WO2023075433A1 - 양자 이미징을 위한 광자 통계기반의 서포트 벡터 머신 - Google Patents

양자 이미징을 위한 광자 통계기반의 서포트 벡터 머신 Download PDF

Info

Publication number
WO2023075433A1
WO2023075433A1 PCT/KR2022/016530 KR2022016530W WO2023075433A1 WO 2023075433 A1 WO2023075433 A1 WO 2023075433A1 KR 2022016530 W KR2022016530 W KR 2022016530W WO 2023075433 A1 WO2023075433 A1 WO 2023075433A1
Authority
WO
WIPO (PCT)
Prior art keywords
pixel
labeling
data
value
quantum
Prior art date
Application number
PCT/KR2022/016530
Other languages
English (en)
French (fr)
Inventor
이준구
김진우
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020220138574A external-priority patent/KR20230061268A/ko
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Publication of WO2023075433A1 publication Critical patent/WO2023075433A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Definitions

  • the present invention relates to a quantum imaging method using a support vector machine (PSSVM) capable of reducing a computational amount and reducing noise through a photon statistics-based model in a quantum imaging method using a coherent photon pair light source.
  • PSSVM support vector machine
  • a light source used in quantum imaging generally uses a photon pair generated by a spontaneous parametric down-conversion (SPDC) phenomenon or uses an entangled photon pair. At this time, the statistics of the measured photons follow the multi-mode thermal distribution.
  • SPDC spontaneous parametric down-conversion
  • an object of the present invention is to provide a coherent photon pair light source such as an entangled photon pair or a Heralded photon pair.
  • Quantum imaging using a support vector machine (PSSVM) that can reduce noise and reduce the amount of computation required when analyzing statistics of photon measurement by calculating pixel labeling estimates from which noise has been removed using a photon statistics-based model in quantum imaging using photon statistics. to provide a way
  • a quantum imaging method performed in a processor of a quantum imaging device for performing quantum image processing according to an aspect of the present invention for achieving the above object is a plurality of quantum image data for learning.
  • For the pixel data of it is reconstructed through normalization by grouping by a predetermined number and dividing each pixel data of the corresponding group by the average value of the grouped data for each group, and input including the normalized data and labeling value for each group. creating vectors; training a pixel labeling estimation model of a support vector machine for estimating a pixel labeling value for each pixel with respect to the input vector; and estimating a pixel labeling value for each pixel of target quantum image data using the pixel labeling estimation model.
  • a plurality of pixel data corresponding to one pixel are grouped by a predetermined number, and the average value of the data grouped for each group is the corresponding group It is possible to estimate a pixel labeling value for a corresponding pixel by reconstructing through normalization by dividing each pixel data of , and inputting an input vector including normalized data for each group to the pixel labeling estimation model.
  • the pixel data of the quantum image data for learning is irradiated by the light source and reflected from the subject by using the light of a light source that generates coherent photon pairs, using a photon pair simultaneous measurement method or a single photon measurement method.
  • a grayscale value corresponding to the first labeling value and a grayscale value corresponding to the second labeling value may be included.
  • the pixel labeling estimation model of the support vector machine calculates the number of modes (m) in the statistical Bose-Einstein distribution of the normalized data according to the normalization, so that the number of modes (m) is equal to photons and noise. Learning to estimate a pixel labeling value to remove noise may be performed using a point showing a statistical difference for classification of .
  • the pixel labeling estimation model of the support vector machine is the Jensen-Shannon distance (JSD) between the statistical Poisson distribution for pixel data by photon pair coincidence and the Bose-Einstein distribution of noise.
  • JSD Jensen-Shannon distance
  • the pixel labeling estimation model of the support vector machine calculates the number of modes (m) in the statistical Bose-Einstein distribution for pixel data by single photon measurement to obtain the Jensen-Shannon distance (JSD). based on the first labeling value and the first labeling value and the second labeling value for a portion without pixel data as correct labeling values of the pixel data to remove noise based on Learning to estimate the pixel labeling value between 2 labeling values may be performed.
  • JSD Jensen-Shannon distance
  • a recording medium recording a computer-readable code for performing a quantum imaging function performed in a quantum imaging device for performing quantum image processing includes a plurality of quantum image data for learning. For pixel data, it is grouped by a predetermined number and reconstructed through normalization by dividing each pixel data of the corresponding group by the average value of the grouped data for each group, and an input vector including normalized data for each group and a labeling value.
  • a coherent photon pair light source such as an entangled photon pair (EPP) or a Heralded photon pair (HPP) is used.
  • EPP entangled photon pair
  • HPP Heralded photon pair
  • noise-removed pixel labeling estimates can be calculated, thereby reducing the amount of computation required and reducing noise when analyzing the statistics of photon measurement. That is, by learning the photon measurement statistics itself in a support vector machine (SVM) using an algorithm that classifies and regresses the number of modes of multimode Bose-Einstein distributions, quantum signals such as EPP or HPP are converted to thermal light sources.
  • SNR Signal to Noise Ratio
  • SVM support vector machine
  • JSD Jensen - Shannon distance
  • FIG. 2 is a flowchart illustrating a quantum imaging method according to an embodiment of the present invention.
  • 3 is an example of image processing for photon pair coincidence and single photon measurement for a quantum image with ground truth pixel data.
  • 4A and 4B are comparison graphs of PSNR and SSIM of the prior art and the present invention according to the magnitude (k) of the input vector.
  • 5 is a measurement value of the number of modes (m) for each position of the noise generator 600 for the quantum imaging apparatus of the present invention.
  • 6A and 6B are exemplary graphs of pixel labeling value estimation errors according to the Jensen-Shannon distance (JSD) in an environment where the noise generator 600 of FIG. 5 exists.
  • JSD Jensen-Shannon distance
  • FIG. 7 is a diagram for explaining an example of a method of implementing a quantum imaging device that processes a quantum imaging method according to an embodiment of the present invention.
  • first and second may be used to describe various components, but the components are not limited by the terms, and the terms are used for the purpose of distinguishing one component from another. used only as
  • Quantum imaging techniques can obtain higher PSNR (Peak Signal to Noise Ratio) than classical imaging techniques, but the degree of PSNR improvement is still as small as 1.28 dB, and there is no improvement in SSIM (Structural Similarity Index Measure) value. Compared to the effort required to set up the device, the quality of the image does not improve much. This problem becomes more prominent when the thermal light source acts as noise, and since the degree of noise is different for various environments, it is difficult to generalize image processing using a threshold.
  • PSNR Peak Signal to Noise Ratio
  • SSIM Structuretural Similarity Index Measure
  • a coherent photon pair light source such as an entangled photon pair (EPP) or a Heralded photon pair (HPP) is used in quantum imaging.
  • EPP entangled photon pair
  • HPP Heralded photon pair
  • a photon pair may include, for example, a signal photon and an idler photon obtained by irradiating a laser onto a nonlinear crystal.
  • each single photon (eg, signal photon and idler photon) photon) count statistics can be seen as following the multimodal Bose-Einstein distribution as shown in [Equation 2] in reality.
  • n is the number of photons
  • /n is the average number of photons
  • m is the number of multiple modes (hereinafter referred to as the mode number).
  • the Poisson distribution can be approximated with an infinite number of modes (eg, a sufficient number determined in advance).
  • JSD Jensen - Shannon distance
  • JSD Jensen-Shannon distance
  • the quantum imaging method of the present invention using a support vector machine model is a semiconductor processor of a quantum imaging device (e.g., various devices in the field of quantum imaging such as quantum microscope, quantum sensing, and quantum radar) for performing quantum image processing. can be performed
  • the quantum imaging method includes receiving quantum image data for learning (S110) and generating an input vector for the quantum image data for learning through a preprocessing process (S120).
  • a plurality of pixel data D ⁇ d 1 , d 2 ,...d as quantum image data for learning in a quantum imaging device operating a support vector machine (SVM).
  • an exemplary number is exemplified as N, and the number N of training data can be set to any number as needed, and the number and data having a reflected labeling value (1) and a blocked labeling value ( The number of data having -1) can be set to an arbitrary number, and it does not have to be the same number.
  • the pixel data constituting the quantum image data for training is a light source (e.g., laser) that generates a coherent photon pair, such as an entangled photon pair (EPP) or a Heralded photon pair (HPP). It may be composed of pixel data d p,i of an image (eg, capture data at 25 ms exposure) obtained through an image capture device such as a predetermined detector or camera using light.
  • the pixel data may be a gradation value (eg, 8-bit digital data) of an image obtained from transmitted or reflected light by irradiating light from a light source generating the photon pair to a transparent film on which an image is printed. there is.
  • the pixel data is obtained by adhering or attaching a transparent film (see 50 in FIG. 3 ) on which an image is printed to a predetermined mirror, and transmitting light from a light source generating the photon pair to a subject, for example, the transparent film. (50) and the gradation value of the image obtained from the light irradiated toward the mirror and reflected. That is, each of the pixel data is, for example, a first labeling value (for a portion having a small grayscale value) for the portion 10 where ink is printed on the transparent film 50, that is, blocked.
  • the gradation value corresponding to the labeling value (-1) (eg, since the black ink portion is non-reflective) or the portion 20 where ink is not printed on the transparent film 50 (for the portion having a large gradation value) It may include a second labeling value, that is, a gradation value corresponding to the reflected labeling value (1) (eg, since light is reflected in an area without ink).
  • a light source eg, laser
  • a nonlinear crystal eg, BBO, PPLN, PPKTP, etc.
  • a first photon signal photon
  • a second photon idler photon
  • Pixel data d p,i can be obtained, or single photon measurement (only one of the two photons) of the first photon (signal photon) or the second photon (idler photon) for the transparent film 50 closely or attached to the mirror as described above.
  • Pixel data d p,i of the image obtained by measuring what is captured by the image capture device) may be obtained.
  • any subject may be used to obtain the pixel data constituting the quantum image data for learning.
  • the photon pair simultaneous measurement method as described above according to the purpose such as a subject in fields such as quantum microscopy, quantum sensing, quantum radar, a subject in daily life, a subject in a laboratory, or a subject such as an organ in the medical field.
  • a grayscale value corresponding to value (1) may be used as the pixel data constituting the quantum image data for learning.
  • the pixel data of the quantum image data for training (S110) as described above is preprocessed in the quantum imaging device operating the support vector machine (SVM) to perform a support vector
  • SVM support vector machine
  • the labeling value (z p ) for each group (j) is a ground truth labeling value, and is a first labeling value, that is, a blocked labeling value (-1) or a second labeling value, that is, reflection. (relected) is a labeling value (1), and it is desirable that the labeling value of each pixel data of the corresponding group be the same.
  • the grouped data can be expressed as in [Equation 3], and the average value of the grouped data can be expressed as in [Equation 4].
  • the normalized data (X j ) for each group (j) is, as above, through the normalization process of dividing each pixel data (d i ) of the corresponding group (j) by the average value ⁇ X j ' >, each group
  • the average of star (j) pixel data is normalized to 1.
  • the quantum imaging apparatus supports the support vector machine for the normalized data (X j ) for each group (j) of the input vector.
  • the learning process of estimating the pixel labeling value y p (u, v) (S140) for each pixel (u, v) so that noise on the image can be removed can be repeated.
  • the pixel labeling estimation model of the support vector machine analyzes the statistical distribution for each group (j) of a plurality of normalized data (X j ), that is, the statistical Poisson distribution and the Bose-Einstein distribution, A pixel labeling value y p (u, v) for each pixel (row u, column v) can be estimated so that the noise can be removed.
  • the pixel labeling estimation model of the support vector machine (SVM) of the present invention is a mode in the statistical Bose-Einstein distribution of normalized data (X j ) for each group (j) of the input vector.
  • Learning to estimate a pixel labeling value to remove noise can be performed by calculating the number m and using the fact that the number m shows a statistical difference for distinguishing between photons and noise. For example, data corresponding to noise in the Bose-Einstein distribution are removed and the pixel data is a first labeling value, that is, a blocked labeling value (-1) or a second labeling value, that is, a reflected labeling value.
  • the pixel labeling values estimated in this way may be a basis for calculating grayscale values of an image through an image processing algorithm such as clustering in subsequent image processing.
  • the pixel labeling estimation model of the support vector machine (SVM) of the present invention through the above analysis, of single photons such as entangled photon pairs (EPP) and Harold photon pairs (HPP)
  • the Jensen-Shannon distance between the Bose-Einstein distribution of noise and the statistical Poisson distribution for pixel data by simultaneous measurements of single photons of coherent photon pairs with strong upper bound correlation, i.e. photon pair coincidence. (JSD) (refer to FIG. 1), a first labeling value (-1) for a portion with the pixel data and a second labeling value (-1) for a portion without the pixel data as correct labeling values of the pixel data to remove noise based on (see FIG. 1).
  • Learning to estimate the pixel labeling value between the first labeling value ( ⁇ 1) and the second labeling value (1) may be performed with reference to the labeling value (1).
  • the pixel labeling estimation model of the support vector machine (SVM) of the present invention is a code with a strong upper limit correlation of single photons such as entangled photon pairs (EPP) and Harold photon pairs (HPP)
  • the Jensen-Shannon distance (JSD) (see Fig. 1) is calculated by calculating the mode number (m) in the statistical Bose-Einstein distribution for the pixel data by single photon measurement (signal photon or idler photon) of the hereditary photon pair.
  • the first labeling value (-1) for the portion with the pixel data and the second labeling value (1) for the portion without the pixel data are referred to as the correct labeling value of the pixel data to remove noise based on Learning to estimate the pixel labeling value between the first labeling value ( ⁇ 1) and the second labeling value (1) may be performed.
  • a labeling value may be estimated (S210, S220, S130).
  • a predetermined image O as the target quantum image data
  • the labeling value of each pixel for the target quantum image data is 1 or -1 is estimated by the pixel labeling estimation model.
  • the N(u,v) pieces of data to be input are exemplarily 1000, which may be any number as needed.
  • a predetermined image O T (u,v) (refer to the image for the object ⁇ in FIG. 3) is described as an example as the target quantum image data, but the target quantum image data may be applied to fields such as quantum microscopy, quantum sensing, and quantum radar. It may be various images of the subject according to the purpose, such as a subject in a room, a subject in daily life, a subject in a laboratory, or a subject in the medical field.
  • light from a light source eg, laser
  • a nonlinear crystal eg, BBO, PPLN, PPKTP, etc.
  • Photon pairs consisting of two photons can be generated.
  • the corresponding target quantum image data obtained by coincidence of these photon pairs (measuring that two photons are captured by the image capture device at the same time) with respect to the transparent film 50 closely adhered to or attached to the mirror as described above.
  • Pixel data values of d p,i (u,v) (e.g., capture data at 25 ms exposure) can be obtained, or the first photon ( signal photon) or second photon (idler photon) pixel data values d p,i (u, v) (e.g., capture data at 25 ms exposure) may be obtained.
  • a preprocessing process may be performed to generate an input vector X p to be input to the pixel labeling estimation model of the support vector machine.
  • X p can be generated (see Equations 3, 4, and 5 above).
  • the quantum imaging device operating the support vector machine (SVM), for the input vector X p generated by the preprocessing process (S220), the pixel labeling estimation model (S130) of the learned support vector machine (SVM) ) can be used to estimate the pixel labeling value y p (u,v) for each corresponding pixel of the target quantum image data (S140).
  • the pixel labeling estimation model of the support vector machine also uses a statistical distribution for each group (j) of a plurality of normalized data (X j ), that is, a statistical Poisson distribution and a Bose-Einstein distribution.
  • a pixel labeling value y p (u,v) for each pixel (u,v) can be estimated so that the noise can be removed.
  • the pixel labeling estimation model of the support vector machine (SVM) of the present invention is a mode in the statistical Bose-Einstein distribution of normalized data (X j ) for each group (j) of the input vector.
  • a pixel labeling value may be estimated to remove noise by calculating the number (m) and using the fact that the number of modes (m) shows a statistical difference for distinguishing between photons and noise.
  • the pixel labeling estimation model may estimate a pixel labeling value with high accuracy using the learned predetermined model parameters.
  • the pixel labeling estimation model of the support vector machine (SVM) of the present invention is a code with a strong upper limit correlation of single photons such as entangled photon pairs (EPP) and Harold photon pairs (HPP)
  • JSD Jensen-Shannon distance
  • a pixel labeling value between a first labeling value (-1) for a portion with pixel data and a second labeling value (1) for a portion without pixel data may be estimated to remove noise based on ).
  • the pixel labeling estimation model of the support vector machine (SVM) of the present invention is a code with a strong upper limit correlation of single photons such as entangled photon pairs (EPP) and Harold photon pairs (HPP)
  • the Jensen-Shannon distance (JSD) (see Fig. 1) is calculated by calculating the mode number (m) in the statistical Bose-Einstein distribution for the pixel data by single photon measurement (signal photon or idler photon) of the hereditary photon pair.
  • a pixel labeling value between a first labeling value ( ⁇ 1) for a portion with pixel data and a second labeling value (1) for a portion without pixel data may be estimated to remove noise based on the pixel data.
  • 3 is an example of image processing for photon pair coincidence and single photon measurement for a quantum image with ground truth pixel data.
  • quantum image data for learning or quantum image data to be processed is, for example, a transparent film 50 (corresponding to ground truth image data O T (u, v)) on which an image is printed, adhered to a predetermined mirror.
  • light from a light source generating the photon pair may be irradiated toward the transparent film 50 and the mirror, and may be a gradation value of an image obtained from the reflected light (eg, 8-bit digital data).
  • an image of a result of processing pixel data by single photon measurement (signal photon or idler photon) of a coherent photon pair according to a processing technique such as conventional quantum Herald imaging.
  • Data (a) O D (u,v), image data resulting from processing the O D (u,v) image data using a support vector machine (PSSVM) using the photon statistics-based pixel labeling estimation model of the present invention (b) O S (u, v), simultaneous measurement of coherent photon pairs, that is, an image of the result of processing pixel data by photon pair coincidence according to a processing technique such as conventional quantum Herald imaging
  • O G (u, v) image data resulting from processing the O G (u, v) image data using a support vector machine (PSSVM) using the photon statistics-based pixel labeling estimation model of the present invention
  • (d) shows O C (u,v).
  • 4A and 4B are comparison graphs of PSNR and SSIM of the prior art and the present invention according to the magnitude (k) of the input vector.
  • the image data O S (u,v) according to the PSSVM processing result of the present invention shows a much higher PSNR than the image data O D (u,v) according to the conventional positive image processing method
  • FIG. 4b the image data O C (u, v) according to the PSSVM processing result of the present invention showed a much higher PSNR than the image data O G (u, v) according to the conventional Yangma imaging processing method.
  • the present invention enables generalized image processing applicable to various environments in which a thermal light source exists through a photon statistics-based support vector machine (PSSVM) capable of improving the quality of quantum imaging.
  • PSSVM photon statistics-based support vector machine
  • it showed a 3.37dB PSNR increase and a 13.04% SSIM gain for the single-photon image OS (u,v).
  • PSSVM of the present invention is applied, better image quality can be obtained without expensive measurement setups such as heralded imaging or ghost imaging processing methods.
  • 5 is a measurement value of the number of modes (m) for each position of the noise generator 600 for the quantum imaging device 500 of the present invention.
  • the support vector machine based on photon statistics in the quantum imaging device 500 of the present invention ( An example of the number of modes (m) for each position of the noise generator 600 when performing quantum imaging processing using PSSVM is shown.
  • ID221 black indicates the case where there is only noise in the noise generator 600 without generating photons for single photon measurement by the light source for the transparent film 50 as described above
  • ID221 white indicates a case in which photons for single photon measurement by a light source are generated for the transparent film 50 as described above and noise in the noise generator 600 is also present.
  • coinc black indicates a case in which there is only noise in the noise generator 600 without generation of photon pairs for coincidence of photon pairs by a light source for the transparent film 50 as described above.
  • photon pairs are generated for coincidence of photon pairs by a light source and noise is also present in the noise generator 600 .
  • 6A and 6B are exemplary graphs of pixel labeling value estimation errors according to the Jensen-Shannon distance (JSD) in an environment where the noise generator 600 of FIG. 5 exists.
  • 6A is a pixel labeling value estimation error according to the Jensen-Shannon distance (JSD) for a first labeling value (-1) for a portion with pixel data (Reflected)
  • FIG. 6B is a portion without pixel data (Blocked). It represents the pixel labeling value estimation error according to the Jensen-Shannon distance (JSD) for the second labeling value (1) for .
  • JSD Jensen-Shannon distance
  • the photon statistics-based support vector machine (PSSVM) in the quantum imaging device 500 of the present invention is used even in various environments in which a noise generator 600 such as thermal light source noise exists as shown in FIG. 5.
  • the pixel labeling value estimation error can be close to 0 in the single photon measurement method (signal in FIGS. 6A and 6B) and the photon pair simultaneous measurement method (coinc in FIGS. 6A and 6B). Confirmed.
  • FIG. 7 is a diagram for explaining an example of a method of implementing a quantum imaging device that processes a quantum imaging method according to an embodiment of the present invention.
  • a quantum imaging device for processing a quantum imaging method may include hardware, software, or a combination thereof.
  • the quantum imaging apparatus of the present invention may be implemented as a computing system 1000 as shown in FIG. 7 having at least one processor for performing the above functions/steps/processes or as a server on the Internet.
  • the computing system 1000 includes at least one processor 1100, a memory 1300, a user interface input device 1400, a user interface output device 1500, a storage 1600, and a network connected through a bus 1200.
  • An interface 1700 may be included.
  • the processor 1100 may be a central processing unit (CPU) or a semiconductor device that processes commands stored in the memory 1300 and/or the storage 1600 .
  • the memory 1300 and the storage 1600 may include various types of volatile or nonvolatile storage media.
  • the memory 1300 may include a read only memory (ROM) 1310 and a random access memory (RAM) 1320 .
  • the network interface 1700 is a communication module such as a modem that supports wired Internet communication in a user terminal such as a smartphone, notebook PC, desktop PC, wireless Internet communication such as WiFi and WiBro, and mobile communication such as WCDMA and LTE, or a short distance
  • a communication module such as a modem supporting communication of a wireless communication method (eg, Bluetooth, ZigBee, Wi-Fi, etc.) may be included.
  • a software module is a storage/recording medium readable by a device such as a computer, such as a RAM memory, a flash memory, a ROM memory, an EPROM memory, an EEPROM memory, a register, a hard disk, a removable disk, and a CD-ROM (ie, the memory 1300 and/or Alternatively, it may reside in the storage 1600).
  • An exemplary storage medium is coupled to the processor 1100, and the processor 1100 can read information (code) from the storage medium and write information (code) to the storage medium.
  • the storage medium may be integral with the processor 1100.
  • the processor and storage medium may reside within an application specific integrated circuit (ASIC).
  • An ASIC may reside within a user terminal.
  • the processor and storage medium may reside as separate components within a user terminal.
  • quantum imaging using the support vector machine (PSSVM) coherent photon pairs (EPP), Heralded photon pairs (HPP), etc. )
  • EPP coherent photon pairs
  • HPP Heralded photon pairs
  • quantum imaging using a photon pair light source it is possible to reduce the amount of computation required to analyze the statistics of photon measurement and reduce noise by calculating noise-free pixel labeling estimates using a photon statistics-based model. That is, by learning the photon measurement statistics itself in a support vector machine (SVM) using an algorithm that classifies and regresses the number of modes of multimode Bose-Einstein distributions, quantum signals such as EPP or HPP are converted to thermal light sources.
  • SVM support vector machine
  • the SNR (Signal to Noise Ratio) can be increased by classifying it from noise, and the model learned from the support vector machine (SVM) is applied to quantum imaging fields such as quantum microscopy, quantum sensing, and quantum radar. Image quality can be improved without quantum imaging techniques such as imaging and quantum ghost imaging.
  • SVM Support vector machine

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

본 발명은 양자 이미징을 위한 광자 통계기반의 서포트 벡터 머신에 관한 것으로서, 본 발명은, 얽힘 광자쌍(entangled photon pair), 해럴드 광자쌍(Heralded photon pair) 등 코히어런트(coherent) 광자쌍 광원을 이용한 양자 이미징에서 광자 통계기반의 모델을 이용하여 노이즈가 제거된 픽셀 라벨링 추정값을 산출함으로써 광자 측정의 통계를 분석할 때 소요되는 계산량을 줄이고 노이즈를 줄일 수 있는 서포트 벡터 머신(PSSVM)을 이용한 양자 이미징 방법을 제공한다.

Description

양자 이미징을 위한 광자 통계기반의 서포트 벡터 머신
본 발명은 코히어런트(coherent) 광자쌍 광원을 이용한 양자 이미징 방법에서 광자 통계기반의 모델을 통해 계산량을 줄이고 노이즈를 줄일 수 있는 서포트 벡터 머신(PSSVM)을 이용한 양자 이미징 방법에 관한 것이다.
종래의 양자 해럴드 이미징 및 양자 고스트 이미징과 같은 양자 이미징 기법들은 상관관계를 갖는 두개의 단일 광자로 이루어진 광자쌍을 이용하여 기존의 고전적인 방식의 이미징 기법보다 높은 PSNR(Peak Singal-to-Noise Ratio)을 보인다. 단순히 측정되는 광자의 평균값만을 이용하는 고전적 방식의 이미징 기법과 달리 양자 이미징 기법의 경우 두 단일 광자의 Coincidence(동시측정) 정보를 이용하기 때문에 다양한 노이즈들에 대해서 보다 강한 경향을 보인다.
양자 이미징에 활용되는 광원은 일반적으로 자율적 자발매개하향변환 (SPDC; Spontaneous Parametric Down-Conversion) 현상에 의해 생성된 광자쌍을 이용하거나 얽힘 광자쌍을 이용하게 된다. 이때 측정되는 광자의 통계들은 다중 모드 열적 분포(multi-mode thermal distribution)을 따르게 된다.
그러나, 이와 같은 광자 측정의 통계들을 분석하는 데에는 많은 계산량이 요구되므로 실시간 정보 전달을 위한 양자 이미징 기술에 적용이 어려운 문제점이 있다.
따라서, 본 발명은 상술한 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은, 얽힘 광자쌍(entangled photon pair), 해럴드 광자쌍(Heralded photon pair) 등 코히어런트(coherent) 광자쌍 광원을 이용한 양자 이미징에서 광자 통계기반의 모델을 이용하여 노이즈가 제거된 픽셀 라벨링 추정값을 산출함으로써 광자 측정의 통계를 분석할 때 소요되는 계산량을 줄이고 노이즈를 줄일 수 있는 서포트 벡터 머신(PSSVM)을 이용한 양자 이미징 방법을 제공하는 데 있다.
먼저, 본 발명의 특징을 요약하면, 상기의 목적을 달성하기 위한 본 발명의 일면에 따른 양자 이미지 프레세싱을 수행하기 위한 양자 이미징 장치의 프로세서에서 수행되는 양자 이미징 방법은, 학습용 양자 이미지 데이터의 복수의 픽셀 데이터에 대하여, 소정의 개수씩 그룹화하고 각 그룹마다 그룹화된 데이터들의 평균값으로 해당 그룹의 각 픽셀 데이터를 나누어주는 정규화를 통해 재구성하여, 각 그룹별 정규화된 데이터들과 라벨링값을 포함하는 입력 벡터를 생성하는 단계; 상기 입력 벡터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하기 위한 서포트 벡터 머신의 픽셀 라벨링 추정 모델을 학습시키는 단계; 및 상기 픽셀 라벨링 추정 모델을 이용하여 대상 양자 이미지 데이터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하는 단계를 포함한다.
상기 대상 양자 이미지 데이터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하는 단계에서, 하나의 픽셀에 대응된 복수의 픽셀 데이터에 대하여, 소정의 개수씩 그룹화하고 각 그룹마다 그룹화된 데이터들의 평균값으로 해당 그룹의 각 픽셀 데이터를 나누어주는 정규화를 통해 재구성하여, 각 그룹별 정규화된 데이터들을 포함하는 입력 벡터를 상기 픽셀 라벨링 추정 모델에 입력하여 해당 픽셀에 대한 픽셀 라벨링값을 추정할 수 있다.
상기 학습용 양자 이미지 데이터의 상기 픽셀 데이터는 코히어런트 광자쌍을 발생하는 광원의 빛을 이용하되 광자쌍 동시 측정 방법을 이용하거나 단일 광자 측정 방법을 이용하여, 상기 광원에 의해 조사되고 피사체로부터 반사된 빛으로부터 획득된 계조값들로서, 제1 라벨링값에 대응된 계조값 및 제2 라벨링값에 대응된 계조값을 포함할 수 있다.
상기 입력 벡터에 대하여 상기 서포트 벡터 머신의 상기 픽셀 라벨링 추정 모델은, 상기 정규화에 따라 상기 정규화된 데이터들의 통계적 보스-아인슈타인 분포에서의 모드수(m)를 산출하여 모드수(m)가 광자와 노이즈의 구분을 위한 통계적 차이를 보이는 점을 이용하여, 노이즈를 제거하도록 픽셀 라벨링값을 추정하는 학습을 수행할 수 있다.
상기 입력 벡터에 대하여 상기 서포트 벡터 머신의 상기 픽셀 라벨링 추정 모델은, 광자쌍 동시측정(coincidence)에 의한 픽셀 데이터들에 대한 통계적 푸아송 분포와 노이즈의 보스-아인슈타인 분포 간의 젠센-샤논 거리(JSD)를 기초로 노이즈를 제거하도록, 픽셀 데이터들의 정답 라벨링값으로서의 상기 픽셀 데이터가 있는 부분에 대한 제1 라벨링값 및 상기 픽셀 데이터가 없는 부분에 대한 제2 라벨링값을 참조하여 상기 제1 라벨링값 및 상기 제2 라벨링값 사이의 상기 픽셀 라벨링값을 추정하는 학습을 수행할 수 있다.
상기 입력 벡터에 대하여 상기 서포트 벡터 머신의 상기 픽셀 라벨링 추정 모델은, 단일 광자 측정에 의한 픽셀 데이터들에 대한 통계적 보스-아인슈타인 분포에서의 모드수(m)를 산출하여 젠센-샤논 거리(JSD)를 기초로 노이즈를 제거하도록, 픽셀 데이터들의 정답 라벨링값으로서의 상기 픽셀 데이터가 있는 부분에 대한 제1 라벨링값 및 상기 픽셀 데이터가 없는 부분에 대한 제2 라벨링값을 참조하여 상기 제1 라벨링값 및 상기 제2 라벨링값 사이의 상기 픽셀 라벨링값을 추정하는 학습을 수행할 수 있다.
그리고, 본 발명의 다른 일면에 따른, 양자 이미지 프레세싱을 수행하기 위한 양자 이미징 장치에서 수행되는 양자 이미징 기능을 수행하기 위한, 컴퓨터가 판독 가능한 코드를 기록한 기록 매체는, 학습용 양자 이미지 데이터의 복수의 픽셀 데이터에 대하여, 소정의 개수씩 그룹화하고 각 그룹마다 그룹화된 데이터들의 평균값으로 해당 그룹의 각 픽셀 데이터를 나누어주는 정규화를 통해 재구성하여, 각 그룹별 정규화된 데이터들과 라벨링값을 포함하는 입력 벡터를 생성하는 기능; 상기 입력 벡터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하기 위한 서포트 벡터 머신의 픽셀 라벨링 추정 모델을 학습시키는 기능; 및 상기 픽셀 라벨링 추정 모델을 이용하여 대상 양자 이미지 데이터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하는 기능을 수행할 수 있다.
본 발명에 따른 서포트 벡터 머신(PSSVM)을 이용한 양자 이미징 방법에 따르면, 얽힘 광자쌍(entangled photon pair, EPP), 해럴드 광자쌍(Heralded photon pair, HPP) 등 코히어런트(coherent) 광자쌍 광원을 이용한 양자 이미징에서 광자 통계기반의 모델을 이용하여 노이즈가 제거된 픽셀 라벨링 추정값을 산출함으로써 광자 측정의 통계를 분석할 때 소요되는 계산량을 줄이고 노이즈를 줄일 수 있다. 즉, 다중모드 보스-아인슈타인 분포들의 모드수를 분류(classifying) 및 회귀(regression)하는 알고리즘을 이용하는 서포트 벡터 머신(SVM)에 광자측정통계 자체를 학습시켜서, EPP나 HPP와 같은 양자신호를 열광원의 노이즈로부터 분류하여 SNR(Signal to Noise Ratio)을 높일 수 있도록 하였으며, 서포트 벡터 머신(SVM)에서 학습된 모델을 양자 현미경, 양자 센싱, 양자 레이더 등 양자 이미징 분야에 적용하여 계산이 복잡한 양자 해럴드 이미징 및 양자 고스트 이미징과 같은 양자 이미징 기법들 없이도 이미지 품질을 개선할 수 있도록 하였다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는 첨부도면은, 본 발명에 대한 실시예를 제공하고 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 일반적인 광자의 수에 따른 확률 분포에서의 젠센-샤논(Jensen-Shannon) 거리(JSD)를 예시하는 그래프이다.
도 2는 본 발명의 일 실시예에 따른 양자 이미징 방법을 설명하기 위한 흐름도이다.
도 3은 정답(ground truth) 픽셀 데이터들을 갖는 양자 이미지에 대한 광자쌍 동시측정(coincidence)과 단일 광자 측정에 대한 이미지 프로세싱의 예시이다.
도 4a 및 도 4b는 입력 벡터의 크기(k)에 따른 종래 기술과 본 발명의 PSNR 및 SSIM의 비교 그래프이다.
도 5는 본 발명의 양자 이미징 장치에 대한 노이즈 발생기(600)의 위치별 모드수(m)의 측정값이다.
도 6a 및 도 6b는 도 5의 노이즈 발생기(600)가 존재하는 환경에서의 젠센-샤논 거리(JSD)에 따른 픽셀 라벨링값 추정 에러에 대한 예시 그래프이다.
도 7은 본 발명의 일 실시예에 따른 양자 이미징 방법을 처리하는 양자 이미징 장치의 구현 방법의 일례를 설명하기 위한 도면이다.
이하에서는 첨부된 도면들을 참조하여 본 발명에 대해서 자세히 설명한다. 이때, 각각의 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타낸다. 또한, 이미 공지된 기능 및/또는 구성에 대한 상세한 설명은 생략한다. 이하에 개시된 내용은, 다양한 실시 예에 따른 동작을 이해하는데 필요한 부분을 중점적으로 설명하며, 그 설명의 요지를 흐릴 수 있는 요소들에 대한 설명은 생략한다. 또한 도면의 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시될 수 있다. 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니며, 따라서 각각의 도면에 그려진 구성요소들의 상대적인 크기나 간격에 의해 여기에 기재되는 내용들이 제한되는 것은 아니다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시 예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
또한, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되는 것은 아니며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
<본 발명의 동기>
양자 이미징 기법들이 고전적인 방식의 이미징 기법보다 높은 PSNR(Peak Signal to Noise Ratio)을 얻을 수는 있지만, 여전히 PSNR의 향상 정도가 1.28dB로 적으며, SSIM(Structural Similarity Index Measure) 값의 향상이 없어서 장치 셋업에 들어가는 노력대비 이미지의 품질이 많이 좋아지지 않는다. 이러한 문제점은 열광원이 노이즈로 작용하게 되면 더더욱 두드러지는 양상을 보이고, 다양한 환경에 대해서 노이즈의 정도가 다르기 때문에 임계값(threshold)를 활용한 이미지 프로세싱의 일반화가 어렵다는 단점도 있다.
본 발명에서는 양자 이미징에 있어서 얽힘 광자쌍(entangled photon pair, EPP), 해럴드 광자쌍(Heralded photon pair, HPP) 등 코히어런트(coherent) 광자쌍 광원을 이용한다. 이와 같은 광자쌍은, 예를 들어, 레이저를 비선형 결정에 조사하여 획득되는 시그널(signal) 광자 및 아이들러(idler) 광자를 포함할 수 있다.
이와 같은 광자쌍에 대한 소정 시간 동안의 동시측정(coincidence) 카운트 통계는 [수학식1]과 같은 푸아송(Poisson) 분포를 따르고, 광자쌍(예, 시그널 광자 및 아이들러 광자) 각각의 단일 광자(photon) 카운트 통계는 현실에서 [수학식2]과 같은 다중 모드 보스-아인슈타인(Bose-Einstein) 분포를 따르는 것으로 볼 수 있다. 여기서, n은 광자수, /n은 광자수의 평균, m은 다중의 모드의 개수(이하 모드수라 함)이다. 또한, 푸아송(Poisson) 분포는 모드수(m)가 무한한 수(예, 미리 정한 충분한 수)로 근사화 가능하다.
[수학식1]
Figure PCTKR2022016530-appb-img-000001
[수학식2]
Figure PCTKR2022016530-appb-img-000002
또한, 양자 이미징에서의 노이즈는 대부분 태양열, 전구열, 히터열 등 열광원에서 나오는 광자에 의해 발생하고 이에 대한 카운트 통계 역시 다중 모드 보스-아인슈타인 분포를 따른다.
도 1은 일반적인 광자의 수에 따른 확률 분포에서의 젠센-샤논(Jensen-Shannon) 거리(JSD)를 예시하는 그래프이다.
도 1과 같이, 푸아송(Poisson) 분포 곡선과 보스-아인슈타인(Bose-Einstein) 분포에서의 모드수(m)에 따른 차이가 있다. 특히, 도 1의 예시에서, 보스-아인슈타인(Bose-Einstein) 분포에서 m=300(예, 노이즈 카운트 통계), m=1500(예, 단일 광자 카운트 통계)인 경우 사이에는 JSD=0.36e-2의 값이 나타나는 경우를 예시한다.
따라서, 이와 같이 본 발명에서는 1) 광자쌍 동시측정(coincidence) 카운트 통계에서의 푸아송(Poisson) 분포와 노이즈의 보스-아인슈타인(Bose-Einstein) 분포 간의 구분가능한 통계적 거리, 즉, 젠센-샤논 거리(JSD)가 있는 점을 이용하고, 2) 보스-아인슈타인(Bose-Einstein) 분포에서 모드수(m) (영역)의 차이에 따라 단일 광자와 노이즈 간의 구분가능한 통계적 거리, 즉, 젠센-샤논 거리(JSD)가 있는 점을 이용한다.
또한, 본 발명에서는, [수학식2]와 같이, /n와 m으로 이루어진 보스-아인슈타인(Bose-Einstein) 분포를 갖는 소정 시간 동안의 광자 수에 대한 통계 분포에서, 평균 광자수(/n)로 정규화(normalization)하면 [수학식2]와 같은 보스-아인슈타인(Bose-Einstein) 분포 함수에서 모드수(m)가 광자와 노이즈 등의 구분을 위한 통계적 차이를 보이는 점을 이용한다.
이와 같은 점들에 착안한 본 발명에 따른 서포트 벡터 머신(SVM)을 이용한 양자 이미징 방법에서는, 위와 같은, 얽힘 광자쌍(entangled photon pair, EPP), 해럴드 광자쌍(Heralded photon pair, HPP) 등 코히어런트(coherent) 광자쌍을 발생하는 광원을 이용해, 양자 이미징에서 광자 통계기반의 모델을 이용하여 노이즈가 제거된 픽셀 라벨링 추정값을 산출함으로써 광자 측정의 통계를 분석하는 데에는 소요되는 계산량을 줄이고 노이즈를 줄일 수 있도록 하였다.
<실시예>
도 2는 본 발명의 일 실시예에 따른 양자 이미징 방법을 설명하기 위한 흐름도이다. 서포트 벡터 머신의 모델을 이용하는 본 발명의 양자 이미징 방법은, 양자 이미지 프레세싱을 수행하기 위한 양자 이미징 장치(예, 양자 현미경, 양자 센싱, 양자 레이더 등 양자 이미징 분야의 다양한 장치)의 반도체 프로세서 등에 의해 수행될 수 있다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 양자 이미징 방법은, 학습용 양자 이미지 데이터를 입력 받는 단계(S110), 전처리 과정을 통해 학습용 양자 이미지 데이터에 대한 입력 벡터를 생성하는 단계(S120), 각 픽셀에 대한 픽셀 라벨링값(S140)을 추정하기 위한 서포트 벡터 머신의 픽셀 라벨링 추정 모델을 학습시키는 단계(S130), 양자 이미징 처리 대상의 대상 양자 이미지 데이터를 입력 받는 단계(S210), 전처리 과정을 통해 대상 양자 이미지 데이터에 대한 입력 벡터를 생성하는 단계(S220), 학습된 서포트 벡터 머신의 픽셀 라벨링 추정 모델(S130)을 이용하여 대상 양자 이미지 데이터의 각 픽셀에 대한 픽셀 라벨링값 추정하는 단계(S140)를 포함할 수 있다.
먼저, 학습용 양자 이미지 데이터를 입력 받는 단계(S110)에서는, 서포트 벡터 머신(SVM)을 운영하는 양자 이미징 장치에서 학습용 양자 이미지 데이터로서 복수의 픽셀 데이터 D={d1, d2,...dN}(예컨대, i=1,2,..N, N=20,000)를 입력받을 수 있다. 상기 입력 받는 N개의 데이터는, 반사(relected) 라벨링값(1)을 가지는 데이터 N/2=10,000개 및 차단(blocked) 라벨링값(-1)을 가지는 데이터 N/2=10,000개를 포함할 수 있다. 여기서, N으로서 예시적인 수를 예시하였고, 학습용 데이터의 수 N은 필요에 따라 임의의 수로 정해질 수 있으며, 반사(relected) 라벨링값(1)을 가지는 데이터와 수와 차단(blocked) 라벨링값(-1)을 가지는 데이터의 수도 각각 임의의 수로 정해질 수 있으며, 같은 수로 하여야 하는 것은 아니다.
상기 학습용 양자 이미지 데이터를 구성하는 상기 픽셀 데이터는, 얽힘 광자쌍(entangled photon pair, EPP), 해럴드 광자쌍(Heralded photon pair, HPP) 등 코히어런트 광자쌍을 발생하는 광원(예, 레이저)의 빛을 이용하여 소정의 검출기 또는 카메라 등 이미지 캡쳐 장치를 통해 획득되는 이미지(예, 25ms 노출 시의 캡쳐 데이터)의 픽셀 데이터 dp,i로 구성될 수 있다. 예를 들어, 상기 픽셀 데이터는, 상기 광자쌍을 발생하는 광원의 빛을 이미지가 인쇄된 투명 필름에 조사하여 투과 또는 반사되는 빛으로부터 획득된 이미지의 계조값(예, 8 비트 디지털 데이터)일 수 있다. 예컨대, 상기 픽셀 데이터는, 이미지가 인쇄된 투명 필름(도 3의 50 참조)을 소정의 미러에 밀착 또는 부착시키고, 상기 광자쌍을 발생하는 광원의 빛을, 피사체, 예를 들어, 상기 투명 필름(50)과 미러를 향해 조사하고, 반사된 빛으로부터 획득된 이미지의 계조값일 수 있다. 즉, 각각의 상기 픽셀 데이터는, 예를 들어, 상기 투명 필름(50)에 잉크가 인쇄된 부분(10)에 대한 (계조값이 작은 부분에 대한) 제1 라벨링값, 즉, 차단(blocked) 라벨링값(-1)에 대응된 계조값(예, 검은 잉크 부분은 무반사이므로) 또는, 상기 투명 필름(50)에 잉크가 인쇄되지 않은 부분(20)에 대한 (계조값이 큰 부분에 대한) 제2 라벨링값, 즉, 반사(relected) 라벨링값(1)에 대응된 계조값(예, 잉크 없는 부분의 빛은 반사되므로)을 포함할 수 있다.
예컨대, 상기 코히어런트 광자쌍을 발생하는 광원(예, 레이저)의 빛을 비선형 결정(예, BBO, PPLN, PPKTP 등)에 조사하여 제1광자(signal 광자)와 제2광자(idler 광자)로 이루어진 광자쌍을 발생시킬 수 있다. 이때, 상기와 같은 미러에 밀착 또는 부착된 투명 필름(50)에 대해 이러한 광자쌍의 동시측정(coincidence) (두 광자가 동시에 이미지 캡쳐 장치에서 캡쳐되는 것을 측정)에 의해 획득되는 상기 이미지의 픽셀 데이터 dp,i가 획득될 수 있거나, 상기와 같은 미러에 밀착 또는 부착된 투명 필름(50)에 대해 제1광자(signal 광자) 또는 제2광자(idler 광자)의 단일 광자 측정 (두 광자 중 하나만 이미지 캡쳐 장치에서 캡쳐되는 것을 측정)에 의해 획득되는 상기 이미지의 픽셀 데이터 dp,i가 획득될 수도 있다.
여기서, 미러에 밀착 또는 부착된 투명 필름(50)을 피사체로서 예로 들어 설명하였지만, 상기 학습용 양자 이미지 데이터를 구성하는 상기 픽셀 데이터를 획득하기 위하여, 임의의 피사체가 이용될 수 있다. 예를 들어, 양자 현미경, 양자 센싱, 양자 레이더 등의 분야에서의 피사체, 또는 일상 생활 상의 피사체나 실험실에서의 피사체, 의료 분야에서의 장기 등의 피사체 등 목적에 따라 상기와 같은 광자쌍 동시 측정 방법을 이용하거나 단일 광자 측정 방법을 이용하여, 상기와 같은 광원에 의해 조사되고 피사체로부터 반사된 빛으로부터 획득된 계조값들로서, 상기 제1 라벨링값(-1)에 대응된 계조값 및 상기 제2 라벨링값(1)에 대응된 계조값을, 상기 학습용 양자 이미지 데이터를 구성하는 상기 픽셀 데이터로 활용할 수 있다. 다음에, 입력 벡터를 생성하는 단계(S120)에서, 서포트 벡터 머신(SVM)을 운영하는 양자 이미징 장치에서 위와 같은 학습용 양자 이미지 데이터(S110)의 픽셀 데이터들에 대하여, 전처리 과정을 수행하여 서포트 벡터 머신의 픽셀 라벨링 추정 모델에 입력하기 위한 입력 벡터 {Xj, zp}를 생성할 수 있다. 여기서는, 상기 픽셀 데이터들을 소정의 개수씩(예, k=8개씩) 그룹화하고 각 그룹(l개, j=1,2,..l)마다 그룹화된 데이터들(Xj ')의 평균값 <Xj '>으로 해당 그룹(j)의 각 픽셀 데이터(di)를 나누어주는 정규화를 통해 재구성하여, 각 그룹별(j) 정규화된 데이터들(Xj)과 라벨링값(zp)을 포함하는 입력 벡터 {Xj, zp}를 생성할 수 있다. 상기 각 그룹별(j) 라벨링값(zp)은, 정답(ground truth) 라벨링값으로서, 제1 라벨링값, 즉, 차단(blocked) 라벨링값(-1) 또는 제2 라벨링값, 즉, 반사(relected) 라벨링값(1)이며, 해당 그룹의 각 픽셀 데이터의 라벨링값은 동일한 것이 바랍직하다.
상기 그룹화된 데이터들은 [수학식3]과 같이 나타낼 수 있고, 상기 그룹화된 데이터들의 평균값은 [수학식4]와 같이 나타낼 수 있다.
[수학식3]
Figure PCTKR2022016530-appb-img-000003
[수학식4]
Figure PCTKR2022016530-appb-img-000004
[수학식4]에서 평균값 <Xj '>으로 해당 그룹(j)의 각 픽셀 데이터(di)를 나누어준 정규화값은 xi이다(i=I,2,..N). 이때 상기 각 그룹별(j) 정규화된 데이터들(Xj)은 [수학식5]과 같이 나타낼 수 있다. 여기서, δ(보정인자)는 0일 수도 있고, 필요에 따라 0과 최대 계조값 사이의 임의의 값으로 지정하여 상기 정규화 과정에서의 데이터 보정에 이용될 수 있다.
[수학식5]
Figure PCTKR2022016530-appb-img-000005
상기 각 그룹별(j) 정규화된 데이터들(Xj)은, 위와 같이, 평균값 <Xj '>으로 해당 그룹(j)의 각 픽셀 데이터(di)를 나누어준 정규화 과정을 통해, 각 그룹별(j) 픽셀 데이터의 평균은 1로 정규화된다.
다음에, 서포트 벡터 머신(SVM)의 픽셀 라벨링 추정 모델을 학습시키는 단계(S130)에서, 양자 이미징 장치는 상기 입력 벡터의 각 그룹별(j) 정규화된 데이터들(Xj)에 대해 서포트 벡터 머신(SVM)이 수행하는 픽셀 라벨링 추정 모델을 학습시킴으로써, 이미지 상의 노이즈가 제거될 수 있도록 각 픽셀(u,v)에 대한 픽셀 라벨링값 yp(u,v) (S140)을 추정하는 학습 과정을 반복 수행할 수 있다.
상기 서포트 벡터 머신(SVM)의 상기 픽셀 라벨링 추정 모델은, 다수의 각 그룹별(j) 정규화된 데이터들(Xj)에 대한 통계적 분포, 즉, 통계적 푸아송 분포와 보스-아인슈타인 분포를 분석하여 상기 노이즈가 제거될 수 있도록 각 픽셀(행u, 열v)에 대한 픽셀 라벨링값 yp(u,v)을 추정할 수 있다.
위에서도 기술한 바와 같이, 본 발명의 서포트 벡터 머신(SVM)의 상기 픽셀 라벨링 추정 모델은, 상기 입력 벡터의 각 그룹별(j) 정규화된 데이터들(Xj)의 통계적 보스-아인슈타인 분포에서의 모드수(m)를 산출하여 모드수(m)가 광자와 노이즈의 구분을 위한 통계적 차이를 보이는 점을 이용하여, 노이즈를 제거하도록 픽셀 라벨링값을 추정하는 학습을 수행할 수 있다. 예컨대, 보스-아인슈타인 분포에서의 노이즈에 해당되는 데이터들은 제거하고 픽셀 데이터들이 제1 라벨링값, 즉, 차단(blocked) 라벨링값(-1) 또는 제2 라벨링값, 즉, 반사(relected) 라벨링값(1) 중 어느 쪽에 가까운 값들로 분포하는 지 여부를 분석하여, 그에 따라 소정의 모델 파라미터들을 이용해, 제1 라벨링값(-1)과 제2 라벨링값(2) 사이의 픽셀 라벨링값을 추정할 수 있다. 상기 소정의 모델 파라미터들은 학습 과정의 반복에 따라 업데이트되고 픽셀 라벨링값의 추정은 정확도를 높여갈 수 있다. 이와 같이 추정되는 픽셀 라벨링값들은 후속의 이미지 프로세싱에서 클러스터링 등의 이미지 처리 알고리즘을 거쳐 이미지의 계조값 산출 등의 기초가 될 수 있다.
또한, 좀 더 구체적으로 설명하면, 본 발명의 서포트 벡터 머신(SVM)의 상기 픽셀 라벨링 추정 모델은, 상기와 같은 분석을 통하여, 얽힘 광자쌍(EPP), 해럴드 광자쌍(HPP) 등 단일 광자들의 강한 상한 상관 관계에 있는 코히어런트 광자쌍의 단일 광자들의 동시 측정, 즉, 광자쌍 동시측정(coincidence)에 의한 픽셀 데이터들에 대한 통계적 푸아송 분포와 노이즈의 보스-아인슈타인 분포 간의 젠센-샤논 거리(JSD)(도 1 참조)를 기초로 노이즈를 제거하도록, 픽셀 데이터들의 정답 라벨링값으로서의 상기 픽셀 데이터가 있는 부분에 대한 제1 라벨링값(-1) 및 상기 픽셀 데이터가 없는 부분에 대한 제2 라벨링값(1)을 참조하여 상기 제1 라벨링값(-1) 및 상기 제2 라벨링값(1) 사이의 상기 픽셀 라벨링값을 추정하는 학습을 수행할 수 있다.
나아가, 본 발명의 서포트 벡터 머신(SVM)의 상기 픽셀 라벨링 추정 모델은, 상기와 같은 분석을 통하여, 얽힘 광자쌍(EPP), 해럴드 광자쌍(HPP) 등 단일 광자들의 강한 상한 상관 관계에 있는 코히어런트 광자쌍의 단일 광자 측정(signal 광자 또는 idler 광자)에 의한 픽셀 데이터들에 대한 통계적 보스-아인슈타인 분포에서의 모드수(m)를 산출하여 젠센-샤논 거리(JSD)(도 1 참조)를 기초로 노이즈를 제거하도록, 픽셀 데이터들의 정답 라벨링값으로서의 상기 픽셀 데이터가 있는 부분에 대한 제1 라벨링값(-1) 및 상기 픽셀 데이터가 없는 부분에 대한 제2 라벨링값(1)을 참조하여 상기 제1 라벨링값(-1) 및 상기 제2 라벨링값(1) 사이의 상기 픽셀 라벨링값을 추정하는 학습을 수행할 수 있다.
이와 같은 서포트 벡터 머신(SVM)의 상기 픽셀 라벨링 추정 모델의 확습 과정이 충분히 이루어진 후에, 상기 학습된 픽셀 라벨링 추정 모델을 이용하여 픽셀 라벨링값 추정이 요구되는 대상 양자 이미지 데이터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정할 수 있다(S210, S220, S130).
먼저, 양자 이미징 처리 대상의 대상 양자 이미지 데이터를 입력 받는 단계(S210)에서, 상기 서포트 벡터 머신(SVM)을 운영하는 양자 이미징 장치는, S110과 유사한 방법으로, 대상 양자 이미지 데이터로서 소정의 이미지 OT(u,v) (도 3의 객체 ħ에 대한 이미지 참조)에 대해 하나의 픽셀에 대응된 복수의 픽셀 데이터 (예컨대, 각 픽셀 (u,v)에 대해 1,2,..N(u,v), N(u,v)=1000)를 입력받을 수 있다. 상기 대상 양자 이미지 데이터에 대한 각 픽셀의 라벨링값이 1인지 -1인지는 상기 픽셀 라벨링 추정 모델로 추정하게 된다. 여기서, 상기 입력 받는 N(u,v)개의 데이터는, 예시적으로 1000인 것을 예시하였고, 이는 필요에 따라 임의의 수일 수 있다.
여기서, 대상 양자 이미지 데이터로서 소정의 이미지 OT(u,v) (도 3의 객체 ħ에 대한 이미지 참조)를 예로 들어 설명하지만, 대상 양자 이미지 데이터는 양자 현미경, 양자 센싱, 양자 레이더 등의 분야에서의 피사체, 또는 일상 생활 상의 피사체나 실험실에서의 피사체, 의료 분야에서의 장기 등의 피사체 등 목적에 따른 해당 피사체에 대한 다양한 이미지일 수 있다. 또한, 위에서도 기술한 바와 같이, 상기 코히어런트 광자쌍을 발생하는 광원(예, 레이저)의 빛을 비선형 결정(예, BBO, PPLN, PPKTP 등)에 조사하여 제1광자(signal 광자)와 제2광자(idler 광자)로 이루어진 광자쌍을 발생시킬 수 있다. 이때, 상기와 같은 미러에 밀착 또는 부착된 투명 필름(50)에 대해 이러한 광자쌍의 동시측정(coincidence) (두 광자가 동시에 이미지 캡쳐 장치에서 캡쳐되는 것을 측정)에 의해 획득되는 해당 대상 양자 이미지 데이터의 픽셀 데이터값들 dp,i(u,v) (예, 25ms 노출 시의 캡쳐 데이터)가 획득될 수 있거나, 상기와 같은 미러에 밀착 또는 부착된 투명 필름(50)에 대해 제1광자(signal 광자) 또는 제2광자(idler 광자)의 단일 광자 측정 (두 광자 중 하나만 이미지 캡쳐 장치에서 캡쳐되는 것을 측정)에 의해 획득되는 해당 대상 양자 이미지 데이터의 픽셀 데이터값들 dp,i(u,v) (예, 25ms 노출 시의 캡쳐 데이터)가 획득될 수도 있다.
다음에, 대상 양자 이미지 데이터에 대한 입력 벡터를 생성하는 단계(S220)에서, 서포트 벡터 머신(SVM)을 운영하는 양자 이미징 장치에서 위와 같은 대상 양자 이미지 데이터의 픽셀 데이터값들 dp,i(u,v)에 대하여, 전처리 과정을 수행하여 서포트 벡터 머신의 픽셀 라벨링 추정 모델에 입력하기 위한 입력 벡터 Xp를 생성할 수 있다. 여기서는, S120 단계와 같이, 상기 픽셀 데이터들을 소정의 개수씩(예, k=8개씩) 그룹화하고 각 그룹(l개, j=1,2,..l)마다 그룹화된 데이터들(Xj ')의 평균값 <Xj '>으로 해당 그룹(j)의 각 픽셀 데이터(di)를 나누어주는 정규화를 통해 재구성하여, 각 그룹별(j) 정규화된 데이터들(Xj)을 포함하는 입력 벡터 Xp를 생성할 수 있다(상기 수학식 3,4,5 참조).
다음에, 서포트 벡터 머신(SVM)을 운영하는 양자 이미징 장치는, 상기 전처리 과정(S220)에 의해 생성된 입력 벡터 Xp에 대해, 상기 학습된 서포트 벡터 머신(SVM)의 픽셀 라벨링 추정 모델(S130)을 이용하여 대상 양자 이미지 데이터의 각 해당 픽셀에 대한 픽셀 라벨링값 yp(u,v)를 추정할 수 있다(S140).
여기서도, 상기 서포트 벡터 머신(SVM)의 상기 픽셀 라벨링 추정 모델은, 다수의 각 그룹별(j) 정규화된 데이터들(Xj)에 대한 통계적 분포, 즉, 통계적 푸아송 분포와 보스-아인슈타인 분포를 분석하여 상기 노이즈가 제거될 수 있도록 각 픽셀 (u,v)에 대한 픽셀 라벨링값 yp(u,v)을 추정할 수 있다.
위에서도 기술한 바와 같이, 본 발명의 서포트 벡터 머신(SVM)의 상기 픽셀 라벨링 추정 모델은, 상기 입력 벡터의 각 그룹별(j) 정규화된 데이터들(Xj)의 통계적 보스-아인슈타인 분포에서의 모드수(m)를 산출하여 모드수(m)가 광자와 노이즈의 구분을 위한 통계적 차이를 보이는 점을 이용하여, 노이즈를 제거하도록 픽셀 라벨링값을 추정할 수 있다. 상기 픽셀 라벨링 추정 모델은, 학습된 소정의 모델 파라미터들을 이용해 정확도 높은 픽셀 라벨링값을 추정할 수 있다.
또한, 본 발명의 서포트 벡터 머신(SVM)의 상기 픽셀 라벨링 추정 모델은, 상기와 같은 분석을 통하여, 얽힘 광자쌍(EPP), 해럴드 광자쌍(HPP) 등 단일 광자들의 강한 상한 상관 관계에 있는 코히어런트 광자쌍의 단일 광자들의 동시 측정, 즉, 광자쌍 동시측정(coincidence)에 의한 픽셀 데이터들에 대한 통계적 푸아송 분포와 노이즈의 보스-아인슈타인 분포 간의 젠센-샤논 거리(JSD)(도 1 참조)를 기초로 노이즈를 제거하도록, 상기 픽셀 데이터가 있는 부분에 대한 제1 라벨링값(-1) 및 상기 픽셀 데이터가 없는 부분에 대한 제2 라벨링값(1) 사이의 픽셀 라벨링값을 추정할 수 있다.
나아가, 본 발명의 서포트 벡터 머신(SVM)의 상기 픽셀 라벨링 추정 모델은, 상기와 같은 분석을 통하여, 얽힘 광자쌍(EPP), 해럴드 광자쌍(HPP) 등 단일 광자들의 강한 상한 상관 관계에 있는 코히어런트 광자쌍의 단일 광자 측정(signal 광자 또는 idler 광자)에 의한 픽셀 데이터들에 대한 통계적 보스-아인슈타인 분포에서의 모드수(m)를 산출하여 젠센-샤논 거리(JSD)(도 1 참조)를 기초로 노이즈를 제거하도록, 상기 픽셀 데이터가 있는 부분에 대한 제1 라벨링값(-1) 및 상기 픽셀 데이터가 없는 부분에 대한 제2 라벨링값(1) 사이의 픽셀 라벨링값을 추정할 수 있다.
도 3은 정답(ground truth) 픽셀 데이터들을 갖는 양자 이미지에 대한 광자쌍 동시측정(coincidence)과 단일 광자 측정에 대한 이미지 프로세싱의 예시이다.
도 3을 참조하면, 학습용 양자 이미지 데이터 또는 처리 대상 양자 이미지 데이터는, 예컨대, 이미지가 인쇄된 투명 필름(50) (ground truth 이미지 데이터 OT(u,v)에 해당)을 소정의 미러에 밀착 또는 부착시키고, 상기 광자쌍을 발생하는 광원의 빛을 상기 투명 필름(50)과 미러를 향해 조사하고, 반사된 빛으로부터 획득된 이미지의 계조값일 수 있다(예, 8 비트 디지털 데이터).
도 3에서, 이미지 프로세싱 후의 결과를 비교하기 위하여, 코히어런트 광자쌍의 단일 광자 측정(signal 광자 또는 idler 광자)에 의한 픽셀 데이터들을 종래의 양자 해럴드 이미징 등의 처리 기법에 따라 처리한 결과의 이미지 데이터 (a) OD(u,v), 상기 OD(u,v) 이미지 데이터를 본 발명의 광자 통계기반의 픽셀 라벨링 추정 모델을 이용하는 서포트 벡터 머신(PSSVM)을 이용해 처리한 결과의 이미지 데이터 (b) OS(u,v), 코히어런트 광자쌍의 동시 측정, 즉, 광자쌍 동시측정(coincidence)에 의한 픽셀 데이터들을 종래의 양자 해럴드 이미징 등의 처리 기법에 따라 처리한 결과의 이미지 데이터 (c) OG(u,v), 상기 OG(u,v) 이미지 데이터를 본 발명의 광자 통계기반의 픽셀 라벨링 추정 모델을 이용하는 서포트 벡터 머신(PSSVM)을 이용해 처리한 결과의 이미지 데이터 (d) OC(u,v)를 보여준다.
도 4a 및 도 4b는 입력 벡터의 크기(k)에 따른 종래 기술과 본 발명의 PSNR 및 SSIM의 비교 그래프이다.
도 4a와 같이, 종래의 양마 이미징 처리 방법에 따른 이미지 데이터 OD(u,v) 보다는 본 발명의 PSSVM 처리 결과에 따른 이미지 데이터 OS(u,v)가 훨씬 더 높은 PSNR을 보이며, 도 4b와 같이, 종래의 양마 이미징 처리 방법에 따른 이미지 데이터 OG(u,v) 보다는 본 발명의 PSSVM 처리 결과에 따른 이미지 데이터 OC(u,v)가 훨씬 더 높은 PSNR을 보였다.
이와 같이 본 발명에서는 양자 이미징의 품질을 향상시킬 수 있는 광자 통계기반의 서포트 벡터 머신(PSSVM)을 통해 열광원이 존재하는 다양한 환경에 대해서 적용가능한 일반화된 이미지 프로세싱을 가능하게 한다. 예를 들어, 이를 통해 단일광자 이미지 OS(u,v)의 경우 3.37dB PSNR 증가와 13.04%의 SSIM 이득을 보였다. 본 발명의 PSSVM을 적용할 경우 비싼 측정 셋업인 Heralded imaging이나 Ghost imaging 처리 방법이 없이도 보다 좋은 이미지 품질을 획득할 수 있었다.
도 5는 본 발명의 양자 이미징 장치(500)에 대한 노이즈 발생기(600)의 위치별 모드수(m)의 측정값이다.
도 5와 같이, 본 발명의 양자 이미징 장치(500)의 주위에 노이즈 발생기(600)로서의 열광원이 존재하는 경우에, 본 발명의 양자 이미징 장치(500)에서의 광자 통계기반의 서포트 벡터 머신(PSSVM)을 이용한 양자 이미징 처리를 수행할 때의 노이즈 발생기(600)의 위치별 모드수(m)의 예를 보여준다.
도 5의 모드수(m) 값들에서, ID221 black는 상기와 같은 투명 필름(50)에 대해 광원에 의한 단일 광자 측정을 위한 광자의 발생없이 노이즈 발생기(600)에서의 노이즈만 있는 경우를 나타내고, ID221 white는 상기와 같은 투명 필름(50)에 대해 광원에 의한 단일 광자 측정을 위한 광자의 발생이 있고 노이즈 발생기(600)에서의 노이즈도 있는 경우를 나타낸다. 또한, coinc black는 상기와 같은 투명 필름(50)에 대해 광원에 의한 광자쌍 동시측정(coincidence)을 위한 광자쌍의 발생없이 노이즈 발생기(600)에서의 노이즈만 있는 경우를 나타내고, coinc white는 상기와 같은 투명 필름(50)에 대해 광원에 의한 광자쌍 동시측정(coincidence)을 위한 광자쌍의 발생이 있고 노이즈 발생기(600)에서의 노이즈도 있는 경우를 나타낸다.
도 6a 및 도 6b는 도 5의 노이즈 발생기(600)가 존재하는 환경에서의 젠센-샤논 거리(JSD)에 따른 픽셀 라벨링값 추정 에러에 대한 예시 그래프이다. 도 6a는 픽셀 데이터가 있는 부분(Reflected)에 대한 제1 라벨링값(-1)에 대한 젠센-샤논 거리(JSD)에 따른 픽셀 라벨링값 추정 에러이고, 도 6b는 픽셀 데이터가 없는 부분(Blocked)에 대한 제2 라벨링값(1)에 대한 젠센-샤논 거리(JSD)에 따른 픽셀 라벨링값 추정 에러를 나타낸다.
도 6a 및 도 6b와 같이, 도 5와 같이 열광원 노이즈와 같은 노이즈 발생기(600)가 존재하는 다양한 환경에서도 본 발명의 양자 이미징 장치(500)에서의 광자 통계기반의 서포트 벡터 머신(PSSVM)을 이용한 양자 이미징 처리의 수행에 따라, 픽셀 라벨링값 추정 에러가 단일 광자 측정 방법(도 6a 및 도 6b의 signal)과 광자쌍 동시측정 방법(도 6a 및 도 6b의 coinc) 0에 가깝게 나올 수 있음을 확인하였다.
도 7은 본 발명의 일 실시예에 따른 양자 이미징 방법을 처리하는 양자 이미징 장치의 구현 방법의 일례를 설명하기 위한 도면이다.
도 7을 참조하면, 본 발명의 일 실시예에 따른 양자 이미징 방법을 처리하는 양자 이미징 장치는, 하드웨어, 소프트웨어, 또는 이들의 결합으로 이루어질 수 있다. 예를 들어, 본 발명의 양자 이미징 장치는 위와 같은 기능/단계/과정들을 수행하기 위한 적어도 하나의 프로세서를 갖는 도 7과 같은 컴퓨팅 시스템(1000) 또는 인터넷 상의 서버 형태로 구현될 수 있다.
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)(1310) 및 RAM(Random Access Memory)(1320)을 포함할 수 있다.
또한, 네트워크 인터페이스(1700)는 스마트폰, 노트북 PC, 데스크탑 PC 등 사용자 단말에서의 유선 인터넷 통신이나 WiFi, WiBro 등 무선 인터넷 통신, WCDMA, LTE 등 이동통신을 지원하는 모뎀 등의 통신 모듈이나, 근거리 무선 통신 방식(예, 블루투스, 지그비, 와이파이 등)의 통신을 지원하는 모뎀 등의 통신모듈을 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 같이 컴퓨터 등 장치로 판독 가능한 저장/기록 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 정보(코드)를 판독할 수 있고 저장 매체에 정보(코드)를 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.
상술한 바와 같이, 본 발명에 따른 서포트 벡터 머신(PSSVM)을 이용한 양자 이미징 방법에 따르면, 얽힘 광자쌍(entangled photon pair, EPP), 해럴드 광자쌍(Heralded photon pair, HPP) 등 코히어런트(coherent) 광자쌍 광원을 이용한 양자 이미징에서 광자 통계기반의 모델을 이용하여 노이즈가 제거된 픽셀 라벨링 추정값을 산출함으로써 광자 측정의 통계를 분석하는 데에는 소요되는 계산량을 줄이고 노이즈를 줄일 수 있다. 즉, 다중모드 보스-아인슈타인 분포들의 모드수를 분류(classifying) 및 회귀(regression)하는 알고리즘을 이용하는 서포트 벡터 머신(SVM)에 광자측정통계 자체를 학습시켜서, EPP나 HPP와 같은 양자신호를 열광원의 노이즈로부터 분류하여 SNR(Signal to Noise Ratio)을 높일 수 있도록 하였으며, 서포트 벡터 머신(SVM)에서 학습된 모델을 양자 현미경, 양자 센싱, 양자 레이더 등 양자 이미징 분야에 적용하여, 계산이 복잡한 양자 해럴드 이미징 및 양자 고스트 이미징과 같은 양자 이미징 기법들 없이도 이미지 품질을 개선할 수 있도록 하였다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (12)

  1. 양자 이미지 프레세싱을 수행하기 위한 양자 이미징 장치의 프로세서에서 수행되는 양자 이미징 방법에 있어서,
    학습용 양자 이미지 데이터의 복수의 픽셀 데이터에 대하여, 소정의 개수씩 그룹화하고 각 그룹마다 그룹화된 데이터들의 평균값으로 해당 그룹의 각 픽셀 데이터를 나누어주는 정규화를 통해 재구성하여, 각 그룹별 정규화된 데이터들과 라벨링값을 포함하는 입력 벡터를 생성하는 단계;
    상기 입력 벡터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하기 위한 서포트 벡터 머신의 픽셀 라벨링 추정 모델을 학습시키는 단계; 및
    상기 픽셀 라벨링 추정 모델을 이용하여 대상 양자 이미지 데이터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하는 단계
    를 포함하는 양자 이미징 방법.
  2. 제1항에 있어서,
    상기 대상 양자 이미지 데이터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하는 단계에서,
    하나의 픽셀에 대응된 복수의 픽셀 데이터에 대하여, 소정의 개수씩 그룹화하고 각 그룹마다 그룹화된 데이터들의 평균값으로 해당 그룹의 각 픽셀 데이터를 나누어주는 정규화를 통해 재구성하여, 각 그룹별 정규화된 데이터들을 포함하는 입력 벡터를 상기 픽셀 라벨링 추정 모델에 입력하여 해당 픽셀에 대한 픽셀 라벨링값을 추정하는 양자 이미징 방법.
  3. 제1항에 있어서,
    상기 학습용 양자 이미지 데이터의 상기 픽셀 데이터는 코히어런트 광자쌍을 발생하는 광원의 빛을 이용하되 광자쌍 동시 측정 방법을 이용하거나 단일 광자 측정 방법을 이용하여, 상기 광원에 의해 조사되고 피사체로부터 반사된 빛으로부터 획득된 계조값들로서,
    제1 라벨링값에 대응된 계조값 및 제2 라벨링값에 대응된 계조값을 포함하는 양자 이미징 방법.
  4. 제1항에 있어서,
    상기 입력 벡터에 대하여 상기 서포트 벡터 머신의 상기 픽셀 라벨링 추정 모델은,
    상기 정규화에 따라 상기 정규화된 데이터들의 통계적 보스-아인슈타인 분포에서의 모드수(m)를 산출하여 모드수(m)가 광자와 노이즈의 구분을 위한 통계적 차이를 보이는 점을 이용하여, 노이즈를 제거하도록 픽셀 라벨링값을 추정하는 학습을 수행하는 양자 이미징 방법.
  5. 제1항에 있어서,
    상기 입력 벡터에 대하여 상기 서포트 벡터 머신의 상기 픽셀 라벨링 추정 모델은,
    광자쌍 동시측정(coincidence)에 의한 픽셀 데이터들에 대한 통계적 푸아송 분포와 노이즈의 보스-아인슈타인 분포 간의 젠센-샤논 거리(JSD)를 기초로 노이즈를 제거하도록, 픽셀 데이터들의 정답 라벨링값으로서의 상기 픽셀 데이터가 있는 부분에 대한 제1 라벨링값 및 상기 픽셀 데이터가 없는 부분에 대한 제2 라벨링값을 참조하여 상기 제1 라벨링값 및 상기 제2 라벨링값 사이의 상기 픽셀 라벨링값을 추정하는 학습을 수행하는 양자 이미징 방법.
  6. 제1항에 있어서,
    상기 입력 벡터에 대하여 상기 서포트 벡터 머신의 상기 픽셀 라벨링 추정 모델은,
    단일 광자 측정에 의한 픽셀 데이터들에 대한 통계적 보스-아인슈타인 분포에서의 모드수(m)를 산출하여 젠센-샤논 거리(JSD)를 기초로 노이즈를 제거하도록, 픽셀 데이터들의 정답 라벨링값으로서의 상기 픽셀 데이터가 있는 부분에 대한 제1 라벨링값 및 상기 픽셀 데이터가 없는 부분에 대한 제2 라벨링값을 참조하여 상기 제1 라벨링값 및 상기 제2 라벨링값 사이의 상기 픽셀 라벨링값을 추정하는 학습을 수행하는 양자 이미징 방법.
  7. 양자 이미지 프레세싱을 수행하기 위한 양자 이미징 장치에서 수행되는 양자 이미징 기능을 수행하기 위한, 컴퓨터가 판독 가능한 코드를 기록한 기록 매체에 있어서,
    학습용 양자 이미지 데이터의 복수의 픽셀 데이터에 대하여, 소정의 개수씩 그룹화하고 각 그룹마다 그룹화된 데이터들의 평균값으로 해당 그룹의 각 픽셀 데이터를 나누어주는 정규화를 통해 재구성하여, 각 그룹별 정규화된 데이터들과 라벨링값을 포함하는 입력 벡터를 생성하는 기능;
    상기 입력 벡터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하기 위한 서포트 벡터 머신의 픽셀 라벨링 추정 모델을 학습시키는 기능; 및
    상기 픽셀 라벨링 추정 모델을 이용하여 대상 양자 이미지 데이터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하는 기능
    을 수행하는 기록 매체.
  8. 제7항에 있어서,
    상기 대상 양자 이미지 데이터에 대하여 각 픽셀에 대한 픽셀 라벨링값을 추정하는 기능에서,
    하나의 픽셀에 대응된 복수의 픽셀 데이터에 대하여, 소정의 개수씩 그룹화하고 각 그룹마다 그룹화된 데이터들의 평균값으로 해당 그룹의 각 픽셀 데이터를 나누어주는 정규화를 통해 재구성하여, 각 그룹별 정규화된 데이터들을 포함하는 입력 벡터를 상기 픽셀 라벨링 추정 모델에 입력하여 해당 픽셀에 대한 픽셀 라벨링값을 추정하는 기록 매체.
  9. 제7항에 있어서,
    상기 학습용 양자 이미지 데이터의 상기 픽셀 데이터는 코히어런트 광자쌍을 발생하는 광원의 빛을 이용하되 광자쌍 동시 측정 방법을 이용하거나 단일 광자 측정 방법을 이용하여, 상기 광원에 의해 조사되고 피사체로부터 반사된 빛으로부터 획득된 계조값들로서,
    제1 라벨링값에 대응된 계조값 및 제2 라벨링값에 대응된 계조값을 포함하는 기록 매체.
  10. 제7항에 있어서,
    상기 입력 벡터에 대하여 상기 서포트 벡터 머신의 상기 픽셀 라벨링 추정 모델은,
    상기 정규화에 따라 상기 정규화된 데이터들의 통계적 보스-아인슈타인 분포에서의 모드수(m)를 산출하여 모드수(m)가 광자와 노이즈의 구분을 위한 통계적 차이를 보이는 점을 이용하여, 노이즈를 제거하도록 픽셀 라벨링값을 추정하는 학습을 수행하는 기록 매체.
  11. 제7항에 있어서,
    상기 입력 벡터에 대하여 상기 서포트 벡터 머신의 상기 픽셀 라벨링 추정 모델은,
    광자쌍 동시측정(coincidence)에 의한 픽셀 데이터들에 대한 통계적 푸아송 분포와 노이즈의 보스-아인슈타인 분포 간의 젠센-샤논 거리(JSD)를 기초로 노이즈를 제거하도록, 픽셀 데이터들의 정답 라벨링값으로서의 상기 픽셀 데이터가 있는 부분에 대한 제1 라벨링값 및 상기 픽셀 데이터가 없는 부분에 대한 제2 라벨링값을 참조하여 상기 제1 라벨링값 및 상기 제2 라벨링값 사이의 상기 픽셀 라벨링값을 추정하는 학습을 수행하는 기록 매체.
  12. 제7항에 있어서,
    상기 입력 벡터에 대하여 상기 서포트 벡터 머신의 상기 픽셀 라벨링 추정 모델은,
    단일 광자 측정에 의한 픽셀 데이터들에 대한 통계적 보스-아인슈타인 분포에서의 모드수(m)를 산출하여 젠센-샤논 거리(JSD)를 기초로 노이즈를 제거하도록, 픽셀 데이터들의 정답 라벨링값으로서의 상기 픽셀 데이터가 있는 부분에 대한 제1 라벨링값 및 상기 픽셀 데이터가 없는 부분에 대한 제2 라벨링값을 참조하여 상기 제1 라벨링값 및 상기 제2 라벨링값 사이의 상기 픽셀 라벨링값을 추정하는 학습을 수행하는 기록 매체.
PCT/KR2022/016530 2021-10-28 2022-10-27 양자 이미징을 위한 광자 통계기반의 서포트 벡터 머신 WO2023075433A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2021-0146037 2021-10-28
KR20210146037 2021-10-28
KR10-2022-0138574 2022-10-25
KR1020220138574A KR20230061268A (ko) 2021-10-28 2022-10-25 양자 이미징을 위한 광자 통계기반의 서포트 벡터 머신

Publications (1)

Publication Number Publication Date
WO2023075433A1 true WO2023075433A1 (ko) 2023-05-04

Family

ID=86158232

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/016530 WO2023075433A1 (ko) 2021-10-28 2022-10-27 양자 이미징을 위한 광자 통계기반의 서포트 벡터 머신

Country Status (1)

Country Link
WO (1) WO2023075433A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120319008A1 (en) * 2004-08-05 2012-12-20 Life Technologies Corporation Signal Noise Reduction for Imaging in Biological Analysis
CN110852981A (zh) * 2019-11-19 2020-02-28 中智科仪（北京）科技有限公司 一种单光子成像图像处理方法
JP6854992B1 (ja) * 2019-06-28 2021-04-07 関西ペイント株式会社 光輝性顔料判定方法、光輝性顔料判定装置および光輝性顔料判定プログラム
KR102288727B1 (ko) * 2019-10-29 2021-08-10 동아대학교 산학협력단 딥러닝 기반의 아밀로이드 양성 반응을 나타내는 퇴행성 뇌질환 이미지 분류 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120319008A1 (en) * 2004-08-05 2012-12-20 Life Technologies Corporation Signal Noise Reduction for Imaging in Biological Analysis
JP6854992B1 (ja) * 2019-06-28 2021-04-07 関西ペイント株式会社 光輝性顔料判定方法、光輝性顔料判定装置および光輝性顔料判定プログラム
KR102288727B1 (ko) * 2019-10-29 2021-08-10 동아대학교 산학협력단 딥러닝 기반의 아밀로이드 양성 반응을 나타내는 퇴행성 뇌질환 이미지 분류 장치 및 방법
CN110852981A (zh) * 2019-11-19 2020-02-28 中智科仪（北京）科技有限公司 一种单光子成像图像处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S. GREVELING; K. L. PERRIER; D. VAN OOSTEN: "Density Distribution of a Bose-Einstein Condensate of Photons in a Dye-Filled Microcavity", ARXIV.ORG, 21 December 2017 (2017-12-21), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081303974, DOI: 10.1103/PhysRevA.98.013810 *

Similar Documents

Publication Publication Date Title
US20190011542A1 (en) Method and apparatus for measuring angular resolution of multi-beam lidar
CN102693528B (zh) 低光度图像中的噪声抑制
CN109344752B (zh) 用于处理嘴部图像的方法和装置
WO2014051246A1 (en) Method and apparatus for inferring facial composite
EP4004868A1 (en) Method and system for generating a tri-map for image matting
CN113787522B (zh) 消除机械臂累积误差的手眼标定方法
CN108509994B (zh) 人物图像聚类方法和装置
WO2021137454A1 (ko) 인공지능 기반의 사용자 의료정보 분석 방법 및 시스템
WO2019088335A1 (ko) 지능형 협업 서버, 시스템 및 이의 협업 기반 분석 방법
WO2022197044A1 (ko) 뉴럴 네트워크를 이용한 방광병변 진단 방법 및 그 시스템
WO2023075433A1 (ko) 양자 이미징을 위한 광자 통계기반의 서포트 벡터 머신
WO2021075742A1 (ko) 딥러닝 기반의 가치 평가 방법 및 그 장치
KR20230061268A (ko) 양자 이미징을 위한 광자 통계기반의 서포트 벡터 머신
WO2022177069A1 (ko) 라벨링 방법 및 이를 위한 컴퓨팅 장치
US6223585B1 (en) Method of accurately measuring control film density regions
WO2013162172A1 (en) Method for acquiring pet image with ultra high resolution using movement of pet device
CN112132000B (zh) 一种活体检测方法、装置、计算机可读介质及电子设备
WO2021071258A1 (ko) 인공지능 기반의 휴대용 보안영상 학습장치 및 방법
WO2020175729A1 (ko) 가우시안 특징점맵과 회귀 기법을 이용한 얼굴 특징점 검출 장치 및 방법
WO2022216109A1 (en) Method and electronic device for quantizing dnn model
WO2022220422A1 (ko) 셀-대-셀 비교 방법
WO2019208869A1 (ko) 학습을 이용한 얼굴 특징점 검출 방법 및 장치
WO2023282611A1 (ko) 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법
EP4346221A1 (en) Photographing method and apparatus, storage medium
CN110245668A (zh) 基于图像识别的终端信息获取方法、获取装置及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22887629

Country of ref document: EP

Kind code of ref document: A1