KR20170081969A - 텍스처 이미지 처리 장치 및 방법 - Google Patents

텍스처 이미지 처리 장치 및 방법 Download PDF

Info

Publication number
KR20170081969A
KR20170081969A KR1020160001041A KR20160001041A KR20170081969A KR 20170081969 A KR20170081969 A KR 20170081969A KR 1020160001041 A KR1020160001041 A KR 1020160001041A KR 20160001041 A KR20160001041 A KR 20160001041A KR 20170081969 A KR20170081969 A KR 20170081969A
Authority
KR
South Korea
Prior art keywords
clusters
image
cluster
clustering
weight
Prior art date
Application number
KR1020160001041A
Other languages
English (en)
Other versions
KR102433384B1 (ko
Inventor
김민규
임정묵
신희숙
오창목
정현태
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020160001041A priority Critical patent/KR102433384B1/ko
Priority to US15/397,442 priority patent/US10229345B2/en
Publication of KR20170081969A publication Critical patent/KR20170081969A/ko
Application granted granted Critical
Publication of KR102433384B1 publication Critical patent/KR102433384B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/529—Depth or shape recovery from texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

본 발명은 텍스처 이미지 처리 장치 및 방법에 관한 것이다. 본 발명에 따른 장치는, 입력 이미지의 에지를 검출하고, 검출된 에지 정보를 이용해 입력 이미지를 에지(edge)의 밀도를 표현하는 이미지로 변환하는 필터부, 상기 변환된 이미지에 포함된 노이즈를 제거하고 스무딩 처리하는 스무딩 처리부, 상기 스무딩 처리된 이미지를 미리 정해진 횟수만큼 이미지 분할 개수를 변경하여 클러스터링하는 클러스터링부, 및 상기 입력 이미지에 대한 클러스터 개수를 미리 학습된 검증 데이터를 기준으로 최적화하여 상기 입력 이미지에 대응하는 최종 클러스터 개수를 결정하고, 서로 다른 개수로 분할된 클러스터링 결과 중 상기 최종 클러스터 개수에 대응하는 결과 이미지를 선택하여 출력하는 클러스터 최적화부를 포함한다.

Description

텍스처 이미지 처리 장치 및 방법{Apparatus and method for processing texture image}
본 발명은 텍스처 이미지 처리 장치 및 방법에 관한 것이다.
텍스처를 포함하는 이미지의 클러스터링을 위해 사전 학습이 요구되는데, 자율 학습 (unsupervised learning)의 경우 클러스터의 개수만을 정의하기 때문에 클러스터의 개수를 정확하게 정의하는 것이 중요하다.
일반적으로 이용되는 클러스터 개수를 결정하는 방식은 두 가지가 있다.
첫 번째는 사람이 직접 클러스터 개수를 지정하는 방식이고, 두 번째는 서로 다른 클러스터의 개수를 지정해 알고리즘을 여러 차례 수행한 뒤, 각 클러스터 내의 표준편차와 클러스터 간 거리를 비교해 최적화하는 방식이다.
첫 번째 방식의 경우, 사람이 직접 클러스터 개수를 지정하기 때문에 정확할 수 있으나, 처리해야 할 데이터의 양이 많아질수록 효율성이 떨어질 수 있다. 마찬가지로, 두 번째 방식의 경우에도 클러스터링을 여러 차례 수행해야 하기 때문에, 클러스터 개수를 신속하게 결정하는 것이 어렵다.
미국 등록특허 제6,631,212호
본 발명의 목적은, 텍스처 이미지의 세그먼테이션을 수행함에 있어서, 클러스터링 개수를 신속하고 정확하게 결정하여 해당 텍스처 이미지에 최적화된 클러스터 개수로 세그먼테이션을 수행할 수 있도록 하는 텍스처 이미지 처리 장치 및 방법을 제공함에 있다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기의 목적을 달성하기 위한 본 발명에 따른 텍스처 이미지 처리 장치는, 입력 이미지의 에지를 검출하고, 검출된 에지 정보를 이용해 입력 이미지를 에지(edge)의 밀도를 표현하는 이미지로 변환하는 필터부, 상기 변환된 이미지에 포함된 노이즈를 제거하고 스무딩 처리하는 스무딩 처리부, 상기 스무딩 처리된 이미지를 미리 정해진 횟수만큼 이미지 분할 개수를 변경하여 클러스터링하는 클러스터링부, 및 상기 입력 이미지에 대한 클러스터 개수를 미리 학습된 검증 데이터를 기준으로 최적화하여 상기 입력 이미지에 대응하는 최종 클러스터 개수를 결정하고, 서로 다른 개수로 분할된 클러스터링 결과 중 상기 최종 클러스터 개수에 대응하는 결과 이미지를 선택하여 출력하는 클러스터 최적화부를 포함하는 것을 특징으로 한다.
상기 클러스터 최적화부는, 상기 클러스터링 결과로 분할된 이미지의 각 클러스터에 대한 에너지 값에 근거하여 어느 하나의 클러스터 개수를 결정하고, 결정된 클러스터 개수에 대응하는 가중치를 최적화하는 것을 특징으로 한다.
상기 클러스터 최적화부는, 클러스터링 결과에 대해 미리 학습된 결과와 비교할 가중치의 조건을 설정하고, 설정된 조건에 따라 각 클러스터에 대한 에너지 값을 계산하여 각 에너지 값의 가중 합이 최소가 되는 값을 클러스터 개수로 결정하는 것을 특징으로 한다.
상기 클러스터 최적화부는, 상기 결정된 클러스터 개수와 사전에 학습된 검증 데이터의 클러스터 개수를 비교하여 가중치를 최적화하는 것을 특징으로 한다.
상기 클러스터 최적화부는, 상기 결정된 클러스터 개수와 사전에 학습된 검증 데이터의 클러스터 개수를 매칭한 값이 가장 큰 값을 갖는 가중치를 계산하는 것을 특징으로 한다.
상기 클러스터 최적화부는, 상기 결정된 클러스터 개수와 임의 선택된 다른 클러스터 개수에 대한 배타적 논리합(XOR) 함수값을 매칭하여 그 차이가 가장 큰 값을 갖는 가중치를 계산하는 것을 특징으로 한다.
상기 클러스터 최적화부는, 최적화된 가중치를 기준으로 최종 클러스터 개수를 결정하는 것을 특징으로 한다.
한편, 상기의 목적을 달성하기 위한 본 발명에 따른 텍스처 이미지 처리 방법은, 입력 이미지의 에지를 검출하고, 검출된 에지 정보를 이용해 입력 이미지를 에지의 밀도를 표현하는 이미지로 변환하는 단계, 상기 변환된 이미지에 포함된 노이즈를 제거하고 스무딩 처리하는 단계, 상기 스무딩 처리된 이미지를 미리 정해진 횟수만큼 이미지 분할 개수를 변경하여 클러스터링하는 단계, 상기 입력 이미지에 대한 클러스터 개수를 미리 학습된 검증 데이터를 기준으로 최적화하여 상기 입력 이미지에 대응하는 최종 클러스터 개수를 결정하는 단계, 및 상기 미리 정해진 횟수에 대응하는 클러스터링 결과 중 상기 최종 클러스터 개수에 대응하는 결과 이미지를 선택하여 출력하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따르면, 텍스처 이미지의 세그먼테이션을 수행함에 있어서, 텍스처 이미지의 클러스터 개수를 신속하고 정확하게 결정하여 해당 텍스처 이미지에 최적화된 클러스터 개수로 세그먼테이션을 수행할 수 있는 이점이 있다.
도 1은 본 발명에 따른 텍스처 이미지 처리 장치의 구성을 도시한 도면이다.
도 2는 도 1의 클러스터 최적화부의 세부 구성을 도시한 도면이다.
도 3은 본 발명에 따른 텍스처 이미지 처리 장치의 동작을 설명하는데 참조되는 실시예를 도시한 도면이다.
도 4 및 도 5는 본 발명에 따른 텍스처 이미지 처리 방법에 대한 동작 흐름을 도시한 도면이다.
도 6은 본 발명에 따른 장치가 적용된 컴퓨팅 시스템의 구성을 도시한 도면이다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명에 따른 텍스처 이미지 처리 장치의 구성을 도시한 도면이다.
도 1을 참조하면, 본 발명에 따른 텍스처 이미지 처리 장치는 필터부(110), 스무딩 처리부(120), 클러스터링부(130), 클러스터 최적화부(140) 및 저장부(150)를 포함할 수 있다.
먼저, 필터부(110)는 입력 이미지를 필터링하여 필터링 된 조건에 해당하는 이미지로 변환하는 역할을 한다.
여기서, 필터부(110)는 가버 필터와 같이 입력 이미지의 에지(edge)를 검출하는 필터를 포함할 수 있다. 이 경우, 필터부(110)는 필터를 이용하여 입력 이미지의 에지를 검출하고, 검출된 에지 정보를 이용해 입력 이미지를 에지의 밀도를 표현하는 이미지로 변환할 수 있다. 필터부(110)에 의해 변환된 이미지는 스무딩 처리부(120)로 전달될 수 있다.
스무딩 처리부(120)는 필터부(110)로부터 에지의 밀도를 표현하는 이미지가 입력되면, 입력된 이미지를 스무딩 처리하여 클러스터링부(130)로 전달하도록 한다. 여기서, 스무딩 처리부(120)는 가우시안 필터(Gaussian filter)와 같은 노이즈 제거 필터를 포함할 수 있다. 스무딩 처리된 이미지는 입력 이미지에 비해 표준편차가 줄어들어 좀 더 부드러운 질감의 이미지가 된다.
클러스터링부(130)는 스무딩 처리부(120)로부터 스무딩 처리된 이미지가 입력되면, 미리 정해진 조건, 예를 들어, 클러스터링 횟수 및 이미지 분할 개수 등에 따라 해당 이미지를 분할하는 역할을 한다. 여기서, 이미지의 분할 개수는 필터부(110)에 의해 검출된 에지의 밀도에 근거하여 정할 수 있다.
클러스터링부(130)는 스무딩 처리된 이미지에 대해 정해진 횟수만큼 클러스터링을 수행할 수 있다. 여기서, 클러스터링부(130)는 적어도 2회 이상 이미지 클러스터링을 수행하는 것으로 한다. 이때, 클러스터링부(130)는 각각 이미지 분할 개수를 다르게 정하여 정해진 횟수만큼 클러스터링을 수행할 수 있다.
클러스터링부(130)는 스무딩 처리된 이미지에 대해 정해진 횟수만큼 클러스터링을 수행하면, 클러스터링 결과를 클러스터 최적화부(140)로 전달하도록 한다.
클러스터 최적화부(140)는 최종 클러스터 개수를 결정하는 기준이 되는 가중치를 계산하고, 계산된 가중치를 기준으로 최종 클러스터 개수를 결정하는 역할을 한다.
먼저, 클러스터 최적화부(140)는 유사한 복수 개의 이미지들을 이용해 학습을 수행할 수 있다. 이때, 클러스터 최적화부(140)의 학습 결과는 저장부(150)에 저장되어 추후 가중치를 계산하고 클러스터 개수를 결정하는 과정에서 호출될 수 있다. 클러스터 최적화부(140)는 입력 이미지와 유사한 이미지들을 이용해 학습한 결과를 토대로 최종 클러스터 개수를 결정하기 위한 가중치를 결정할 수 있다.
여기서, 클러스터 최적화부(140)는 도 2와 같은 세부 구성요소를 가질 수 있다.
도 2를 참조하면, 클러스터 최적화부(140)는 조건 설정부(141), 에너지 계산부(143), 클러스터 결정부(145) 및 가중치 계산부(147)를 포함할 수 있다.
조건 설정부(141)는 클러스터링 결과에 대해 미리 학습된 결과와 비교할 가중치의 조건을 선택하고, 선택한 조건 값을 정의한다. 여기서, 조건 설정부(141)는 적어도 두 개 이상의 조건을 선택하도록 한다.
일 예로, 조건 설정부(141)는 가중치의 조건으로 유사도, 각 클러스터가 포함하고 있는 픽셀의 수, RGB 등을 선택할 수 있다. 물론, 이에 한정되는 것은 아니다.
에너지 계산부(143)는 조건 설정부(141)에 의해 가중치의 조건이 설정되면, 설정된 조건에 따라 에너지 값을 계산하도록 한다. 일 예로, 유사도를 기준으로 에너지 값을 계산하는 식은 아래 [수학식 1]과 같이 나타낼 수 있다.
Figure pat00001
여기서, k는 클러스터 개수, E1,k는 k 개의 클러스터 중 첫 번째 클러스터에 대한 에너지 함수, i 및 j는 해당 클러스터의 픽셀 값, neighbor(i)는 픽셀 i에 인접한 픽셀의 집합, ci는 픽셀 i에 지정된 클러스터, 그리고 cj는 픽셀 j에 지정된 클러스터를 의미한다. 또한, XOR은 배타적 논리합(exclusive OR) 함수의 약자로, 두 값이 같으면 0, 다르면 1을 출력한다.
에너지 계산부(143)는 [수힉식 1]에 근거하여 k 개의 에너지 함수(E1,k, E2,k, ..., Ek,k)를 계산하고, 계산된 k 개의 에너지 값에 대한 가중 합(weighted sum)을 계산하도록 한다.
클러스터 결정부(145)는 에너지 계산부(143)에 의해 계산된 k 개의 에너지 값에 대한 가중 합이 최소가 되는 k 값을 클러스터 개수로 결정하도록 한다.
가중치 계산부(147)는 클러스터 결정부(145)에 의해 k 값이 결정되면, 저장부(150)에 저장된 학습 결과 중 클러스터 개수가 k 개인 이미지의 학습 결과와 비교하여 가중치를 최적화하도록 한다.
가중치 계산부(147)는 가중치를 최적화하는 역할을 하며, 이러한 최적화 과정은 두 단계로 나누어 수행될 수 있다.
먼저, 가중치 계산부(147)는 1차 최적화 프로세스로서 rough optimization을 수행할 수 있다.
이때, 저장부(150)에 저장된 학습 결과로서 획득한 클러스터 개수에 대한 검증 데이터(ground truth)는 불연속 공간 상에 위치해서 매칭을 할 수 없다. 이를 위해, 1차 최적화 프로세스는 임의로 정한 불연속 공간 상의 풀(pool)에서 검증 데이터(ground truth)와의 매칭 값이 가장 높은 가중치를 계산하도록 한다.
1차 최적화 프로세스에서 가중치를 계산하는 방식은 아래 [수학식 2]와 같이 구현될 수 있다.
Figure pat00002
여기서, kd는 클러스터 결정부(145)에서 데이터를 이용해 계산한 클러스터 개수, kgroundtruth는 저장부(150)에 저장된 검증 데이터(ground truth)의 클러스터 개수를 의미한다.
가중치 계산부(147)는 [수학식 2]에서와 같이, 계산된 클러스터 개수와 검증 데이터의 클러스터 개수에 대한 두 집합의 매칭 값이 최대가 되는 가중치를 계산할 수 있다.
이렇게 계산된 가중치는 불연속한 공간 상의 집합으로 정의되었기 때문에 근사값에 불과하다. 따라서, 가중치 계산부(147)는 1차 최적화 프로세스의 수행 결과에 대해 2차 최적화 프로세스를 수행하도록 한다.
2차 최적화 프로세스는 결정된 클러스터 개수 k에 대한 배타적 논리합(exclusive OR, XOR) 함수 값과, 다른 클러스터 개수 k'에 대한 배타적 논리합(XOR) 함수 값을 매칭시켜 그 차이가 최대가 되는 가중치를 계산할 수 있다. 이렇게 계산된 가중치는 연속 공간상의 값으로 최적화된 값을 갖게 된다.
이에, 클러스터 결정부(145)는 가중치 계산부(147)에 의해 최적화된 가중치를 기준으로 최종 클러스터 개수를 결정할 수 있다. 이때, 클러스터 결정부(145)는 클러스터링부(130)에 의해 클러스터링 된 결과들 중 최종 클러스터 개수에 해당하는 결과 이미지를 선택하여 출력하도록 한다.
저장부(150)는 텍스처 이미지 처리 장치가 동작하는데 필요한 데이터와 알고리즘 등을 저장할 수 있다.
일 예로, 저장부(150)는 필터부(110) 및 스무딩 처리부(120)의 설정값이 저장될 수 있으며, 클러스터링부(130)에 적용되는 이미지 분할 개수 및 클러스터링 횟수 등의 값이 저장될 수 있다. 또한, 저장부(150)는 필터부(110), 스무딩 처리부(120) 및 클러스터링부(130)의 결과 이미지가 저장될 수 있다.
또한, 저장부(150)는 클러스터 최적화부(140)에서 가중치를 최적화하는 알고리즘이 저장될 수 있으며, 가중치를 기준으로 클러스터 개수를 결정하는 알고리즘이 저장될 수도 있다.
여기서, 저장부(150)는 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), PROM(Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다.
도 3은 본 발명에 따른 텍스처 이미지 처리 장치의 동작을 설명하는데 참조되는 실시예를 도시한 도면이다.
도 3을 참조하면, (a)는 입력 이미지를 나타낸 것으로, 여러 가지 텍스처를 포함하고 있는 이미지이다. (a)의 입력 이미지는 필터링 및 스무딩을 통해 (b)와 같이 에지의 밀도를 표현하는 이미지로 변환될 수 있다.
이후, (b)의 이미지는 클러스터링을 여러 차례 수행하여 (c)와 같이 소정 수의 분할된 이미지로 변환될 수 있다. (c)에서는 네 차례 클러스터링 된 실시예를 도시하였으나, 이에 한정되는 것은 아니다.
(c)의 이미지는 각각 클러스터 개수가 다른 이미지로서, 본 발명에 따른 텍스처 이미지 처리 장치는 (c)의 각 이미지에 대해 이미지 최적화를 수행하여 어느 하나의 클러스터링 개수를 결정하고, (c)의 각 이미지 중 (d)와 같이 결정된 최종 클러스터링 개수에 해당하는 이미지를 선택하여 출력하도록 한다.
이와 같이, 본 발명에 따른 텍스처 이미지 처리 장치는 여러 텍스처를 포함하고 있는 이미지 상에서 해당 이미지에 최적화된 텍스처의 수를 신속하고 정확하게 정확하게 결정하는 것이 가능하게 된다.
상기와 같이 구성되는 본 발명에 따른 텍스처 이미지 처리 장치의 동작 흐름을 보다 상세히 설명하면 다음과 같다.
도 4 및 도 5는 본 발명에 따른 텍스처 이미지 처리 방법에 대한 동작 흐름을 도시한 도면이다.
도 4를 참조하면, 텍스처 이미지 처리 장치는 이미지가 입력되면(S100), 입력 이미지를 필터링하여 입력 이미지를 에지의 밀도를 표현하는 이미지로 변환하고(S110), 'S110' 과정에서 변환된 이미지에 대해 스무딩 처리하도록 한다(S120).
이후, 텍스처 이미지 처리 장치는 'S120' 과정에서 스무딩 처리된 이미지에 대해 미리 정해진 이미지 분할 개수에 따라 클러스터링을 수행하여 이미지를 분할하도록 한다(S130). 이때, 클러스터링은 미리 정해진 횟수(N) 만큼 수행하도록 하며, 각 클러스터링 수행 시마다 이미지 분할 개수를 변경하여 처리하도록 한다(S150, S155).
N 번의 이미지 클러스터링이 완료되면(S150), 텍스처 이미지 처리 장치는 N 차례 수행된 클러스터링 결과들에 대해 클러스터 최적화를 수행하고(S160), 'S160' 과정의 클러스터 최적화 결과를 토대로 최종 클러스터 개수를 결정하도록 한다(S170).
여기서, 'S160' 과정은 도 5와 같이 세분화하여 설명할 수 있다. 도 5에 도시된 바와 같이, 텍스처 이미지 처리 장치는 클러스터링 최적화 수행 시, 클러스터링 결과에 대해 미리 학습된 결과와 비교할 가중치의 조건을 선택하여 선택한 조건 값을 설정하고(S161), 'S161' 과정에서 설정된 조건에 따라 각 클러스터에 대한 에너지 값을 계산하도록 한다(S162). 'S162' 과정에서 각 클러스터에 대한 에너지 값을 계산하는 수식은 앞서 설명한 [수학식 1]을 참조하도록 한다.
텍스처 이미지 처리 장치는 각 클러스터에 대한 에너지 값의 가중 합을 계산하여(S163), 가중 합이 최소가 되는 k 값을 클러스터 개수로 결정하도록 한다(S164).
이후, 텍스처 이미지 처리 장치는 사전에 미리 학습되어 저장된 클러스터 개수에 대한 검증 데이터(ground truth)와 'S164' 과정에서 결정된 클러스터 개수를 비교하여 가중치를 최적화하도록 한다(S165).
따라서, 텍스처 이미지 처리 장치는 'S165' 과정에서 최적화된 가중치를 기준으로 최종 클러스터 개수를 결정할 수 있다(S170). 마지막으로, 텍스처 이미지 처리 장치는 'S140 내지 'S155' 과정을 통해 획득한 N 개의 클러스터링 결과 중 'S170' 과정에서 결정된 최종 클러스터링 개수에 해당하는 결과 이미지를 최종 선택하여 출력하도록 한다(S180).
상기에서와 같이 동작하는 본 실시예에 따른 텍스처 이미지 처리 장치는 독립적인 하드웨어 장치 형태로 구현될 수 있으며, 적어도 하나 이상의 프로세서(processor)로서 마이크로 프로세서나 범용 컴퓨터 시스템과 같은 다른 하드웨어 장치에 포함된 형태로 구동될 수 있다.
도 6은 본 발명에 따른 장치가 적용된 컴퓨팅 시스템을 도시한 도면이다.
도 6을 참조하면, 컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 필터부 120: 스무딩 처리부
130: 클러스터링부 140: 클러스터 최적화부
141: 조건 설정부 143: 에너지 계산부
145: 클러스터 결정부 147: 가중치 계산부
150: 저장부

Claims (13)

  1. 입력 이미지의 에지를 검출하고, 검출된 에지 정보를 이용해 입력 이미지를 에지(edge)의 밀도를 표현하는 이미지로 변환하는 필터부;
    상기 변환된 이미지에 포함된 노이즈를 제거하고 스무딩 처리하는 스무딩 처리부;
    상기 스무딩 처리된 이미지를 미리 정해진 횟수만큼 이미지 분할 개수를 변경하여 클러스터링하는 클러스터링부; 및
    상기 입력 이미지에 대한 클러스터 개수를 미리 학습된 검증 데이터를 기준으로 최적화하여 상기 입력 이미지에 대응하는 최종 클러스터 개수를 결정하고, 서로 다른 개수로 분할된 클러스터링 결과 중 상기 최종 클러스터 개수에 대응하는 결과 이미지를 선택하여 출력하는 클러스터 최적화부
    를 포함하는 것을 특징으로 하는 텍스처 이미지 처리 장치.
  2. 청구항 1에 있어서,
    상기 클러스터 최적화부는,
    상기 클러스터링 결과로 분할된 이미지의 각 클러스터에 대한 에너지 값에 근거하여 어느 하나의 클러스터 개수를 결정하고, 결정된 클러스터 개수에 대응하는 가중치를 최적화하는 것을 특징으로 하는 텍스처 이미지 처리 장치.
  3. 청구항 2에 있어서,
    상기 클러스터 최적화부는,
    클러스터링 결과에 대해 미리 학습된 결과와 비교할 가중치의 조건을 설정하고, 설정된 조건에 따라 각 클러스터에 대한 에너지 값을 계산하여 각 에너지 값의 가중 합이 최소가 되는 값을 클러스터 개수로 결정하는 것을 특징으로 하는 텍스처 이미지 처리 장치.
  4. 청구항 2에 있어서,
    상기 클러스터 최적화부는
    상기 결정된 클러스터 개수와 사전에 학습된 검증 데이터의 클러스터 개수를 비교하여 가중치를 최적화하는 것을 특징으로 하는 텍스처 이미지 처리 장치.
  5. 청구항 4에 있어서,
    상기 클러스터 최적화부는,
    상기 결정된 클러스터 개수와 사전에 학습된 검증 데이터의 클러스터 개수를 매칭한 값이 가장 큰 값을 갖는 가중치를 계산하는 것을 특징으로 하는 텍스처 이미지 처리 장치.
  6. 청구항 4에 있어서,
    상기 클러스터 최적화부는,
    상기 결정된 클러스터 개수와 임의 선택된 다른 클러스터 개수에 대한 배타적 논리합(XOR) 함수값을 매칭하여 그 차이가 가장 큰 값을 갖는 가중치를 계산하는 것을 특징으로 하는 텍스처 이미지 처리 장치.
  7. 청구항 2에 있어서,
    상기 클러스터 최적화부는,
    최적화된 가중치를 기준으로 최종 클러스터 개수를 결정하는 것을 특징으로 하는 텍스처 이미지 처리 장치.
  8. 입력 이미지의 에지를 검출하고, 검출된 에지 정보를 이용해 입력 이미지를 에지의 밀도를 표현하는 이미지로 변환하는 단계;
    상기 변환된 이미지에 포함된 노이즈를 제거하고 스무딩 처리하는 단계;
    상기 스무딩 처리된 이미지를 미리 정해진 횟수만큼 이미지 분할 개수를 변경하여 클러스터링하는 단계;
    상기 입력 이미지에 대한 클러스터 개수를 미리 학습된 검증 데이터를 기준으로 최적화하여 상기 입력 이미지에 대응하는 최종 클러스터 개수를 결정하는 단계; 및
    상기 미리 정해진 횟수에 대응하는 클러스터링 결과 중 상기 최종 클러스터 개수에 대응하는 결과 이미지를 선택하여 출력하는 단계
    를 포함하는 것을 특징으로 하는 텍스처 이미지 처리 방법.
  9. 청구항 8에 있어서,
    상기 최종 클러스터 개수를 결정하는 단계는,
    상기 클러스터링 결과로 분할된 이미지의 각 클러스터에 대한 에너지 값에 근거하여 어느 하나의 클러스터 개수를 결정하는 단계; 및
    상기 결정된 클러스터 개수에 대응하는 가중치를 최적화하는 단계를 포함하는 것을 특징으로 하는 텍스처 이미지 처리 방법.
  10. 청구항 9에 있어서,
    상기 어느 하나의 클러스터 개수를 결정하는 단계는,
    가중치의 조건을 설정하고, 설정된 조건에 따라 각 클러스터에 대한 에너지 값을 계산하는 단계;
    상기 각 클러스터에 대한 에너지 값의 가중 합을 계산하는 단계; 및
    계산된 가중 합이 최소가 되는 값을 클러스터 개수로 결정하는 단계를 포함하는 것을 특징으로 하는 텍스처 이미지 처리 방법.
  11. 청구항 9에 있어서,
    상기 가중치를 최적화하는 단계는,
    상기 결정된 클러스터 개수와 사전에 학습된 검증 데이터의 클러스터 개수를 매칭한 값이 가장 큰 값을 갖는 가중치를 계산하는 단계를 포함하는 것을 특징으로 하는 텍스처 이미지 처리 방법.
  12. 청구항 11에 있어서,
    상기 가중치를 최적화하는 단계는,
    상기 결정된 클러스터 개수와 임의 선택된 다른 클러스터 개수에 대한 배타적 논리합(XOR) 함수값을 매칭하여 그 차이가 가장 큰 값을 갖는 가중치를 계산하는 단계를 더 포함하는 것을 특징으로 하는 텍스처 이미지 처리 방법.
  13. 청구항 9에 있어서,
    상기 최종 클러스터 개수를 결정하는 단계는,
    최적화된 가중치를 기준으로 최종 클러스터 개수를 결정하는 단계를 더 포함하는 것을 특징으로 하는 텍스처 이미지 처리 방법.
KR1020160001041A 2016-01-05 2016-01-05 텍스처 이미지 처리 장치 및 방법 KR102433384B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160001041A KR102433384B1 (ko) 2016-01-05 2016-01-05 텍스처 이미지 처리 장치 및 방법
US15/397,442 US10229345B2 (en) 2016-01-05 2017-01-03 Apparatus and method for processing textured image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160001041A KR102433384B1 (ko) 2016-01-05 2016-01-05 텍스처 이미지 처리 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20170081969A true KR20170081969A (ko) 2017-07-13
KR102433384B1 KR102433384B1 (ko) 2022-08-18

Family

ID=59235928

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160001041A KR102433384B1 (ko) 2016-01-05 2016-01-05 텍스처 이미지 처리 장치 및 방법

Country Status (2)

Country Link
US (1) US10229345B2 (ko)
KR (1) KR102433384B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019028472A1 (en) 2017-08-04 2019-02-07 Outward, Inc. IMAGE PROCESSING TECHNIQUES BASED ON MACHINE LEARNING
CN107657620B (zh) * 2017-10-18 2020-03-13 东北大学 一种带纹理的金属凝固区域识别的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6631212B1 (en) 1999-09-13 2003-10-07 Eastman Kodak Company Twostage scheme for texture segmentation based on clustering using a first set of features and refinement using a second set of features
KR20120062137A (ko) * 2010-12-06 2012-06-14 주식회사 만도 차량인식시스템
KR20120124094A (ko) * 2011-05-03 2012-11-13 울산대학교 산학협력단 이미지 클러스터링 방법 및 이를 적용한 컴퓨터 판독가능 기록 매체
JP2012234528A (ja) * 2011-04-29 2012-11-29 Mitsubishi Electric Corp 画像をスーパーピクセルにセグメント化する方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5825909A (en) * 1996-02-29 1998-10-20 Eastman Kodak Company Automated method and system for image segmentation in digital radiographic images
US7058209B2 (en) * 2001-09-20 2006-06-06 Eastman Kodak Company Method and computer program product for locating facial features
WO2006054271A2 (en) * 2004-11-19 2006-05-26 Koninklijke Philips Electronics, N.V. False positive reduction in computer -assisted detection ( cad)
EP1815399B1 (en) * 2004-11-19 2010-08-04 Koninklijke Philips Electronics N.V. A stratification method for overcoming unbalanced case numbers in computer-aided lung nodule false positive reduction
US20070201749A1 (en) 2005-02-07 2007-08-30 Masaki Yamauchi Image Processing Device And Image Processing Method
KR101064952B1 (ko) 2009-11-23 2011-09-16 한국전자통신연구원 신체 관심영역 탐지 방법 및 장치
US8811477B2 (en) 2010-09-01 2014-08-19 Electronics And Telecommunications Research Institute Video processing method and apparatus based on multiple texture images using video excitation signals
RU2013104894A (ru) * 2013-02-05 2014-08-10 ЭлЭсАй Корпорейшн Процессор изображений с функциональностью сохраняющего контуры подавления шума

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6631212B1 (en) 1999-09-13 2003-10-07 Eastman Kodak Company Twostage scheme for texture segmentation based on clustering using a first set of features and refinement using a second set of features
KR20120062137A (ko) * 2010-12-06 2012-06-14 주식회사 만도 차량인식시스템
JP2012234528A (ja) * 2011-04-29 2012-11-29 Mitsubishi Electric Corp 画像をスーパーピクセルにセグメント化する方法
KR20120124094A (ko) * 2011-05-03 2012-11-13 울산대학교 산학협력단 이미지 클러스터링 방법 및 이를 적용한 컴퓨터 판독가능 기록 매체

Also Published As

Publication number Publication date
KR102433384B1 (ko) 2022-08-18
US20170193332A1 (en) 2017-07-06
US10229345B2 (en) 2019-03-12

Similar Documents

Publication Publication Date Title
US10769256B2 (en) Methods and apparatuses for adaptively updating enrollment database for user authentication
CN110796154B (zh) 一种训练物体检测模型的方法、装置以及设备
CN110088805B (zh) 用于检测和分割多个前景对象的方法
US9230148B2 (en) Method and system for binarization of two dimensional code image
US9779329B2 (en) Image processing apparatus, image processing method and program
US8712154B2 (en) Image processing system and method
EP3113072A1 (en) Methods and apparatuses for updating user authentication data
EP2879080B1 (en) Image processing device and method, and computer readable medium
EP3349140B1 (en) Fingerprint ridge point recognition method and apparatus
US9842279B2 (en) Data processing method for learning discriminator, and data processing apparatus therefor
KR20080031031A (ko) 얼굴 화상 검출장치, 얼굴 화상 검출방법 및 얼굴 화상검출프로그램
JP2006338313A (ja) 類似画像検索方法，類似画像検索システム，類似画像検索プログラム及び記録媒体
EP3190544B1 (en) Methods and apparatuses for authentication using biometric information
JP4806101B2 (ja) 物体検出装置及び物体検出方法
US10909649B2 (en) Method and apparatus for removing hidden data based on autoregressive generative model
KR20140039888A (ko) 추출된 데이터 특징을 이용한 학습 방법 및 장치
CN110826558A (zh) 图像分类方法、计算机设备和存储介质
WO2020230699A1 (ja) 耐性設定装置、耐性設定方法、耐性設定プログラムを記憶する記憶媒体、耐性評価装置、耐性評価方法、耐性評価プログラムを記憶する記憶媒体、演算装置、およびプログラムを記憶する記憶媒体
KR20170081969A (ko) 텍스처 이미지 처리 장치 및 방법
CN107993230B (zh) 基于三角网格综合特征的图像篡改检测方法
CN113221842A (zh) 模型训练方法、图像识别方法、装置、设备及介质
Poranne et al. 3D surface reconstruction using a generalized distance function
WO2021000495A1 (zh) 一种图像处理方法以及装置
Wang et al. Stereo under sequential optimal sampling: A statistical analysis framework for search space reduction
Wu et al. Superpixel based hierarchical segmentation for color image

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right