters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 정확도가 향상된 콘볼루션 신경망 기반 분류 장치에 관한 것으로 본 발명의 일면에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 장치는 RGB값을 가지는 픽셀들의 조합에 따른 복수개의 RGB 학습 이미지들을 입력받는 입력부, 복수개의 RGB 학습 이미지들이 가지는 RGB값을 기설정된 컬러 변환 모델에 따라 그레이스케일값으로 변환하여 복수개의 RGB 학습 이미지들 각각에 대응되는 복수개의 그레이스케일 이미지들을 생성하는 그레이스케일부, 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고 히스토그램을 기설정된 변환 모델에 따라 수정하며, 수정된 히스토그램에 기초하여 콘트라스트가 향상된 복수개의 콘트라스트 향상 이미지들을 획득하는 콘트라스트 향상부, 복수개의 콘트라스트 개선 이미지들에 기초하여 특징 파라미터를 획득하고, 사용자의 입력에 따른 확인 이미지를 특징 파라미터에 기초하여 기설정된 복수개의 분류값들 중 적어도 하나의 분류값으로 선택하여 분류하는 학습모델을 포함한다.

Description

정확도가 향상된 콘볼루션 신경망 기반 분류 장치{APPARATUS FOR CLASSIFICATION BASED ON CONVOLUTION NEURAL NETWORK WITH ENHANCED ACCURACY}
본 발명은 정확도가 향상된 콘볼루션 신경망 기반 분류 장치 및 방법에 관한 것이다.
컨볼루션 신경망(Convolution Neural Network)은 픽셀 데이터에 기초한 이미지 처리 및 인식에 사용되는 인공 신경망의 유형으로, 이미지 분류에 주로 사용되고 있다.
최근 딥러닝 기술의 발달과 함께 복잡한 문제를 해결하기 위한 용도로 딥러닝 기술이 많이 쓰이고 있으나, 불충분한 학습 데이터, 복잡성, 부적절한 방법 등에 의해 정확도가 떨어지고 속도가 정체되는 문제점이 발생하고 있다.
이에 입력층과 출력층 사이에 숨겨진층(hidden layer)을 증가시키는 등의 인공 신경망의 정확도를 향상하기 위한 기술이 제시되고 있지만, 컨볼루션 신경망의 경우 층수가 많아질수록 부정확성을 더 초래하는 문제점이 있다.
대한민국 특허출원번호 제10-2018-0025599호 대한민국 특허출원번호 제10-2017-0083250호
본 발명의 목적은 상기 문제점을 해결하기 위한 것으로, 전처리 과정을 포함하여 정확도가 향상된 콘볼루션 신경망 기반 분류 장치를 제공하는 것이다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
전술한 목적을 달성하기 위한 본 발명의 일면에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 장치는 RGB값을 가지는 픽셀들의 조합에 따른 복수개의 RGB 학습 이미지들을 입력받는 입력부, 복수개의 RGB 학습 이미지들이 가지는 RGB값을 기설정된 컬러 변환 모델에 따라 그레이스케일값으로 변환하여 복수개의 RGB 학습 이미지들 각각에 대응되는 복수개의 그레이스케일 이미지들을 생성하는 그레이스케일부, 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고 히스토그램을 기설정된 변환 모델에 따라 수정하며, 수정된 히스토그램에 기초하여 콘트라스트가 향상된 복수개의 콘트라스트 향상 이미지들을 획득하는 콘트라스트 향상부, 복수개의 콘트라스트 개선 이미지들에 기초하여 특징 파라미터를 획득하고, 사용자의 입력에 따른 확인 이미지를 특징 파라미터에 기초하여 기설정된 복수개의 분류값들 중 적어도 하나의 분류값으로 선택하여 분류하는 학습모델을 포함한다.
본 발명의 일면에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 방법은 RGB값을 가지는 픽셀들의 조합에 따른 복수개의 RGB 학습 이미지들을 준비하는 단계, 복수개의 RGB 학습 이미지들이 가지는 RGB값을 기설정된 컬러 변환 모델에 따라 그레이스케일값으로 변환하여 복수개의 RGB 학습 이미지들 각각에 대응되는 복수개의 그레이스케일 이미지들을 생성하는 단계, 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고 히스토그램을 기설정된 변환 모델에 따라 수정하며, 수정된 히스토그램에 기초하여 콘트라스트가 향상된 복수개의 콘트라스트 향상 이미지들을 획득하는 단계, 복수개의 콘트라스트 개선 이미지들을 기설정된 학습 모델에 적용하여 특징 파라미터를 획득하는 단계 및 특징 파라미터에 기초하여 사용자의 입력에 따른 확인 이미지를 기설정된 복수개의 분류값들 중 적어도 하나의 분류값을 선택하도록 하여 분류하는 단계를 포함한다.
본 발명의 일면에 따르면 컨볼루션 신경망의 학습 과정에 앞서 전처리 과정을 포함하여, 이미지 분류 정확도를 개선하고 처리 속도를 향상시키는 정확도가 향상된 콘볼루션 신경망 기반 분류 장치를 제공하는 효과를 가진다.
본 발명의 효과는 상기에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 장치의 블록도이다.
도 2는 본 발명의 다른 실시예에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 장치의 콘트라스트 향상부의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 장치의 학습모델의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 방법의 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것으로서, 본 발명은 청구항의 기재에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 장치(1)는 입력부(10), 전처리부(20), 학습모델(30)을 포함하여 구성되는 것일 수 있다.
입력부(10)는 RGB값을 가지는 픽셀들의 조합에 따른 복수개의 RGB 학습 이미지들을 입력받는 것일 수 있다.
전처리부(20)는 그레이스케일부(21)와 콘트라스트 향상부(22)를 포함하여 구성되는 것일 수 있다.
그레이스케일부(21)는 복수개의 RGB 학습 이미지들이 가지는 RGB값을 기설정된 컬러 변환 모델에 따라 그레이스케일값으로 변환하여 복수개의 RGB 학습 이미지들 각각에 대응되는 복수개의 그레이스케일 이미지들을 생성하는 것일 수 있다.
그레이스케일부(21)는 하기의 수학식 1에 기초하여 그레이스케일 이미지들을 생성하는 것일 수 있다.
Figure 112020012380516-pat00001
여기서 VGrayscale은 그레이스케일값이고, R은 RGB 학습 이미지가 가지는 R값이고, G는 RGB 학습 이미지가 가지는 G값이고, B는 RGB 학습 이미지가 가지는 B값일 수 있다.
콘트라스트 향상부(22)는 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고 히스토그램을 기설정된 변환 모델에 따라 수정하며, 수정된 히스토그램에 기초하여 콘트라스트가 향상된 복수개의 콘트라스트 향상 이미지들을 획득하는 것일 수 있다.
복수개의 그레이스케일 이미지들이 가지는 강도값은 수학식 1을 통해 산출된 그레이스케일값일 수 있다.
일 실시예에 따른 콘트라스트 향상부(22)는 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고 히스토그램을 스트레칭함에 따른 복수개의 콘트라스트 향상 이미지들을 획득하는 것일 수 있다.
콘트라스트 향상부(22)는 선형 또는 단조 증가 변환 함수 중 어느 하나를 사용하여 이미지의 강도값을 스트레칭함에 따른 복수개의 콘트라스트 향상 이미지들을 획득하는 것일 수 있다.
콘트라스트 향상부(22)는 사용자의 입력에 따라 복수개의 그레이스케일 이미지들이 가지는 강도값들로부터 상위 임계 강도값과 하위 임계 강도값을 설정하고, 복수개의 그레이스케일 이미지들이 가지는 강도값들과 하위 임계 강도값의 차이 및 상위 임계 강도값과 하위 임계 강도값의 차이의 비율에 기초하여 히스토그램을 스트레칭함에 따른 복수개의 콘트라스트 향상 이미지들을 획득하는 것일 수 있다.
상위 임계 강도값은 복수개의 그레이스케일 이미지들이 가지는 강도값들 중 상위 5%의 크기를 가지는 강도값일 수 있으며, 하위 임계 강도값은 복수개의 그레이스케일 이미지들이 가지는 강도값들 중 하위 5%의 크기를 가지는 강도값일 수 있다.
콘트라스트 향상부(22)는 아래의 수학식 2에 기초하여 히스토그램을 스트레칭 함에 따른 복수개의 콘트라스트 향상 이미지를 획득하는 것일 수 있다.
Figure 112020012380516-pat00002
여기서 Vnew는 스트레칭에 따른 새로운 강도값이고, Vori는 기존의 강도값이고, Vupper은 상위 임계 강도값이고, Vlower은 하위 임계 강도값일 수 있다.
상위 임계 강도값(Vupper)과 하위 임계 강도값(Vlower)에 기초하여 히스토그램을 스트레칭함에 따라, 특이값(outlier)에 의한 노이즈 발생을 줄일 수 있다.
다른 실시예에서 콘트라스트 향상부(22)는 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고, 히스토그램을 기설정된 콘트라스트 임계값에 기초하여 클리핑(clipping)하고, 클리핑한 히스토그램에서 임의의 픽셀에 대한 누적 분포 함수(Cumulative distridution function)에 기초하여 히스토그램 이퀄라이제이션에 따른 콘트라스트 향상 이미지들을 획득하는 것일 수 있다.
도 2를 참조하면, 본 발명의 다른 실시예에 따른 콘트라스트 향상부(22)는 제1 히스토그램 생성부(221), 클리핑부(222), 제2 히스토그램 생성부(223), 평활부(224)를 포함하여 구성되는 것일 수 있다.
제1 히스토그램 생성부(221)는 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초하여 제1 히스토그램을 생성하는 것일 수 있다.
클리핑부(222)는 기설정된 콘트라스트 임계값에 기초하여 상기 제1 히스토그램을 클리핑하는 것일 수 있다.
제2 히스토그램 생성부(223)는 클리핑된 제1 히스토그램의 누적 분포 함수 기울기에 기초하여 복수개의 그레이스케일 이미지들 각각을 복수의 영역으로 나누고, 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초하여 각 영역에 대한 강도값을 산출하여, 각 영역들이 가지는 강도값들에 기초하여 제2 히스토그램을 생성하는 것일 수 있다.
평활부(224)는 제2 히스토그램의 누적 분포 함수 기울기에 기초하여 각 영역에 대해 히스토그램 이퀄라이제이션함에 따른 콘트라스트 향상 이미지들을 획득하는 것일 수 있다.
여기서, 콘트라스트 향상부(22)는 누적 분포 함수(Cumulative distridution function)을 계산하기 전에 히스토그램을 기설정된 콘트라스트 임계값에 기초하여 클리핑(clipping)함으로써 누적 분포 함수(Cumulative distridution function)의 기울기를 제한하고, 이에 따라 잡음 증폭에 의한 노이즈를 감소시킬 수 있다.
학습모델(30)은 복수개의 콘트라스트 개선 이미지들에 기초하여 특징 파라미터를 획득하고, 사용자의 입력에 따른 확인 이미지를 상기 특징 파라미터에 기초하여 기설정된 복수개의 분류값들 중 적어도 하나의 분류값으로 선택하여 분류하는 것일 수 있다.
본 발명의 일실시예에 따른 학습모델(30)은, 사용자의 입력에 따라 입력된 이미지를 학습하고, 정확성을 분류한 다음, 전처리부(20)를 통해 획득된 콘트라스트 향상 이미지를 입력받는 것일 수 있다.
학습모델(30)은 그래디언트 소실을 유발하고 수정하지만 간단하고 빠르기 때문에 ReLu(rectified linear units)를 구비하는 것일 수 있다.
또한, 학습모델(30)은 네트워크에서 최소한의 저장공간으로 계산 시간을 단축하기 위해 입력 벡터의 차원을 줄이는 최대 풀링층(maximum pooling layer)을 구비하는 것일 수 있다. 최대 풀링층은 네트워크의 매개변수 해석을 개선하는 다공성 관계를 줄이는 것일 수 있다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 학습모델(30)은 제1 콘볼루션 연산층(31), 제2 콘볼루션 연산층(32), 제3 콘볼루션 연산층(33), 전결합층(34), 출력층(35)을 포함하는 것일 수 있다.
콘볼루션 연산층(31, 32, 33)에서 계산되어 출력되는 각 계산 출력은 노드를 통해 입력된 신호를 출력 신호로 변환하는 것이 목적인 활성화 기능에 의해 제한되는 것일 수 있다.
제1 콘볼루션 연산층(31)은 복수개의 콘볼루션 필터들, ReLu 연산부, 풀링부 및 드롭아웃부를 구비하고 콘트라스트 향상부(22)로부터 복수개의 콘트라스트 개선 이미지들을 입력받는 것일 수 있다.
제1 콘볼루션 연산층(31)은 32개의 콘볼루션 필터들을 구비하고, 2×2의 풀 크기를 가지는 풀링부를 구비하는 것일 수 있다.
제2 콘볼루션 연산층(32)은 제1 콘볼루션 연산층(31)이 가지는 콘볼루션 필터들의 개수보다 많은 복수개의 콘볼루션 필터들, ReLu 연산부, 풀링부 및 드롭아웃부를 구비하고 입력이 제1 콘볼루션 연산층(31)의 출력과 연결되는 것일 수 있다.
제2 콘볼루션 연산층(32)은 제1 콘볼루션 연산층(31)이 가지는 콘볼루션 필터들의 개수의 2배의 복수개의 콘볼루션 필터들을 구비하는 것일 수 있다.
제2 콘볼루션 연산층(32)은 64개의 콘볼루션 필터들을 구비하고, 2×2의 풀 크기를 가지는 풀링부를 구비하는 것일 수 있다.
제3 콘볼루션 연산층(33)은 제2 콘볼루션 연산층(32)이 가지는 콘볼루션 필터들의 개수보다 많은 복수개의 콘볼루션 필터들, ReLu 연산부, 풀링부 및 드롭아웃부를 구비하고 입력이 제2 콘볼루션 연산층(32)의 출력과 연결되는 것일 수 있다.
제3 콘볼루션 연산층(33)은 제2 콘볼루션 연산층(32)이 가지는 콘볼루션 필터들의 개수의 2배의 복수개의 콘볼루션 필터들을 구비하는 것일 수 있다.
제3 콘볼루션 연산층(33)은 128개의 콘볼루션 필터들을 구비하고, 2×2의 풀 크기를 가지는 풀링부를 구비하는 것일 수 있다.
전결합층(34)은 제3 콘볼루션 연산층(33)이 가지는 콘볼루션 필터의 개수보다 많은 복수개의 콘볼루션 필터들, ReLu 연산부 및 드롭아웃부를 구비하는 것일수 있다.
전결합층(34)은 제3 콘볼루션 연산층(33)이 가지는 콘볼루션 필터의 개수의 4배의 복수개의 콘볼루션 필터들을 구비하는 것일 수 있다.
전결합층(34)은 512개의 콘볼루션 필터들을 구비하는 것일 수 있다.
출력층(35)은 바이너리 분류층과 소프트맥스를 구비하고, 제1 콘볼루션 연산층(31) 내지 제3 콘볼루션 연산층(33)에 의해 연산된 특징 파라미터에 기초한 최적해를 도출하며 사용자의 입력에 따른 이미지를 특징 파라미터에 기초하여 기설정된 복수개의 분류값들 중 적어도 하나의 분류값으로 선택하여 분류하는 것일 수 있다.
전결합층(34)은 제3 콘볼루션 연산층(33)과 출력층(35)을 완전 연결하는 것일 수 있다.
출력층(35)은 전결합층(34)의 출력에 기초하여 확인 이미지를 기설정된 복수개의 분류값들 중 적어도 하나의 분류값으로 선택하여 분류하는 것일 수 있다.
출력층(35)은 SoftMax 활성화 기능에 의해 추정된 확률에 따라 숨겨진층의 출력을 표시하는 것일 수 있다.
도 4는 본 발명의 일 실시예에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 방법의 순서도이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 방법은 RGB값을 가지는 픽셀들의 조합에 따른 복수개의 RGB 학습 이미지들을 준비하는 단계(S101), 복수개의 RGB 학습 이미지들이 가지는 RGB값을 기설정된 컬러 변환 모델에 따라 그레이스케일값으로 변환하여 복수개의 RGB 학습 이미지들 각각에 대응되는 복수개의 그레이스케일 이미지들을 생성하는 단계(S102), 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고 히스토그램을 기설정된 변환 모델에 따라 수정하며, 수정된 히스토그램에 기초하여 콘트라스트가 향상된 복수개의 콘트라스트 향상 이미지들을 획득하는 단계(S103), 복수개의 콘트라스트 개선 이미지들을 기설정된 학습 모델에 적용하여 특징 파라미터를 획득하는 단계(S104), 특징 파라미터에 기초하여 사용자의 입력에 따른 확인 이미지를 기설정된 복수개의 분류값들 중 적어도 하나의 분류값을 선택하도록 하여 분류하는 단계(S105)를 포함하는 것일 수 있다.
S102 단계는 상기의 수학식 1에 기초하여, RGB 학습 이미지들이 가지는 RGB값을 기설정된 컬러 변환 모델에 따라 그레이스케일값으로 변환하여 복수개의 RGB 학습 이미지들 각각에 대응되는 복수개의 그레이스케일 이미지들을 생성하는 것일 수 있다.
일 실시예에서 S103 단계는 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고 히스토그램을 스트레칭함에 따른 복수개의 콘트라스트 향상 이미지들을 획득하는 것일 수 있다.
S103 단계는 사용자의 입력에 따라 상위 임계 강도값과 하위 임계 강도값을 설정하는 단계 및 상기 복수개의 그레이스케일 이미지들이 가지는 강도값들과 하위 임계 강도값의 차이 및 상위 임계 강도값과 하위 임계 강도값의 차이의 비율에 기초하여 히스토그램을 스트레칭함에 따른 복수개의 콘트라스트 향상 이미지들을 획득하는 단계를 포함하는 것일 수 있다.
여기서, 차이의 비율에 기초하여 히스토그램을 스트레칭함에 따른 복수개의 콘트라스트 향상 이미지들을 획득하는 단계는 상기 수학식2에 기초하여 히스토그램을 스트레칭함에 따른 복수개의 콘트라스트 향상 이미지를 획득하는 것일 수 있다.
다른 실시예에서 S103 단계는 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고, 히스토그램을 기설정된 콘트라스트 임계값에 기초하여 클리핑(clipping)하고, 클리핑한 히스토그램에서 임의의 픽셀에 대한 누적 분포 함수에 기초하여 히스토그램 이퀄라이제이션에 따른 콘트라스트 향상 이미지들을 획득하는 것일 수 있다.
본 발명의 다른 실시예에 따르면 S103 단계는 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 제1 히스토그램을 생성하는 단계, 기설정된 콘트라스트 임계값에 기초하여 제1 히스토그램을 클리핑하는 단계, 클리핑된 제1 히스토그램의 누적 분포 함수 기울기를 산출하는 단계, 복수개의 그레이스케일 이미지들 각각을 제1 히스토그램의 누적 분포 함수 기울기에 기초하여 복수의 영역으로 나누는 단계, 복수의 영역의 각 영역에 포함된 복수개의 픽셀의 강도값들에 기초하여 각 영역에 대한 강도값을 산출하는 단계, 각 영역에 대한 강도값에 기초하여 제2 히스토그램을 생성하는 단계, 제2 히스토그램의 누적 분포 함수 기울기를 산출하는 단계, 제2 히스토그램의 누적 분포 함수 기울기에 기초하여 상기 각 영역을 히스토그램 이퀄라이제이션을 수행하는 단계를 포함하여 콘트라스트 향상 이미지들을 획득하는 것일 수 있다.
본 발명을 적용함에 따른 분류 정확도 향상을 확인하기 위해 실험을 수행하였다. 윈도우 10으로 수행되는 컴퓨터에, 3.7.4 버전 파이썬을 설치하고, 텐서플로와 같은 머신 러닝 라이브러리를 이용해 학습하고, Open CV와 같은 이미지 처리 라이브러리를 사용해 전처리를 수행하였다.
900개의 이미지를 이용해 정확도가 향상된 콘볼루션 신경망 기반 분류 장치(1)의 정확도를 측정하였다.
900개의 이미지중 700개의 이미지는 학습 모델(30)을 학습시키기 위한 학습 이미지로 사용하였고, 200개의 이미지는 학습 모델(30)를 통한 이미지 분류를 확인하기 위한 확인 이미지로 사용하였다.
표 1은 본 발명을 적용하지 않은 것(종래, 이하 종래 분류 장치라고 한다)과 본 발명의 일 실시예에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 장치(실시예1, 이하 본 발명의 실시예1에 따른 분류 장치라고 한다)와 본 발명의 다른 실시예에 따른 정확도가 향상된 콘볼루션 신경망 기반 분류 장치(실시예2, 이하 본 발명의 실시예2에 따른 분류 장치라고 한다)의 학습 이미지 및 확인 이미지에 대한 분류 정확도를 나타낸 것이다.
실시예1에 따른 분류 장치는 RGB값을 가지는 픽셀들의 조합에 따른 복수개의 RGB 학습 이미지들을 기설정된 컬러 변환 모델에 따라 그레이스케일값으로 변환하여 그레이스케일 이미지를 생성하여, 그레이스케일 이미지들이 가지는 강도값들에 기초하여 히스토그램을 생성하고, 히스토그램을 스트레칭함에 따른 콘트라스트 향상 이미지를 획득하여 콘트라스트 향상 이미지를 학습모델 콘볼루션 신경망 기반의 학습모델에 입력함에 따라 이미지를 분류하는 것일 수 있다.
실시예2에 따른 분류 장치는 RGB값을 가지는 픽셀들의 조합에 따른 복수개의 RGB 학습 이미지들을 기설정된 컬러 변환 모델에 따라 그레이스케일값으로 변환하여 그레이스케일 이미지를 생성하여, 그레이스케일 이미지들이 가지는 강도값들에 기초하여 히스토그램을 생성하고 히스토그램을 기설정된 콘트라스트 임계값에 기초하여 클리핑하고, 클리핑한 히스토그램에서 임의의 픽셀에 대한 누적 분포 함수에 기초하여 히스토그램 이퀄라이제이션에 따른 콘트라스트 향상 이미지들을 획득하여 콘트라스트 향상 이미지를 학습모델 콘볼루션 신경망 기반의 학습모델에 입력함에 따라 이미지를 분류하는 것일 수 있다.
학습 이미지 정확도(%) 확인 이미지 정확도(%)
종래 90.50 96.00
실시예1 93.30 100.00
실시예2 96.46 97.00
학습 이미지 분류에 있어서, 종래의 분류 장치의 정확도는 90.50%이고, 본 발명의 일 실시예에 따른 분류 장치의 정확도는 93.30%이고 본 발명의 다른 실시예에 따른 분류 장치의 정확도는 96.46%로, 본 발명의 일 실시예 및 다른 실시예에 따른 분류 장치의 정확도가 종래의 분류 장치에 비해 향상되는 것을 확인할 수 있었다.
사용자의 입력에 따른 확인이미지는 분류하는데 있어, 종래의 분류 장치의 정확도는 96%이고, 본 발명의 일 실시예에 따른 분류 장치의 정확도는 100.00%이고 본 발명의 다른 실시예에 따른 분류 장치의 정확도는 97%로, 본 발명의 일 실시예 및 다른 실시예에 따른 분류 장치의 정확도가 종래의 분류 장치에 비해 향상되는 것을 확인할 수 있었다.
본 발명에 따르면 RGB값을 포함하는 RGB 학습 이미지를 그레이스케일링하고 콘트라스트를 향상하는 전처리 과정을 포함하여 균일하지 않은 강도값을 가지는 이미지에 대한 분류 정확도를 향상시킬 수 있다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
1: 정확도가 향상된 콘볼루션 신경망 기반 분류 장치
10 : 입력부
20 : 전처리부
30 : 학습모델

Claims (15)

  1. 삭제
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. RGB값을 가지는 픽셀들의 조합에 따른 복수개의 RGB 학습 이미지들을 입력받는 입력부;
    상기 복수개의 RGB 학습 이미지들이 가지는 RGB값을 기설정된 컬러 변환 모델에 따라 그레이스케일값으로 변환하여 상기 복수개의 RGB 학습 이미지들 각각에 대응되는 복수개의 그레이스케일 이미지들을 생성하는 그레이스케일부;
    상기 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고 상기 히스토그램을 기설정된 변환 모델에 따라 수정하며, 수정된 히스토그램에 기초하여 콘트라스트가 향상된 복수개의 콘트라스트 향상 이미지들을 획득하는 콘트라스트 향상부; 및
    상기 복수개의 콘트라스트 개선 이미지들에 기초하여 특징 파라미터를 획득하고, 사용자의 입력에 따른 확인 이미지를 상기 특징 파라미터에 기초하여 기설정된 복수개의 분류값들 중 적어도 하나의 분류값으로 선택하여 분류하는 학습모델;을 포함하고,
    상기 콘트라스트 향상부는
    상기 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초한 히스토그램을 생성하고, 상기 히스토그램을 기설정된 콘트라스트 임계값에 기초하여 클리핑하고, 클리핑한 히스토그램에서 임의의 픽셀에 대한 누적 분포 함수에 기초하여 히스토그램 이퀄라이제이션함에 따른 콘트라스트 향상 이미지들을 획득하는 것이며,
    상기 콘트라스트 향상부는
    상기 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초하여 제1 히스토그램을 생성하는 제1 히스토그램 생성부와, 기설정된 콘트라스트 임계값에 기초하여 상기 제1 히스토그램을 클리핑하는 클리핑부와, 클리핑된 제1 히스토그램의 누적 분포 함수 기울기에 기초하여 상기 복수개의 그레이스케일 이미지를 복수의 영역으로 나누고, 상기 복수개의 그레이스케일 이미지들이 가지는 강도값들에 기초하여 각 영역에 대한 강도값을 산출하여, 상기 각 영역들이 가지는 강도값들에 기초하여 제2 히스토그램을 생성하는 제2 히스토그램 생성부와, 상기 제2 히스토그램의 누적 분포 함수 기울기에 기초하여 상기 각 영역에 대해 히스토그램 이퀄라이제이션함에 따른 콘트라스트 향상 이미지들을 획득하는 평활부를 포함하는 것이고,
    상기 학습 모델은
    복수개의 콘볼루션 필터들, ReLu 연산부, 풀링부 및 드롭아웃부를 구비하고 상기 복수개의 콘트라스트 개선 이미지들을 입력받는 제1 콘볼루션 연산층과,
    상기 제1 콘볼루션 연산층이 가지는 콘볼루션 필터들의 개수보다 많은 복수개의 콘볼루션 필터들, ReLu 연산부, 풀링부 및 드롭아웃부를 구비하고 입력이 상기 제1 콘볼루션 연산층의 출력과 연결되는 제2 콘볼루션 연산층과,
    상기 제2 콘볼루션 연산층이 가지는 콘볼루션 필터들의 개수보다 많은 복수개의 콘볼루션 필터들, ReLu 연산부, 풀링부 및 드롭아웃부를 구비하고 입력이 상기 제2 콘볼루션 연산층의 출력과 연결되는 제3 콘볼루션 연산층과,
    바이너리 분류층과 소프트맥스를 구비하고, 상기 제1 콘볼루션 연산층 내지 상기 제3 콘볼루션 연산층에 의해 연산된 특징 파라미터에 기초한 최적해를 도출하며 사용자의 입력에 따른 이미지를 상기 특징 파라미터에 기초하여 분류하는 출력층과,
    복수개의 콘볼루션 필터들, 배치 정규화부 및 드롭아웃부를 구비하고 상기 제3 콘볼루션 연산층과 상기 출력층을 완전 연결하는 전결합층을 포함하는 것이며,
    상기 제1 콘볼루션 연산층은
    32개의 콘볼루션 필터와 2X2의 풀 크기를 가지는 풀링부를 구비하는 것이고,
    상기 제2 콘볼루션 연산층은
    64개의 콘볼루션 필터와 2X2의 풀 크기를 가지는 풀링부를 구비하는 것이며,
    상기 제3 콘볼루션 연산층은
    128개의 콘볼루션 필터와 2X2의 풀 크기를 가지는 풀링부를 구비하는 것이고,
    상기 전결합층은
    512개의 콘볼루션 필터를 구비하는 것
    인 정확도가 향상된 콘볼루션 신경망 기반 분류 장치.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
KR1020200014016A 2020-02-06 2020-02-06 정확도가 향상된 콘볼루션 신경망 기반 분류 장치 KR102416202B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200014016A KR102416202B1 (ko) 2020-02-06 2020-02-06 정확도가 향상된 콘볼루션 신경망 기반 분류 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200014016A KR102416202B1 (ko) 2020-02-06 2020-02-06 정확도가 향상된 콘볼루션 신경망 기반 분류 장치

Publications (2)

Publication Number Publication Date
KR20210100267A KR20210100267A (ko) 2021-08-17
KR102416202B1 true KR102416202B1 (ko) 2022-07-04

Family

ID=77466188

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200014016A KR102416202B1 (ko) 2020-02-06 2020-02-06 정확도가 향상된 콘볼루션 신경망 기반 분류 장치

Country Status (1)

Country Link
KR (1) KR102416202B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230054982A (ko) * 2021-10-18 2023-04-25 삼성전자주식회사 전자 장치 및 그 제어 방법
CN115358952B (zh) * 2022-10-20 2023-03-17 福建亿榕信息技术有限公司 一种基于元学习的图像增强方法、系统、设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101821033B1 (ko) 2016-01-08 2018-01-22 주식회사 케이씨씨 강 구조물 코팅용 폴리우레아 조성물
KR102629254B1 (ko) 2016-09-01 2024-01-24 주식회사 넥슨코리아 게임 키맵 제공 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Erik Engelhardt et al., "An evaluation of image preprocessing for classification of Malaria parasitization using convolutional neural networks," DEGREE PROJECT IN TECHNOLOGY, FIRST CYCLE, 15 CREDITS, STOCKHOLM, SEWDEN 2019 (2019.10.09.)*
P.Daniel Ratna Raju et al., "Image Segmentation by using Histogram Thresholding," IJCSET (2012.01.31.)*

Also Published As

Publication number Publication date
KR20210100267A (ko) 2021-08-17

Similar Documents

Publication Publication Date Title
El Helou et al. Blind universal Bayesian image denoising with Gaussian noise level learning
CN108986050B (zh) 一种基于多分支卷积神经网络的图像和视频增强方法
Fu et al. A dual-branch network for infrared and visible image fusion
CN104517110B (zh) 一种二维码图像的二值化方法及系统
CN107464217B (zh) 一种图像处理方法及装置
KR102416202B1 (ko) 정확도가 향상된 콘볼루션 신경망 기반 분류 장치
CN109920021B (zh) 一种基于正则化宽度学习网络的人脸素描合成方法
WO2020077940A1 (en) Method and device for automatic identification of labels of image
CN113129236B (zh) 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统
JP7353803B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN111047543A (zh) 图像增强方法、装置和存储介质
CN112991371B (zh) 一种基于着色溢出约束的图像自动着色方法及系统
CN116630464A (zh) 基于稳定扩散的图像风格迁移方法和装置
KR20200092492A (ko) 의미 인식 기반의 이미지 보정 방법 및 그를 위한 장치
Metwaly et al. Attention-mask dense merger (attendense) deep hdr for ghost removal
Draa et al. An opposition-based firefly algorithm for medical image contrast enhancement
JP7336033B2 (ja) データ増強基盤事物分析モデル学習装置及び方法
Fischer et al. NICER: Aesthetic image enhancement with humans in the loop
CN112836755A (zh) 基于深度学习的样本图像生成方法及其系统
CN117670733A (zh) 一种基于小波谱学习的低光照图像增强方法
CN117422653A (zh) 一种基于权重共享和迭代数据优化的低光照图像增强方法
Srigowri Enhancing unpaired underwater images with cycle consistent network
CN111507968B (zh) 一种图像融合质量检测方法及装置
CN111080512B (zh) 动漫图像生成方法、装置、电子设备及存储介质
CN115719310A (zh) 一种眼底图像数据集的预处理方法及眼底图像训练模型

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant