WO2024258148A1 - 이미지 질감 분석 방법 및 그 장치 - Google Patents

이미지 질감 분석 방법 및 그 장치 Download PDF

Info

Publication number
WO2024258148A1
WO2024258148A1 PCT/KR2024/007966 KR2024007966W WO2024258148A1 WO 2024258148 A1 WO2024258148 A1 WO 2024258148A1 KR 2024007966 W KR2024007966 W KR 2024007966W WO 2024258148 A1 WO2024258148 A1 WO 2024258148A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
texture
histogram
texture feature
interest
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2024/007966
Other languages
English (en)
French (fr)
Inventor
이창환
예인수
최호
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Posco Holdings Inc
Original Assignee
Posco Holdings Inc
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 Posco Holdings Inc filed Critical Posco Holdings Inc
Priority to CN202480039607.2A priority Critical patent/CN121359166A/zh
Publication of WO2024258148A1 publication Critical patent/WO2024258148A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods

Definitions

  • the present disclosure relates to a technique for analyzing texture of an image.
  • Image analysis refers to extracting meaningful information from images. It mainly extracts specific objects, characteristics, situations, etc. from images through digital image processing technology and analyzes the images based on this.
  • These embodiments aim to provide a technique for numerically expressing texture characteristics for quantifying objects within an image.
  • one embodiment of the present disclosure can provide an image texture analysis device including an image preprocessing unit that extracts a region of interest to be analyzed from an image and performs boundary enhancement on the region of interest to produce a preprocessed image.
  • one embodiment may provide an image texture analysis device including a texture feature extraction unit that calculates texture feature values of a preprocessed image using different algorithms and generates a histogram for the preprocessed image based on the texture feature values.
  • one embodiment may provide an image texture analysis device including a texture digitization unit that calculates a texture digit for an image by calculating an entropy of a histogram.
  • one embodiment may provide an image analysis processing method including an image preprocessing step of extracting a region of interest to be analyzed from an image and performing boundary enhancement on the region of interest to produce a preprocessed image.
  • one embodiment can provide an image analysis processing method including a texture feature extraction step of calculating texture feature values of a preprocessed image using different algorithms, and generating a histogram for the preprocessed image based on the texture feature values.
  • one embodiment may provide an image texture analysis method including a texture quantification step of calculating a texture value for an image by calculating an entropy of a histogram.
  • Figure 1 is a drawing for explaining the configuration of an image texture analysis device according to one embodiment.
  • FIG. 2 is a diagram for explaining a region of interest extraction operation according to one embodiment.
  • FIG. 3 is a drawing for explaining a boundary reinforcement operation according to one embodiment.
  • Figures 4a to 4c are diagrams illustrating exemplary results of each image preprocessing operation.
  • FIG. 5 is a diagram for explaining a texture feature extraction operation according to one embodiment.
  • FIG. 6a is a diagram illustrating an example of a local binary pattern map of an image according to one embodiment.
  • FIG. 6b is a diagram illustrating an example of a fractal dimension map of an image according to one embodiment.
  • Figure 7 is a drawing for explaining the numerical results for each image according to one embodiment.
  • FIG. 8 is a drawing for explaining an image texture analysis method according to one embodiment.
  • first, second, A, B, (a), (b), etc. may be used. These terms are only intended to distinguish the components from other components, and the nature, order, sequence, or number of the components are not limited by the terms.
  • temporal chronological relationship or the chronological flow relationship when the temporal chronological relationship or the chronological flow relationship is described as “after”, “following”, “next to”, or “before”, it can also include cases where it is not continuous, as long as “immediately” or “directly” is not used.
  • the numerical value or its corresponding information may be interpreted as including an error range that may occur due to various factors (e.g., process factors, internal or external impact, noise, etc.).
  • the present disclosure seeks to provide an image analysis technique that enables objective comparative analysis by converting the characteristics of an image into numerical values and providing them.
  • the present disclosure seeks to propose a method for resolving the difficulty of objectification due to differences between users and analysis equipment by providing the texture characteristics of an image in numerical form.
  • the present disclosure is described based on images, it can be equally applied to image texture analysis through video shooting.
  • the texture of the image can be quantified by applying the present technology described below by converting a specific frame from a captured image into an image.
  • the following description focuses on images of fine particles as examples, but is not limited thereto. In other words, the technology according to the present disclosure can be applied even when shooting various objects.
  • Figure 1 is a drawing for explaining the configuration of an image texture analysis device according to one embodiment.
  • the image texture analysis device (100) may include an image preprocessing unit (110) that extracts a region of interest to be analyzed from an image and performs boundary enhancement on the region of interest to produce a preprocessing image.
  • an image preprocessing unit (110) that extracts a region of interest to be analyzed from an image and performs boundary enhancement on the region of interest to produce a preprocessing image.
  • Image analysis may require preprocessing of the received images. Preprocessing may involve a variety of operations.
  • the image preprocessing unit (110) can perform an operation to extract a region of interest to be analyzed.
  • the region of interest means a region where only the object to be analyzed is set among the objects and background included in the image.
  • the image preprocessing unit (110) can binarize the image based on the calculated segmentation boundary value to produce a binary image, and extract the region of interest by correcting the binary image through a morphological operation.
  • An image may contain a background and one or more objects (e.g., particle(s)).
  • objects e.g., particle(s)
  • the image preprocessing unit (110) produces a binary image and finely corrects it to extract the region of interest.
  • the image preprocessing unit (110) can calculate a segmentation boundary value to distinguish an area of interest (e.g., an object) from an area of no interest (e.g., a background).
  • An algorithm for extracting various boundary values can be applied to calculate the segmentation boundary value.
  • an Otsu algorithm can be used, which randomly sets a boundary value to divide pixels into two groups, repeatedly obtains the intensity distribution of the two groups, and then calculates the boundary value that makes the intensity distribution of the two groups most uniform as the segmentation boundary value.
  • various algorithms used to derive a boundary line from an image can be applied.
  • the image preprocessing unit (110) can binarize the image based on the calculated segmentation boundary value to produce a binary image.
  • the image preprocessing unit (110) can extract a region of interest by correcting a binary image through a morphological operation.
  • a morphological operation can be applied to extract a region of interest in more detail from a binary image derived based on a segmentation boundary value.
  • the applied morphological operation can sequentially include a closing operation and an opening operation. For example, an erosion operation can be performed after a dilation operation through a closing operation to fill in empty spaces in the image, and noise can be removed in an image in which empty spaces are filled by performing a dilation operation after an erosion operation through an opening operation. Through this, a more detailed region of interest can be derived.
  • the deviation according to the settings of the equipment that captures the image must be considered.
  • the signal intensity in the image may not appear as the same signal even for the same material depending on the settings of the equipment. Therefore, when providing the texture of the image in numerical form, it is necessary to adjust the image before the image analysis so that the numerical values can be compared.
  • the image preprocessing unit (110) may divide an image within a region of interest into blocks of a certain size and perform histogram equalization for each block to convert it into a grayscale image.
  • the image preprocessing unit (110) may equalize the image using a Contrast Limited Adaptive Histogram Equalization (CLAHE) algorithm.
  • CLAHE Contrast Limited Adaptive Histogram Equalization
  • An image converted to gray scale can undergo a boundary enhancement operation by the image preprocessing unit (110).
  • boundary enhancement the performance of texture analysis for the image within the region of interest can be improved.
  • the image preprocessing unit (110) can perform edge enhancement by applying the Canny Edge algorithm to the image within the region of interest, and can normalize the edge-enhanced image to a certain range of signal intensities to produce a preprocessed image.
  • the image preprocessing unit (110) can remove noise from the image by applying a Gaussian filter.
  • the image preprocessing unit (110) filters the noise-removed image in the horizontal and vertical directions through a Sobel kernel. The size and direction of the gradient are produced through the two filtered images.
  • the image preprocessing unit (110) performs a non-maximum suppression operation that selects only pixels whose gradient size is a local maximum as edge pixels in order to eliminate the phenomenon in which one edge is expressed by multiple pixels.
  • the image preprocessing unit (110) selects the final edge based on the threshold values of the minimum and maximum values through a hysteresis edge tracking operation.
  • the image preprocessing unit (110) can normalize an image with enhanced boundaries to preprocess the image so that the signal intensity appears within a certain range.
  • the image preprocessing unit (110) can extract a region of interest in detail from the acquired image, strengthen the boundary, and then normalize it to produce a preprocessing image for extracting image features.
  • the image texture analysis device (100) may include a texture feature extraction unit (120) that calculates texture feature values of preprocessed images using different algorithms and generates a histogram for the preprocessed image based on the texture feature values.
  • the texture feature extraction unit (120) calculates the texture feature values of the image using different algorithms, and generates a histogram for the preprocessed image using the calculated texture feature values.
  • Conventional texture feature extraction algorithms are sensitive to scale, making it difficult to objectively quantify them, or are sensitive to changes in gray scale, making it difficult to objectively quantify them.
  • the image texture analysis results are sensitive to specific factors (e.g., scale, etc.), making it impossible to objectify texture features through mutual comparison.
  • texture feature values are calculated using different algorithms, and a single histogram is created using all of the texture feature values calculated, thereby objectifying the texture characteristics of the image.
  • different algorithms can be a Local Binary Pattern algorithm and a Fractal Dimension algorithm.
  • the texture feature extraction unit (120) can calculate texture feature values for each image coordinate by applying a local binary pattern algorithm to the preprocessed image.
  • the texture feature extraction unit (120) can calculate signal intensity in the fractal dimension map for each image coordinate as a texture feature value by generating a fractal dimension map by applying a differential box coefficient method to the preprocessed image.
  • the texture feature extraction unit (120) can identify one or more coordinates having the same texture feature value calculated through a local binary pattern algorithm in a preprocessed image, and generate a histogram using the texture feature value calculated through a fractal dimension algorithm corresponding to one or more coordinates.
  • the texture feature extraction unit (120) can generate a histogram by adding up texture feature values calculated through a fractal dimension algorithm corresponding to one or more coordinates having the same texture feature value calculated through a local binary pattern algorithm and mapping the sum to the histogram bin contents on the same texture feature value calculated through the local binary pattern algorithm.
  • the image texture analysis device (100) may include a texture numerical unit (130) that calculates a texture numerical value for the image by calculating the entropy of the histogram.
  • the texture digitization unit (130) can calculate an entropy value based on a histogram generated using different algorithms and output the texture characteristics of the image as a digitization. For example, the texture digitization unit (130) can calculate the entropy for the image using the bin probability in the histogram. In addition, various known algorithms can be used as the algorithm for calculating the entropy from the histogram.
  • the image texture analysis device (100) can provide texture for an object of interest in an image in numerical form.
  • the image texture analysis device (100) processes the image so that it has robust characteristics to equipment settings, image scale, rotation, etc., and provides image texture in numerical form based on this. Accordingly, it becomes possible to compare textures between images according to the objectified image texture characteristics and to predict physical properties according to the image texture characteristics.
  • FIG. 2 is a diagram for explaining a region of interest extraction operation according to one embodiment.
  • an image texture analysis device when an image texture analysis device receives an analysis target image from an image generation device, the image texture analysis device can extract an area of interest to be analyzed from the image.
  • the image preprocessing unit can binarize the image based on the calculated segmentation boundary value to produce a binary image, and extract the region of interest by correcting the binary image through morphological operations.
  • the image preprocessing unit calculates the segmentation boundary value using the Otsu algorithm based on the received image (S200).
  • the received image may include a background, multiple objects, etc.
  • the image preprocessing unit must extract the region of interest to separate the object to be analyzed from the background. To do this, the image preprocessing unit calculates the segmentation boundary value that serves as the segmentation criterion.
  • Otsu's algorithm can be used to calculate the segmentation boundary value.
  • Otsu's algorithm is an algorithm that finds an appropriate threshold value when thresholding an image.
  • the image preprocessing unit arbitrarily sets the boundary value of the received image, divides the pixels into two groups, repeatedly calculates the intensity distribution of the two groups, and then selects the boundary value that makes the intensity distribution of the two groups most uniform.
  • the image preprocessing unit is a specific threshold T, it can calculate the segmentation boundary value by finding the optimal T with the smallest difference in the ratio of pixels classified into binary based on T.
  • the image preprocessing unit generates a binary image based on the calculated segmentation boundary value (S210). Once the segmentation boundary value is calculated, the image preprocessing unit converts the received image into a binary image based on the calculated segmentation boundary value and generates it.
  • the converted binary image can be distinguished by binarizing the object area and the background area within the image. However, in order to set a more clear and detailed region of interest, it is necessary to correct the region of interest in the binary image.
  • the image preprocessing unit extracts the region of interest by refining the binary image through morphological operations (S220).
  • the morphological operation technique refers to a technique for analyzing and processing the shape of an image. Through this, it is possible to clearly express unclear regions of interest that occur during the binarization process of the image, such as hole filling and noise removal.
  • the original image and the binary image are each , If so, the area of interest can be obtained as follows.
  • the OPENING, CLOSING, and DOT operations correspond to the morphological opening, morphological closing, and inner product, respectively, among the above morphological operations.
  • Morphological operations include erosion and dilation.
  • OPENING is an algorithm that uses dilation after erosion to remove protruding parts and correct narrow disconnections in binary images, thereby smoothing out edges.
  • CLOSING is an algorithm that uses erosion after dilation to fill in concave areas or small holes in binary images, thereby smoothing out edges and preserving the shape and size of objects.
  • the image preprocessing unit performs a closing operation to smoothly correct the boundary in the binary image, and performs an opening operation on the corrected image to remove noise from protruding parts and correct the discontinuity phenomenon so that the outline appears clearly.
  • the region of interest that becomes the target of image texture analysis in the received image can be more clearly derived.
  • fine particles reinforcement of the boundary line inside the particle is necessary for texture analysis.
  • fine particles can have various types of texture, and due to limitations in their size and image resolution, the boundary line of the shape of the object for texture analysis may appear ambiguous. Therefore, reinforcement of the boundary line of the object within the region of interest is necessary for high-accuracy texture analysis.
  • FIG. 3 is a drawing for explaining a boundary reinforcement operation according to one embodiment.
  • the image preprocessing unit performs an adaptive histogram equalization operation to smooth the region of interest image to a gray level (S300).
  • the image preprocessing unit performs histogram equalization on the region of interest so that the signal intensity for the same material has the same gray-level value.
  • the image preprocessing unit divides the image within the region of interest into blocks of a certain size, and converts it into a grayscale image by performing histogram equalization for each block.
  • the boundary between blocks can be made smooth by applying bilinear interpolation.
  • the image preprocessing unit processes the signal intensity for the same material to have the same gray level value by the histogram height limit (clip limit) of CLAHE (Contrast Limited Adaptive Histogram Equalization).
  • the image preprocessing unit performs a noise removal operation (S310).
  • the image preprocessing unit removes noise by applying a Gaussian filter. For example, if there is noise in the image, it may be difficult to properly find the edge. Therefore, noise in the image is removed using an N X N Gaussian filter before the edge enhancement processing.
  • N can be set to a natural number greater than or equal to 1.
  • the image preprocessing unit performs edge enhancement operation (S320).
  • the image preprocessing unit can perform edge enhancement by applying the Canny Edge algorithm to the image within the region of interest.
  • the image preprocessing unit applies the Sobel kernel to the image whose noise has been removed by the Gaussian filter in the horizontal and vertical directions to obtain the gradient in each direction.
  • the gradient at the (x, y) coordinate of the image can be obtained by the following mathematical expression 2.
  • the horizontal gradient is , the gradient in the vertical direction is am.
  • the entire image is scanned to remove pixels that do not contribute to the edge. While scanning the image, the pixel with the maximum value of the gradient in the scan area in the direction of the gradient is found. In this case, to eliminate the phenomenon in which one edge is expressed by multiple pixels, only pixels with a local maximum gradient size are selected as edge pixels.
  • the image preprocessing unit determines whether the selected edge is actually an edge or not. For this, a threshold of minimum and maximum values is needed. If the gradient strength is greater than the maximum value, it becomes an edge, and if it is less than the minimum value, it is discarded. The values between the minimum and maximum boundaries are selected as the final edges by checking the connectivity with other edges.
  • boundary enhancement operation is explained with a focus on the Canny Edge algorithm.
  • this is for the convenience of understanding, and this embodiment can be applied to various boundary enhancement algorithms.
  • the image preprocessing unit can normalize the edge-enhanced image to a certain range of signal intensities to produce the preprocessed image.
  • the image preprocessing unit can perform operations such as adding a boundary-enhanced image to the original image and normalizing it.
  • NORMALIZE means the process of normalizing the signal intensity to a range from 0 to 255.
  • the image preprocessing unit can strengthen and normalize the boundary of the region of interest image to obtain a gray scale image with a certain signal intensity range.
  • Figures 4a to 4c are diagrams illustrating exemplary results of each image preprocessing operation.
  • Fig. 4a illustrates an example of an original image acquired by an image texture analysis device from an image acquisition device.
  • the original image may include a background region and fine particles.
  • texture analysis is based on fine particles, a region of interest is set through an image preprocessing process.
  • Figure 4b shows a binary image of a region of interest in which the region of interest described above is set. As described above, the region of interest is refined through binary image processing and morphological operations.
  • Figure 4c is a preprocessed image with enhanced boundaries and normalized regions of interest ( ) is shown. As shown in Fig. 4c, after going through the preprocessing process according to the present embodiment, the background part that is not a fine particle is excluded from the region of interest, and a normalized gray-scale image with the boundary of the fine particle part that is the target of texture analysis is obtained.
  • the image texture analysis device extracts texture feature values based on the preprocessed image.
  • FIG. 5 is a diagram for explaining a texture feature extraction operation according to one embodiment.
  • the texture feature extraction unit receives a preprocessing image (S500).
  • the preprocessing image means a gray scale image in which the boundary line described above is enhanced and normalized.
  • the texture feature extraction unit can extract texture feature values using different algorithms (S510, S520).
  • the texture feature extraction unit can extract texture feature values through a Local Binary Pattern (LBP) algorithm (S510).
  • LBP Local Binary Pattern
  • the Local Binary Pattern compares the signal intensity sizes of the pixel located at the center and the neighboring N pixels within a specific area. According to the comparison result, the value of each pixel is binarized, and the values are listed and changed to decimal values to calculate the pixel values. When N is 8, the decimal values are calculated with 8 binary digits, and the values of each coordinate are calculated as values between 0 and 255.
  • Rotation-invariant LBP can be applied.
  • various LBP algorithms such as square LBP, Uniform LBP, circular LBP, and Uniform & Rotation-invariant LBP can be applied.
  • the texture feature extraction unit extracts the pixel location (x, y) and the signal size ( ) is given, N pixels ( at radius R centered at (x, y) ) and performs a process of calculating local binary pattern values using the sampled pixels as in mathematical expression 4.
  • the local binary pattern value is 0 to It can have values between .
  • the texture feature extraction unit calculates local binary pattern values for the preprocessed image as texture feature values according to the local binary pattern algorithm described above.
  • FIG. 6a is a diagram illustrating an example of a local binary pattern map of an image according to one embodiment.
  • a local binary pattern map can be obtained.
  • a histogram is generated using only local binary pattern values, there is a disadvantage in that it is sensitive to changes in scale. Therefore, in this embodiment, a fractal dimension algorithm that has the characteristic of being invariant to changes in scale is further used to generate a histogram.
  • the texture feature extraction unit can extract texture feature values through a fractal dimension algorithm (S520).
  • the texture feature extraction unit can perform a process of generating a Gaussian-scale space and a process of calculating a fractal dimension map by performing differential box counting (DBC).
  • DBC differential box counting
  • the texture feature extraction unit applies multiple Gaussian scale parameters to the preprocessed image to generate multiple Gaussian scale spaces.
  • the Gaussian scale parameter is a parameter that determines the degree of blurring (degree of Gaussian scale) for the image and has multiple values depending on the setting. Therefore, multiple Gaussian scale spaces are generated depending on the number of Gaussian scale parameters.
  • the texture feature extraction unit performs an operation of calculating the difference between the maximum and minimum values within the region in each Gaussian scale space and calculating the gradient within each Gaussian scale space.
  • multiple Gaussian scale spaces can be expressed as G(x,y,r).
  • the reason for calculating the Gaussian scale space is to check the change according to r at each (x,y) location.
  • the slope of the linear regression of the values for r at each (x,y) location is used as the value of F(x,y).
  • G(x,y,r) is a value in the Gaussian scale space
  • F(x,y) is the intensity (slope) of the fractal dimension
  • r is the degree of blurring, which is the degree of the Gaussian scale
  • b is a regression constant.
  • the texture feature extraction unit can calculate the intensity (G(x,y,r) with Gaussian scale (r) applied at each coordinate and the intensity (F(x,y)) in the fractal dimension map.
  • the signal intensity at the (x,y) coordinate in the fractal dimension map is calculated as F(x,y), and this is set as the texture feature value calculated through the fractal dimension algorithm.
  • FIG. 6b is a diagram illustrating an example of a fractal dimension map of an image according to one embodiment.
  • a fractal dimension map can be obtained by applying a fractal dimension algorithm to a preprocessed image.
  • a histogram is generated by additionally using local binary pattern texture feature values that have characteristics that are robust to gray scale changes.
  • the texture feature extraction unit can generate a histogram for the preprocessed image based on the texture feature values (S530).
  • the texture feature extraction unit identifies one or more coordinates having the same texture feature value calculated through the local binary pattern algorithm in the preprocessed image, and generates a histogram using the texture feature value calculated through the fractal dimension algorithm corresponding to one or more coordinates.
  • the texture feature extraction unit can generate a histogram by adding up texture feature values calculated through a fractal dimension algorithm corresponding to one or more coordinates and mapping them to histogram bin contents on the same texture feature values calculated through a local binary pattern algorithm.
  • the texture feature extraction unit can correct the histogram of the local binary pattern by applying the texture feature value calculated through the fractal dimension algorithm to the histogram through the local binary pattern.
  • mathematical expression 7 represents a histogram of the corrected local binary pattern. represents the intensity at the location (x,y) of the fractal dimension map. p represents the texture feature value representing the local binary pattern result.
  • the texture feature value p at each coordinate is from 0 to has one of the values.
  • the texture feature extraction unit changes the p value from 0 to
  • the histogram is created by finding and summing the texture feature values in the fractal dimension map while changing the dimension.
  • the texture feature extraction unit can generate a histogram with scale-invariant, gray-scale-invariant, and rotation-invariant features. This provides the effect of numerically objectifying the texture of the image and enabling relative comparison.
  • the image texture analysis device may further include a texture digitization unit for digitizing and expressing the texture.
  • the texture digitization unit calculates entropy for the image using bin probabilities in the histogram generated above and expresses it as a number.
  • the operation of calculating entropy from a histogram can use various algorithms.
  • a texture quantization unit can calculate entropy using a histogram generated using texture feature values produced by different algorithms.
  • Equation 8 For a continuous random variable X with probability density function f(x), the definition of entropy is as shown in Equation 8.
  • H(X) is the entropy and f(x) is the probability density function.
  • f(x) is the probability density function.
  • bin probability in the histogram is the height
  • the area of a rectangle is can be approximated as .
  • is the section is the representative value of my.
  • the kth integral is can be approximated as
  • Equation 11 Rearranging in terms of bin probability, entropy can be calculated as in Equation 11.
  • the texture digitization unit can calculate the entropy for the image using the bin probability in the histogram.
  • the texture digitization unit can perform digitization of image texture by calculating entropy using an entropy calculation algorithm for various known histograms.
  • Figure 7 is a drawing for explaining the numerical results for each image according to one embodiment.
  • 700 in Figure 7 has an entropy value of 2.3313094545036425.
  • 710 has 2.4270400444038986, and 720 has 2.564448503174378.
  • 730 has the highest entropy value of 2.7513417037248868.
  • the entropy value is shown differently depending on the texture of the target image, and through this, objective comparative analysis of image textures is possible.
  • the correlation between the texture and physical properties of the material can be quantified, and through this, various applications such as predicting physical properties through texture or predicting texture through physical properties can be provided.
  • FIG. 8 is a drawing for explaining an image texture analysis method according to one embodiment.
  • the image texture analysis method may include an image preprocessing step of extracting a region of interest to be analyzed from an image and performing boundary enhancement on the region of interest to produce a preprocessing image (S800).
  • an operation may be performed to extract a region of interest to be analyzed.
  • a region of interest refers to a region where only the object to be analyzed is specified among the objects and background included in the image.
  • the image preprocessing step can generate a binary image by binarizing the image based on the calculated segmentation boundary value, and extract the region of interest by correcting the binary image through morphological operations.
  • the image can contain a background and one or more objects (e.g., particle(s)). In order to accurately extract the region of interest, it is important to clearly determine the boundary between the object and the background. To this end, the image preprocessing step generates a binary image and precisely corrects it to extract the region of interest.
  • the image preprocessing step can calculate a segmentation boundary value to distinguish a region of interest (e.g., an object) from a region of no interest (e.g., a background).
  • the segmentation boundary value can be calculated by applying an algorithm that extracts various boundary values.
  • the Otsu algorithm can be used, which randomly sets a boundary value to divide pixels into two groups, repeatedly obtains the intensity distribution of the two groups, and then calculates the boundary value that makes the intensity distribution of the two groups most uniform as the segmentation boundary value.
  • various algorithms used to derive boundaries from images can be applied.
  • the image preprocessing step can binarize the image based on the calculated segmentation boundary value to produce a binary image.
  • the image preprocessing step can correct the binary image through a morphological operation to extract the region of interest.
  • the applied morphological operation can sequentially include a closing operation and an opening operation. For example, through the closing operation, a dilation operation can be performed followed by an erosion operation to fill in the empty space in the image, and through the opening operation, a dilation operation can be performed followed by an erosion operation to remove noise in the image in which the empty space is filled. Through this, a more detailed region of interest can be derived.
  • the signal intensity in the image may not be displayed as the same signal even for the same material depending on the equipment settings. Therefore, when providing the texture of the image in numerical form, it is necessary to adjust the image before image analysis so that comparison between the values can be made.
  • the image preprocessing step can divide the image within the region of interest into blocks of a certain size and perform histogram equalization on each block to convert it into a grayscale image.
  • the image preprocessing step can equalize the image using the Contrast Limited Adaptive Histogram Equalization (CLAHE) algorithm.
  • CLAHE Contrast Limited Adaptive Histogram Equalization
  • Images converted to grayscale can undergo edge enhancement operations as part of the image preprocessing step.
  • Edge enhancement can improve the performance of texture analysis for images within a region of interest.
  • the image preprocessing step can perform edge enhancement by applying the Canny Edge algorithm to the image within the region of interest, and can normalize the edge-enhanced image to a certain range of signal intensities to produce a preprocessed image.
  • the image preprocessing step can remove noise from the image by applying a Gaussian filter.
  • the image preprocessing step filters the noise-removed image in the horizontal and vertical directions through a Sobel kernel. The magnitude and direction of the gradient are calculated through the two filtered images.
  • the image preprocessing step performs a non-maximum suppression operation that selects only pixels with a local maximum gradient magnitude as edge pixels to eliminate the phenomenon in which one edge is expressed by multiple pixels.
  • the image preprocessing step selects the final edge based on the threshold values of the minimum and maximum values through a hysteresis edge tracking operation.
  • the image preprocessing step can preprocess the edge-enhanced image so that the signal intensities appear within a certain range by normalizing it.
  • the image preprocessing step can extract the region of interest in detail from the acquired image, enhance the boundary, and then normalize it to produce a preprocessed image for image feature extraction.
  • the image texture analysis method may include a texture feature extraction step of calculating texture feature values of a preprocessed image using different algorithms and generating a histogram for the preprocessed image based on the texture feature values (S810).
  • texture feature values are calculated using different algorithms, and a single histogram is created using all of the texture feature values calculated, thereby objectifying the texture characteristics of the image.
  • different algorithms can be a Local Binary Pattern algorithm and a Fractal Dimension algorithm.
  • the texture feature extraction step can calculate texture feature values for each image coordinate by applying a local binary pattern algorithm to the preprocessed image.
  • the texture feature extraction step can calculate signal intensity in the fractal dimension map for each image coordinate as texture feature values by applying a differential box coefficient method to the preprocessed image to generate a fractal dimension map.
  • the texture feature extraction step can identify one or more coordinates having the same texture feature value calculated through a local binary pattern algorithm in a preprocessed image, and generate a histogram using the texture feature value calculated through a fractal dimension algorithm corresponding to one or more coordinates.
  • the texture feature extraction step may generate a histogram by adding texture feature values produced through a fractal dimension algorithm corresponding to one or more coordinates having the same texture feature value produced through a local binary pattern algorithm, and mapping the sum to the histogram bin contents on the same texture feature value produced through the local binary pattern algorithm.
  • the image texture analysis method may include a texture numerical calculation step of calculating a texture numerical value for the image by calculating the entropy of the histogram (S820).
  • the texture digitization step can digitize and output the texture characteristics of the image by calculating the entropy value based on the histogram generated using different algorithms.
  • the texture digitization step can calculate the entropy for the image using the bin probability in the histogram.
  • various known algorithms can be used as the algorithm for calculating the entropy from the histogram.
  • the image texture analysis step can provide texture for the object of interest region of the image in numerical form.
  • the image texture analysis step processes the image so that it has robust characteristics to equipment settings, image scale, rotation, etc., and provides image texture in numerical form based on this. Therefore, it can be possible to compare textures between images and predict material properties according to image texture characteristics based on the objectified image texture characteristics.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

본 개시는 이미지의 질감을 분석하는 기술에 대한 것으로 이미지에서 분석대상 관심영역을 추출하고, 상기 관심영역에 대한 경계선 강화를 수행하여 전처리 이미지를 산출하는 이미지 전처리부와 전처리 이미지의 질감 특징 값을 서로 다른 알고리즘을 이용하여 각각 산출하고, 상기 질감 특징 값에 기초하여 상기 전처리 이미지에 대한 히스토그램을 생성하는 질감 특징 추출부 및 히스토그램의 엔트로피를 산출하여 상기 이미지에 대한 질감 수치를 산출하는 질감 수치화부를 포함하는 이미지 질감 분석 장치를 제공한다.

Description

이미지 질감 분석 방법 및 그 장치
본 개시는 이미지의 질감을 분석하는 기술에 대한 것이다.
이미지 분석이란 이미지에서 의미 있는 정보를 추출하는 것을 의미한다. 주로 디지털 이미지 처리 기술을 통해서 이미지에서 특정 객체, 특성, 상황 등을 추출하고 이를 기반으로 이미지를 분석한다.
특히, 이미지를 이용한 인공지능 기술의 발전과 카메라를 통한 자율주행 기술 등 제반 사업에서의 이미지 분석의 중요성이 높아지면서 이미지를 분석하기 위한 다양한 기술이 개발되고 있다.
또한, 이차전지 기술의 발전으로 인해서 소재 현미경 등의 장치로 이미지에서 소재(입자)에 대한 형상을 촬영하여 이에 대한 물성을 연구하기 위한 기술도 발전되고 있다.
이미지 내에서의 객체 인식, 객체 구분 등의 경우에 컴퓨터 처리를 통해서 사용자 간 편차가 적은 결과를 제공하고 있으나, 이미지 내의 객체에 대한 질감 분석은 특정 기준이 마련되지 않았으며, 다양한 요인에 대한 민감도가 높아서 여전히 사용자 간에 편차가 높게 나타나고 있는 실정이다.
본 실시예들은 이미지 내의 객체에 대한 정량화를 위해서 질감 특성을 수치로 표현하는 기술을 제공하고자 한다.
전술한 과제를 해결하기 위해서 도출된 본 개시의 일 실시예는 이미지에서 분석대상 관심영역을 추출하고, 관심영역에 대한 경계선 강화를 수행하여 전처리 이미지를 산출하는 이미지 전처리부를 포함하는 이미지 질감 분석 장치를 제공할 수 있다.
또한, 일 실시예는 전처리 이미지의 질감 특징 값을 서로 다른 알고리즘을 이용하여 각각 산출하고, 질감 특징 값에 기초하여 전처리 이미지에 대한 히스토그램을 생성하는 질감 특징 추출부를 포함하는 이미지 질감 분석 장치를 제공할 수 있습니다.
또한, 일 실시예는 히스토그램의 엔트로피를 산출하여 이미지에 대한 질감 수치를 산출하는 질감 수치화부를 포함하는 이미지 질감 분석 장치를 제공할 수 있다.
또한, 일 실시예는 이미지에서 분석대상 관심영역을 추출하고, 관심영역에 대한 경계선 강화를 수행하여 전처리 이미지를 산출하는 이미지 전처리 단계를 포함하는 이미지 분석 처리 방법을 제공할 수 있다.
또한, 일 실시예는 전처리 이미지의 질감 특징 값을 서로 다른 알고리즘을 이용하여 각각 산출하고, 질감 특징 값에 기초하여 전처리 이미지에 대한 히스토그램을 생성하는 질감 특징 추출 단계를 포함하는 이미지 분석 처리 방법을 제공할 수 있다.
또한, 일 실시예는 히스토그램의 엔트로피를 산출하여 이미지에 대한 질감 수치를 산출하는 질감 수치화 단계를 포함하는 이미지 질감 분석 방법을 제공할 수 있다.
본 실시예에 따르면, 이미지 내의 객체에 대해서 정량화된 질감 특성을 수치로 표현할 수 있는 효과가 있다.
도 1은 일 실시예에 따른 이미지 질감 분석 장치의 구성을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 관심영역 추출 동작을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 경계선 강화 동작을 설명하기 위한 도면이다.
도 4a 내지 도 4c는 이미지 전처리 동작의 각 결과를 예시적으로 도시한 도면이다.
도 5는 일 실시예에 따른 질감 특징 추출 동작을 설명하기 위한 도면이다.
도 6a는 일 실시예에 따른 이미지의 지역이진패턴 맵을 예시적으로 도시한 도면이다.
도 6b는 일 실시예에 따른 이미지의 프랙탈 차원 맵을 예시적으로 도시한 도면이다.
도 7은 일 실시예에 따른 각 이미지에 대한 수치화 결과를 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 이미지 질감 분석 방법을 설명하기 위한 도면이다.
이하, 본 개시의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성 요소들에 참조부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 기술 사상의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다. 본 명세서 상에서 언급된 "포함한다", "갖는다", "이루어진다" 등이 사용되는 경우 "~만"이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별한 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함할 수 있다.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, 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 본질, 차례, 순서 또는 개수 등이 한정되지 않는다.
구성 요소들의 위치 관계에 대한 설명에 있어서, 둘 이상의 구성 요소가 "연결", "결합" 또는 "접속" 등이 된다고 기재된 경우, 둘 이상의 구성 요소가 직접적으로 "연결", "결합" 또는 "접속" 될 수 있지만, 둘 이상의 구성 요소와 다른 구성 요소가 더 "개재"되어 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다. 여기서, 다른 구성 요소는 서로 "연결", "결합" 또는 "접속" 되는 둘 이상의 구성 요소 중 하나 이상에 포함될 수도 있다.
구성 요소들이나, 동작 방법이나 제작 방법 등과 관련한 시간적 흐름 관계에 대한 설명에 있어서, 예를 들어, "~후에", "~에 이어서", "~다음에", "~전에" 등으로 시간적 선후 관계 또는 흐름적 선후 관계가 설명되는 경우, "바로" 또는 "직접"이 사용되지 않는 이상 연속적이지 않은 경우도 포함할 수 있다.
한편, 구성 요소에 대한 수치 또는 그 대응 정보(예: 레벨 등)가 언급된 경우, 별도의 명시적 기재가 없더라도, 수치 또는 그 대응 정보는 각종 요인(예: 공정상의 요인, 내부 또는 외부 충격, 노이즈 등)에 의해 발생할 수 있는 오차 범위를 포함하는 것으로 해석될 수 있다.
이하 도면을 참조하여 실시예들을 상세히 설명한다.
소재 현미경과 같이 미세 입자를 촬영할 수 있는 장치를 통해서 이미지를 획득하는 경우에 해당 이미지에서 다양한 물성 특징을 추출할 수 있다. 또한, 이미지의 특징은 미세 입자의 특징을 유추하는데 사용될 수도 있다.
다만, 일반적인 거시 환경의 이미지와 달리 미시 환경에서 촬상되는 이미지의 경우에 경계를 명확히 특정시키기 어렵고, 비정형적인 미세입자 군집의 형상 등으로 이미지 간의 특징을 객관적으로 수행하는데 어려움이 존재할 수 있다.
특히, 입자의 물성을 파악하기 위해서 사용되는 다양한 분석장비의 경우에 분석장비 간의 편차, 입자의 형상과 분포를 인지하는 사용자 간의 편차 등으로 인해서 상호 비교를 통한 객관화에 어려움이 있다.
이러한 관점에서 본 개시는 이미지의 특성을 수치화된 값으로 변환하여 제공함으로써 객관적인 비교 분석이 가능하도록 하는 이미지 분석 기술을 제공하고자 한다. 특히, 이미지의 질감 특징을 수치화하여 제공함으로써 사용자 간 편차 및 분석장비 간 편차에 따른 객관화의 난제를 해결하는 방법을 제안하고자 한다.
본 개시에서는 이미지를 기준으로 설명하나, 영상촬영을 통한 이미지 질감 분석에도 동일하게 적용될 수 있다. 예를 들어, 촬상된 영상에서 특정 프레임을 기준으로 이미지로 변환하여 아래에서 설명하는 본 기술을 적용하여 이미지의 질감을 수치화할 수 있다. 또한, 아래에서는 미세입자를 촬영한 이미지를 중심으로 예시적으로 설명하나 이에 한정되는 것은 아니다. 즉, 다양한 객체를 촬영하는 경우에도 본 개시에 따른 기술이 적용될 수 있다.
도 1은 일 실시예에 따른 이미지 질감 분석 장치의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 이미지 질감 분석 장치(100)는 이미지에서 분석대상 관심영역을 추출하고, 관심영역에 대한 경계선 강화를 수행하여 전처리 이미지를 산출하는 이미지 전처리부(110)를 포함할 수 있다.
이미지 분석을 위해서는 수신된 이미지에 대한 전처리 과정이 필요할 수 있다. 전처리 과정은 다양한 동작을 포함할 수 있다.
일 예로, 이미지 전처리부(110)는 분석대상이 되는 관심영역을 추출하기 위한 동작을 수행할 수 있다. 관심영역은 이미지에 포함된 객체와 배경 중에서 분석의 대상이 되는 객체만이 특정되도록 설정하는 영역을 의미한다.
이미지 전처리부(110)는 계산된 분할 경계값을 기준으로 이미지를 이진화하여 이진 이미지를 산출하고, 이진 이미지를 모폴로지(Morphological) 연산을 통해서 보정하여 관심영역을 추출할 수 있다.
이미지 내에는 배경과 하나 이상의 객체(예를 들어, 입자(s))가 포함될 수 있다. 관심영역을 정확하게 추출하기 위해서는 객체와 배경 간의 경계를 명확하게 확정하는 것이 중요하다.
이를 위해서, 이미지 전처리부(110)는 이진 이미지를 산출하고 이를 세밀하게 보정하여 관심영역을 추출한다.
예를 들어, 이미지 전처리부(110)는 관심영역(ex, 객체)과 미관심영역(ex, 배경)을 구분하기 위해서 분할 경계값을 계산할 수 있다. 다양한 경계값을 추출하는 알고리즘이 적용되어 분할 경계값이 계산될 수 있다. 일 예로, 경계값을 임의로 정해서 픽셀들을 두 부류로 나누고, 두 부류의 명암 분포를 반복해서 구한 다음 두 부류의 명암 분포를 가장 균일하게 하는 경계값을 분할 경계값으로 계산하는 오츠(otsu) 알고리즘이 사용될 수 있다. 이 외에도 이미지에서 경계선을 산출하기 위해서 사용되는 다양한 알고리즘이 적용될 수도 있다.
한편, 이미지 전처리부(110)는 계산된 분할 경계값을 기준으로 이미지를 이진화하여 이진 이미지를 산출할 수 있다.
또한, 이미지 전처리부(110)는 이진 이미지를 모폴로지(Morphological) 연산을 통해서 보정하여 관심영역을 추출할 수 있다. 분할 경계값을 기준으로 산출된 이진 이미지에서 보다 관심영역을 세밀하게 추출하기 위해서 모폴로지 연산이 적용될 수 있다. 적용되는 모폴로지 연산은 닫기 연산(Closing operation) 및 열기 연산(Opening operation)이 순차적으로 포함될 수 있다. 예를 들어, 닫기 연산을 통해서 팽창연산 후 침식연산을 수행하여 이미지 내에서의 빈 공간을 메우고, 열기 연산을 통해서 침식연산 후 팽창연산을 수행하여 빈 공간이 메워진 이미지 내에서 노이즈 제거를 수행할 수 있다. 이를 통해서, 보다 세밀한 관심영역이 도출될 수 있다.
한편, 이미지의 질감 분석 결과를 객관화하기 위해서는 이미지를 촬상하는 장비의 설정에 따른 편차를 고려해야 한다. 이미지에서의 신호 강도는 장비의 설정에 따라서 동일 소재라고 하더라도 동일한 신호로 나타나지 않을 수 있다. 따라서, 이미지의 질감을 수치화하여 제공하는 경우에 수치 간 비교가 가능하도록 이미지 분석 전에 이미지를 조정할 필요가 있다.
예를 들어, 이미지 전처리부(110)는 관심영역 내의 이미지를 일정한 크기를 가진 블록으로 구분하고, 블록별로 히스토그램 균일화를 시행하여 그레이 스케일 이미지로 변환할 수 있다. 일 예로, 이미지 전처리부(110)는 대비 제한 적응형 히스토그램 평활화(Contrast Limited Adaptive Histogram Equalization, CLAHE) 알고리즘을 사용하여 이미지를 균일화할 수 있다.
그레이 스케일로 변화된 이미지는 이미지 전처리부(110)에 의해서 경계선 강화동작이 수행될 수 있다. 경계선 강화를 통해서 관심영역 내의 이미지에 대한 질감분석 성능을 높일 수 있다.
예를 들어, 이미지 전처리부(110)는 관심영역 내의 이미지에 대해서 캐니 엣지(Canny Edge) 알고리즘을 적용하여 경계선 강화를 수행하고, 경계선 강화된 이미지를 일정 범위의 신호강도로 정규화여 전처리 이미지를 산출할 수 있다. 구체적으로 이미지 전처리부(110)는 가우시안 필터를 적용하여 이미지에서 노이즈를 제거할 수 있다. 또한, 이미지 전처리부(110)는 노이즈 제거된 이미지를 수평 및 수직 방향으로 소벨 커널을 통해서 필터링한다. 필터링된 두 개의 이미지를 통해서 그래디언트의 크기와 방향이 산출된다. 이후, 이미지 전처리부(110)는 하나의 엣지가 여러개의 픽셀로 표현되는 현상을 없애기 그래디언트 크기가 국지적 최대(local maximum)인 픽셀만을 엣지 픽셀로 선정하는 비최대 억제(Non-maximum Suppression) 동작을 수행한다. 마지막으로 이미지 전처리부(110)는 히스테리시스 엣지 트래킹(Hysteresis edge tracking) 동작을 통해서 최솟값 및 최댓값의 임계 값을 기준으로 최종 엣지를 선정한다.
이미지 전처리부(110)는 경계선이 강화된 이미지를 정규화하여 신호 강도가 일정 범위 내에서 나타나도록 전처리할 수 있다.
이와 같이, 이미지 전처리부(110)는 획득된 이미지에서 관심영역을 세밀하게 추출하고, 경계선을 강화한 후 정규화하여 이미지 특징 추출을 위한 전처리 이미지를 산출할 수 있다.
이미지 질감 분석 장치(100)는 전처리 이미지의 질감 특징 값을 서로 다른 알고리즘을 이용하여 각각 산출하고, 질감 특징 값에 기초하여 전처리 이미지에 대한 히스토그램을 생성하는 질감 특징 추출부(120)를 포함할 수 있다.
질감 특징 추출부(120)는 서로 다른 알고리즘으로 이미지의 질감 특징 값을 각각 산출하고, 각각 산출된 질감 특징 값을 이용하여 전처리 이미지에 대한 히스토그램을 생성한다. 종래 질감 특징을 추출하는 알고리즘은 스케일에 민감하여 객관적인 수치화가 어렵거나, 그레이 스케일의 변화에 민감하여 객관적인 수치화가 어려웠다. 즉, 특정 알고리즘을 사용하는 경우에 이미지 질감 분석 결과가 특정 인자(ex, 스케일 등)에 민감하게 나타나서 상호 비교를 통한 질감 특징 객관화가 불가능했다.
이러한 점을 해결하기 위해서, 본 실시예에서는 서로 다른 알고리즘을 사용하여 질감 특징 값을 산출하되, 각각 산출된 질감 특징 값을 모두 이용하여 하나의 히스토그램을 생성하여 이미지의 질감 특성을 객관화한다.
예를 들어, 서로 다른 알고리즘은 지역이진패턴(Local Binary Pattern) 알고리즘 및 프랙탈 차원(Fractal Dimension) 알고리즘일 수 있다.
질감 특징 추출부(120)는 전처리 이미지에 대해서 지역이진패턴 알고리즘을 적용하여 각 이미지 좌표 별 질감 특징 값을 산출할 수 있다. 또한, 질감 특징 추출부(120)는 전처리 이미지에 대해서 차분박스 계수법을 적용하여 프랙탈 차원 맵을 생성함으로써, 각 이미지 좌표 별 프랙탈 차원 맵에서의 신호 강도를 질감 특징 값으로 산출할 수 있다.
또한, 질감 특징 추출부(120)는 전처리 이미지에서 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값을 가지는 하나 이상의 좌표를 확인하고, 하나 이상의 좌표에 대응되는 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 이용하여 히스토그램을 생성할 수 있다.
예를 들어, 질감 특징 추출부(120)는 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값을 가지는 하나 이상의 좌표에 대응되는 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 합산하여, 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값 상의 히스토그램 bin 컨텐츠에 매핑하여 히스토그램을 생성할 수 있다.
이를 통해서, 지역이진패턴 알고리즘을 통한 회전(Rotational), 그레이스케일(Grey-scale) 불변(invariant)한 특성과 프랙탈 차원맵을 통해 스케일 불변(Sclae invariant)한 특성을 모두 포함하는 히스토그램 산출이 가능하다. 따라서, 회전 또는 스케일 차이 등에 따른 질감 수치화 변동을 방지할 수 있다는 점에서 상호 비교가 객관화될 수 있는 질감 특징 분석이 가능하다.
한편, 이미지 질감 분석 장치(100)는 히스토그램의 엔트로피를 산출하여 이미지에 대한 질감 수치를 산출하는 질감 수치화부(130)를 포함할 수 있다.
예를 들어, 질감 수치화부(130)는 서로 다른 알고리즘을 이용하여 생성한 히스토그램을 기준으로 엔트로피 값을 계산하여 이미지의 질감 특성을 수치화하여 출력할 수 있다. 일 예로, 질감 수치화부(130)는 히스토그램에서의 bin 확률를 이용하여 이미지에 대한 엔트로피를 산출할 수 있다. 이 외에도 히스토그램에서 엔트로피를 산출하는 알고리즘은 공지된 다양한 알고리즘이 사용될 수 있다.
이상에서의 동작을 통해서 이미지 질감 분석 장치(100)는 이미지의 관심영역 객체에 대한 질감을 수치로 제공할 수 있다. 또한, 이미지 질감 분석 장치(100)는 장비 설정, 이미지 스케일, 회전 등에 강건한 특성을 가지도록 이미지를 처리하고, 이에 기반하여 수치로 이미지 질감을 제공한다. 따라서, 객관화된 이미지 질감 특성에 따라 이미지 간의 질감 비교 및 이미지 질감 특성에 따른 물성 예측 등이 가능해질 수 있다.
이하에서는 전술한 이미지 질감 분석 장치의 동작에 대해서 각 단계 별 동작을 도면을 참조하여 보다 상세하게 설명한다.
도 2는 일 실시예에 따른 관심영역 추출 동작을 설명하기 위한 도면이다.
도 2를 참조하면, 이미지 질감 분석 장치는 이미지 생성 장치로부터 분석 대상 이미지가 수신되면, 해당 이미지에서 분석대상이 되는 관심영역을 추출할 수 있다.
이미지 전처리부는 계산된 분할 경계값을 기준으로 이미지를 이진화하여 이진 이미지를 산출하고, 이진 이미지를 모폴로지(Morphological) 연산을 통해서 보정하여 관심영역을 추출할 수 있다.
이미지 전처리부는 수신된 이미지를 기준으로 오츠 알고리즘을 통한 분할 경계값을 계산한다(S200).
예를 들어, 수신된 이미지에는 배경, 다수의 객체 등이 포함될 수 있다. 이미지 전처리부는 분석 대상이 되는 객체와 배경을 분리하기 위해서 관심영역을 추출해야 한다. 이를 위해서, 이미지 전처리부는 분할 기준이 되는 분할 경계값을 계산한다.
일 예로, 분할 경계값을 계산하기 위해서 오츠 알고리즘이 사용될 수 있다. 오츠의 알고리즘이란 어떤 영상을 thresholding 하고 싶을 때, 적정한 threshold 값을 찾아주는 알고리즘을 말한다. 이미지 전처리부는 수신된 이미지의 경계값을 임의로 정해서 픽셀들을 두 부류로 나누고, 두 부류의 명암 분포를 반복해서 구한 다음 두 부류의 명암 분포를 가장 균일하게 하는 경계값을 선택한다. 즉, 이미지 전처리부는 특정 threshold를 T라 하면, T를 기준으로 이진 분류된 픽셀의 비율의 차가 가장 작은 optimal T를 구하여 분할 경계값을 산출할 수 있다.
이미지 전처리부는 계산된 분할 경계값을 기준으로 이진 이미지를 산출한다(S210). 분할 경계값이 계산되면, 이미지 전처리부는 계산된 분할 경계값을 기준으로 수신된 이미지를 이진 이미지로 변환하여 산출한다. 변환된 이진 이미지는 이미지 내의 객체 영역과 배경 영역이 이진화되어 구분될 수 있다. 다만, 보다 명확하고 세밀한 관심영역을 설정하기 위해서는 이진 이미지에서 관심영역을 보정할 필요가 있다.
이를 위해서, 이미지 전처리부는 이진 이미지를 모폴로지 연산을 통해서 세밀화하여 관심영역을 추출한다(S220). 모폴로지 연산 기법은 영상의 형태를 분석하고 처리하는 기법을 의미한다. 이를 통해서 홀 채우기, 잡음 제거 등 영상의 이진화 과정에서 발생하는 불명확한 관심영역을 명확하게 나타내 줄 수 있다.
구체적으로, 원본이미지와 이진이미지를 각각
Figure PCTKR2024007966-appb-img-000001
,
Figure PCTKR2024007966-appb-img-000002
이라 하면, 관심 영역
Figure PCTKR2024007966-appb-img-000003
는 다음과 같이 구할 수 있다.
Figure PCTKR2024007966-appb-img-000004
여기서 OPENING, CLOSING, DOT연산은 각각 상기 모폴로지 연산 중 열기(morphological opening), 닫기(morphological closing), 그리고 내적(inner product)에 해당한다.
모폴로지 연산은 침식(Erosion) 연산과 팽창(Dilation) 연산을 포함한다. 열기 연산(OPENING)은 침식 연산 후 팽창 연산을 사용하는 알고리즘으로 이진 이미지에서의 돌출 부분 제거 및 좁은 연결 끊김 현상을 보정하여 외곽선을 부드럽게 만들어주는 역할을 수행한다. 닫기(CLOSING) 연산은 팽창 연산 후 침식 연산을 사용하는 알고리즘으로 이진 이미지에서의 오목하게 들어간 부분이나 작은 구멍을 메워서 외곽선을 부드럽게 만들고 객체의 형태와 크기를 보존해주는 역할을 수행한다.
따라서, 이미지 전처리부는 닫기 연산을 수행하여 이진 이미지에서의 경계선을 부드럽게 보정하고, 보정된 이미지를 열기 연산을 통해서 돌출 부분 노이즈 제거 및 끊김 현상을 보정하여 외곽선을 명확하게 나타나도록 보정한다.
이러한 동작을 통해서 수신된 이미지에서 이미지 질감 분석 대상이되는 관심영역이 보다 명확하게 도출될 수 있다.
한편, 미세입자의 경우에 질감 분석을 위해서는 입자내부의 경계선에 대한 강화가 필요하다. 특히, 미세입자는 다양한 형태의 질감을 가질 수 있으며, 그 크기의 한계와 이미지 해상도 등으로 인해서 질감 분석을 위한 객체의 형상에 대한 경계선이 모호하게 나타날 수 있다. 따라서, 정확도 높은 질감 분석을 위해서는 관심영역 내의 객체에 대한 경계선 강화가 필요하다.
도 3은 일 실시예에 따른 경계선 강화 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 이미지 전처리부는 적응형 히스토그램 평활화 동작을 수행하여 관심영역 이미지를 그레이 레벨로 평활화한다(S300).
영상 또는 이미지에서 신호 강도는 장비의 설정에 따라서 동일 소재라 하더라도 동일한 신호인 경우는 거의 나타나지 않는다. 따라서, 이미지 전처리부는 관심영역에 대하여 히스토그램 평활화를 수행하여 같은 소재에 신호강도가 동일한 그레이 레벨(Gray-level) 값을 가지도록 처리한다.
일반적인 히스토그램 균일화 알고리즘의 경우에 이미지 전체 픽셀들에 대한 분포를 고려하여 일괄적으로 적용하였다. 이 경우, 이미지 내에서의 밝기 차이가 고려되지 않아서 오히려 중요 객체에 대한 형상의 인식이 더욱 어려워지는 문제가 발생된다.
이러한 문제점을 고려하여, 이미지 전처리부는 관심영역 내의 이미지를 일정한 크기를 가진 블록으로 구분하고, 블록 별로 히스토그램 균일화를 시행하여 그레이 스케일 이미지로 변환한다. 또한, 각 블록 별로 히스토그램 균일화가 완료되면, 블록 간 경계부분은 bilinear interpolation을 적용해 부드럽게 만들어줄 수 있다. 일 예로, 이미지 전처리부는 CLAHE(Contrast Limited Adaptive Histogram Equalization)의 histogram 높이 제한(clip limit)에 의해 같이 소재에 대한 신호강도가 동일한 그레이 레벨 값을 가지도록 처리한다.
이미지 전처리부는 노이즈 제거 동작을 수행한다(S310). 이미지 전처리부는 가우시안 필터를 적용하여 노이즈를 제거한다. 예를 들어, 이미지에서 노이즈가 있으면 엣지를 제대로 찾는 것이 어려울 수 있다. 따라서, 경계선 강화 처리 전에 N X N 가우시안 필터를 이용해서 이미지의 노이즈를 제거한다. 여기서, N은 1 이상의 자연수로 설정될 수 있다.
이미지 전처리부는 경계선 강화 동작을 수행한다(S320). 예를 들어, 이미지 전처리부는 관심영역 내의 이미지에 대해서 캐니 엣지(Canny Edge) 알고리즘을 적용하여 경계선 강화를 수행할 수 있다.
이미지 전처리부는 가우시안 필터로 노이즈가 제거된 이미지를 Sobel 커널을 수평방향, 수직방향으로 적요하여 각 방향의 그래디언트(gradient)를 획득한다. 이미지의 (x,y) 좌표에서의 그래디언트는 아래 수학식 2에 의해서 획득될 수 있다.
Figure PCTKR2024007966-appb-img-000005
Figure PCTKR2024007966-appb-img-000006
여기서, 수평방향의 그래디언트는
Figure PCTKR2024007966-appb-img-000007
, 수직방향의 그래디언트는
Figure PCTKR2024007966-appb-img-000008
이다.
그래디언트 획득 후 엣지에 기여하지 않는 픽셀을 제거하기 위해서 이미지 전체를 스캔한다. 이미지를 스캔하는 동안 그래디언트 방향으로 스캔 구역에서 그래디언트의 최대값을 가진 픽셀을 찾는다. 이 경우, 하나의 엣지가 여러개의 픽셀로 표현되는 현상을 없애기 그래디언트 크기가 국지적 최대(local maximum)인 픽셀만을 엣지 픽셀로 선정한다.
마지막으로, 이미지 전처리부는 선정된 엣지가 실제로 엣지인지 아닌지를 결정한다. 이를 위해 최소값 및 최대값의 임계 값이 필요하다. 그래디언트의 강도가 최대값보다 크면 엣지가 되고, 최소값 보다 작으면 버려진다. 최소값과 최대값의 경계 사이에 있는 값들은 다른 엣지와의 연결성을 확인하여 최종적인 엣지로 선정된다.
위에서는 캐니 엣지 알고리즘을 중심으로 경계선 강화 동작을 설명하였다. 다만, 이는 이해의 편의를 위한 것으로, 다양한 경계선 강화 알고리즘에 본 실시예에 적용될 수 있다. 즉, 관심영역 내의 이미지에 대한 경계선을 강화시킬 수 있는 알고리즘이라면 그 제한은 없다.
또한, 이미지 전처리부는 경계선 강화된 이미지를 일정 범위의 신호강도로 정규화여 상기 전처리 이미지를 산출할 수 있다.
예를 들어, 이미지 전처리부는 원본이미지에 경계선 강화된 이미지를 더하고 정규화(Normalize) 하는 동작을 수행할 수 있다.
관심영역 이미지를
Figure PCTKR2024007966-appb-img-000009
라고 하면, 경계선이 강화된 이미지
Figure PCTKR2024007966-appb-img-000010
는 수학식 3과 같이 얻어질 수 있다.
Figure PCTKR2024007966-appb-img-000011
여기서
Figure PCTKR2024007966-appb-img-000012
는 경계이미지의 강화 정도를 나타내는 세부 파라미터이며 미리 설정될 수 있다.
Figure PCTKR2024007966-appb-img-000013
케니 엣지 알고리즘의 결과이다. NORMALIZE는 신호의 강도를0에서 255까지의 범위로 정규화하는 과정을 의미한다.
이상의 동작을 통해서 이미지 전처리부는 관심영역 이미지의 경계선을 강화하고, 정규화하여 일정 신호강도 범위의 그레이 스케일 이미지를 얻을 수 있다.
도 4a 내지 도 4c는 이미지 전처리 동작의 각 결과를 예시적으로 도시한 도면이다.
도 4a는 이미지 질감 분석 장치가 이미지 획득 장치로부터 획득하는 원본 이미지를 예시적으로 나타낸다. 도 4a와 같이 원본 이미지에는 배경 영역과 미세 입자들이 함께 포함될 수 있다. 여기서, 질감 분석은 미세 입자를 기준으로 하기 때문에 이미지 전처리 과정을 통해서 관심영역을 설정한다.
도 4b는 전술한 관심영역을 설정한 관심영역의 이진 이미지를 나타낸다. 위에서 설명한 바와 같이, 관심영역은 이진 이미지화 및 모폴로지 연산을 통한 관심영역 세밀화가 이루어진다.
도 4c는 관심영역 이미지에 대해서 경계선이 강화되고 정규화된 전처리 이미지(
Figure PCTKR2024007966-appb-img-000014
)를 나타낸다. 도 4c와 같이 본 실시예에 따른 전처리 과정을 거치면 미세 입자가 아닌 배경 부분은 관심영역에서 제외되며, 질감 분석 대상이 되는 미세 입자 부분의 경계선이 강화된 그레이 스케일의 정규화 이미지가 획득된다.
이미지 질감 분석 장치는 전처리 이미지를 기준으로 질감 특징 값을 추출한다.
도 5는 일 실시예에 따른 질감 특징 추출 동작을 설명하기 위한 도면이다.
도 5를 참조하면, 질감 특징 추출부는 전처리 이미지를 수신한다(S500). 여기서, 전처리 이미지는 전술한 경계선이 강화되고 정규화된 그레이 스케일 이미지를 의미한다.
질감 특징 추출부는 질감 특징 값을 서로 다른 알고리즘을 이용하여 각각 산출할 수 있다(S510, S520).
일 예로, 질감 특징 추출부는 지역이진패턴(Local Binary Pattern, LBP) 알고리즘을 통해서 질감 특징 값을 추출할 수 있다(S510). 지역이진패턴은 특정 구역 내에서 중심에 위치하는 픽셀과 이웃하는 N개의 픽셀끼리 서로 신호강도 크기를 비교한다. 비교 결과에 따라 각 픽셀의 값을 이진화하고, 이를 나열하여 십진수 값으로 변경하여 픽셀 값을 산출한다. N이 8개인 경우에 이진수 8개로 십진수 값을 산출하여 0~255 사이의 값으로 각 좌표의 값이 산출된다. 본 실시예에서는 Rotation-invariant LBP가 적용될 수 있다. 또는 사각 LBP, Uniform LBP, 원형 LBP, Uniform & Rotation-invariant LBP 등 다양한 LBP 알고리즘이 적용될 수도 있다.
구체적으로 예를 들면, 전처리 이미지에 대해서, 질감 특징 추출부는 픽셀 위치 픽셀위치 (x, y)와 신호크기(
Figure PCTKR2024007966-appb-img-000015
)가 주어졌을 때, (x, y)를 중심으로 반지름 R에 있는 N개의 픽셀 (
Figure PCTKR2024007966-appb-img-000016
)들을 샘플링하고, 수학식 4와 같이 샘플링한 픽셀들로 지역이진패턴 값을 계산하는 과정을 수행한다.
Figure PCTKR2024007966-appb-img-000017
여기서, sign은 수학식 5와 같이 계산된다.
Figure PCTKR2024007966-appb-img-000018
지역이진패턴 값은 0에서
Figure PCTKR2024007966-appb-img-000019
사이의 값을 가질 수 있다.
질감 특징 추출부는 전술한 지역이진패턴 알고리즘에 따라 전처리 이미지에 대한 지역이진패턴 값을 질감 특징 값으로 산출한다.
도 6a는 일 실시예에 따른 이미지의 지역이진패턴 맵을 예시적으로 도시한 도면이다.
도 6a를 참조하면, 전처리 이미지에 지역이진패턴 알고리즘을 적용하면 지역이진패턴 맵을 얻을 수 있다.
다만, 지역이진패턴 값만으로 히스토그램을 생성하는 경우에 스케일 변화에 민감하다는 단점이 있다. 따라서, 본 실시예에서는 스케일 변화에 불변하는 특성을 가지는 프랙탈 차원 알고리즘을 더 이용하여 히스토그램을 생성한다.
이를 위해서, 질감 특징 추출부는 프랙탈 차원(Fractal Dimension) 알고리즘을 통해서 질감 특징 값을 추출할 수 있다(S520).
일 예로, 질감 특징 추출부는 가우시안 스케일 공간(Guassian-scale space)을 생성하는 과정과 차분박스계수법(Differential Box Counting, DBC)을 수행하여 프랙탈 차원맵을 계산하는 과정을 수행할 수 있다.
예를 들어, 질감 특징 추출부는 전처리 이미지에 복수의 가우시안 스케일 파라미터를 적용하여 복수의 가우시안 스케일 스페이스를 생성한다. 가우시안 스케일 파라미터는 이미지에 대한 블러 처리 정도(가우시안 스케일 정도)를 결정하는 파라미터로 설정에 따라 복수 개의 값을 가진다. 따라서, 가우시안 스케일 스페이스는 가우시안 스케일 파라미터의 개수에 따라 복수개로 생성된다.
이후, 질감 특징 추출부는 각 가우시안 스케일 스페이스에서 영역 내 최대값과 최소값의 차이를 계산하고 각 가우시안 스케일 스페이스 내의 기울기를 계산하는 동작을 수행한다.
예를 들어, 가우시안 스케일 파라미터에 따른 가우시안 스케일의 정도를 r이라고 하면, 복수의 가우시안 스케일 스페이스는 G(x,y,r)로 표현될 수 있다.
가우시안 스케일 스페이스를 계산하는 이유는 각 (x,y) 위치에서의 r에 따른 변화를 확인할 수 있기 때문이다.　각 (x,y) 위치마다　r에 대한　값들을 linear regression 했을 때의　기울기를 F(x,y)의 값으로 활용한다.
Figure PCTKR2024007966-appb-img-000020
수학식 6을 참조하면, G(x,y,r)은 가우시안 스케일 스페이스의 값, F(x,y)는 Fractal dimension의 intensity(기울기), r은 가우시안 스케일의 정도인 blur되는 정도, b는　regression 상수이다.
위 동작을 통해서 질감 특징 추출부는 각 좌표에서 가우시안 스케일(r)이 적용된 intensity(G(x,y,r)와 프랙탈 차원 맵에서의 intensity(F(x,y))를 산출할 수 있다.
프랙탈 차원 맵에서의 (x,y) 좌표에서의 신호강도는 F(x,y)로 산출되며, 이를 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값으로 설정한다.
도 6b는 일 실시예에 따른 이미지의 프랙탈 차원 맵을 예시적으로 도시한 도면이다.
도 6b를 참조하면, 전처리 이미지에 프랙탈 차원 알고리즘을 적용하면 프랙탈 차원 맵을 얻을 수 있다.
다만, 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값은 스케일 변화에는 강건하나 그레이 스케일 변화에 민감한 문제점이 있다. 따라서, 본 실시예에서는 그레이 스케일 변화에 강건한 특성을 가지는 지역이진패턴 질감 특징 값을 추가로 이용하여 히스토그램을 생성한다.
질감 특징 추출부는 질감 특징 값에 기초하여 전처리 이미지에 대한 히스토그램을 생성할 수 있다(S530).
일 예로, 질감 특징 추출부는 전처리 이미지에서 상기 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값을 가지는 하나 이상의 좌표를 확인하고, 하나 이상의 좌표에 대응되는 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 이용하여 히스토그램을 생성한다.
예를 들어, 질감 특징 추출부는 하나 이상의 좌표에 대응되는 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 합산하여, 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값 상의 히스토그램 bin 컨텐츠에 매핑하여 히스토그램을 생성할 수 있다.
즉, 질감 특징 추출부는 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 지역이진패턴을 통한 히스토그램에 적용하여 지역이진패턴의 히스토그램을 보정할 수 있다.
Figure PCTKR2024007966-appb-img-000021
수학식 7에서
Figure PCTKR2024007966-appb-img-000022
은 보정된 지역이진패턴의 히스토그램을 나타낸다.
Figure PCTKR2024007966-appb-img-000023
는 프랙탈 차원 맵의 (x,y)의 위치에서의 intensity를 나타낸다. p는 지역이진패턴 결과 나타내는 질감 특징 값을 의미한다.
예를 들어, 지역이진패턴 알고리즘을 수행하면 각 좌표에서의 질감 특징 값 p는 0에서
Figure PCTKR2024007966-appb-img-000024
중 하나의 값을 갖는다. 질감 특징 추출부는 지역이진패턴 맵에서 동일한 p 값을 가지는 (x,y)의 좌표를 찾는다. 일 예로, 지역이진패턴 질감 특징 값 p=1인 (x,y)의 좌표들이 {(0,0),　(2,5)}라고 하면, 질감 특징 추출부는 해당 좌표들의 프랙탈 차원 맵의 (x,y) 위치에서의 질감 특징 값을 합산한 값을 생성한다. 즉, 질감 특징 추추출부는 F(0,0)+F(2.5)값을 생성하고, 해당 값을 p=1상의 　히스토그램 bin에 매핑하여 히스토그램을 생성한다.
이와 같이, 질감 특징 추출부는 p 값을 0에서
Figure PCTKR2024007966-appb-img-000025
까지 변경하면서 프랙탈 차원 맵에서의 질감 특징 값을 찾아서 합산하여 히스토그램을 생성한다.
이러한 동작을 통해서 질감 특징 추출부는 스케일 불변, 그레이 스케일 불변, 로테이션 불변한 특징을 가지는 히스토그램을 생성할 수 있다. 이는 이미지에 대한 질감을 수치로 객관화하고 상대적 비교가 가능하도록 하는 효과를 제공한다.
한편, 이미지 질감 분석 장치는 질감을 수치화하여 표출하기 위한 질감 수치화부를 더 포함할 수 있다. 질감 수치화부는 위에서 생성된 히스토그램에서의 bin 확률을 이용하여 이미지에 대한 엔트로피를 산출하고 이를 수치로 나타낸다.
히스토그램으로부터 엔트로피를 계산하는 동작은 다양한 알고리즘이 사용될 수 있다.
예를 들어, 질감 수치화부는 서로 다른 알고리즘으로 산출된 질감 특징 값을 이용하여 생성된 히스토그램을 이용하여 엔트로피를 산출할 수 있다.
확률 밀도 함수 f(x)가 있는 연속 확률 변수 X의 경우 엔트로피의 정의는 수학식 8과 같다.
Figure PCTKR2024007966-appb-img-000026
여기서, H(X)는 엔트로피이며, f(x)는 확률 밀도 함수이다. 엔트로피 산출 정의를 밀도가 히스토그램으로 표현되는 경우에 적용하기 위해서 변수의 범위를 n 간격
Figure PCTKR2024007966-appb-img-000027
, k=1, ..., n 으로 나누면 엔트로피는 아래 수학식 9와 같이 산출될 수 있다.
Figure PCTKR2024007966-appb-img-000028
이후, 수학식 9의 합산의 k 번째 항을 폭
Figure PCTKR2024007966-appb-img-000029
이 있는 히스토그램의 k 번째 bin과 연관시킨다. 히스토그램에서의 bin 확률
Figure PCTKR2024007966-appb-img-000030
, k=1, ..., n 은 수학식 10과 같이 정의될 수 있다.
Figure PCTKR2024007966-appb-img-000031
따라서, 히스토그램에서의 bin 확률
Figure PCTKR2024007966-appb-img-000032
는 높이가
Figure PCTKR2024007966-appb-img-000033
인 직사각형의 면적인
Figure PCTKR2024007966-appb-img-000034
로 근사화할 수 있다. 여기서,
Figure PCTKR2024007966-appb-img-000035
는 구간
Figure PCTKR2024007966-appb-img-000036
내의 대표 값이다. 유사하게 수학식 9의 합산에서 k 번째 적분은
Figure PCTKR2024007966-appb-img-000037
로 근사할 수 있다.
bin 확률 측면에서 다시 정리하면 엔트로피는 수학식 11과 같이 산출될 수 있다.
Figure PCTKR2024007966-appb-img-000038
Figure PCTKR2024007966-appb-img-000039
가 일정하지만 1과 같을 필요가 없는 경우에 엔트로피는 아래 수학식 12와 같이 표현될 수 있다.
Figure PCTKR2024007966-appb-img-000040
Figure PCTKR2024007966-appb-img-000041
가 일정하지 않은 경우에는 수학식 11을 적용하기 위해서 bin 구성이 다른 히스토그램 간의 비교를 위해서는 bin by bin 조정이 필요하다. 연속 확률 변수의 경우에 자연 로그로 계산될 수 있다.
이상의 동작을 통해서 질감 수치화부는 히스토그램에서의 bin 확률을 이용하여 상기 이미지에 대한 엔트로피를 산출할 수 있다.
이 외에도 질감 수치화부는 공지된 다양한 히스토그램에 대한 엔트로피 산출 알고리즘을 사용하여 엔트로피를 산출함으로써, 이미지 질감에 대한 수치화 표출을 수행할 수 있다.
도 7은 일 실시예에 따른 각 이미지에 대한 수치화 결과를 설명하기 위한 도면이다.
도 7을 참조하면, 다양한 획득 이미지에 대해서 전술한 본 실시예에 따라 질감을 수치화한 결과이다.
예를 들어, 도 7의 700은 엔트로피 값이 2.3313094545036425로 나타난다. 710은 2.4270400444038986로 나타나고, 720은 2.564448503174378로 나타난다. 730은 엔트로피 값이 가장 높게 나타나서 2.7513417037248868로 나타났다.
이와 같이, 대상 이미지의 질감에 따라 엔트로피 수치가 다르게 나타났으며, 이를 통해서 상호 간에 이미지 질감에 대한 객관적인 비교 분석이 가능하다. 특히, 소재입자의 경우에 소재의 질감과 물성 간에 상관관계를 정량화 할 수 있으며, 이를 통해서 질감을 통한 물성 예측 또는 물성을 통한 질감 예측 등 다양한 활용성이 제공될 수 있다.
아래에서는 전술한 이미지 질감 분석 장치의 동작 관점에서 다시 한 번 간략히 설명한다. 전술한 이미지 질감 분석 장치의 동작은 아래에서 설명하는 각 단계에서 수행될 수 있다. 또한, 아래에서 설명하는 각 단계는 이해의 편의를 위해서 구분한 것으로 단계의 통합 또는 분할도 본 실시예에의 범위에 해당된다.
도 8은 일 실시예에 따른 이미지 질감 분석 방법을 설명하기 위한 도면이다.
도 8을 참조하면, 이미지 질감 분석 방법은 이미지에서 분석대상 관심영역을 추출하고, 상기 관심영역에 대한 경계선 강화를 수행하여 전처리 이미지를 산출하는 이미지 전처리 단계를 포함할 수 있다(S800).
일 예로, 이미지 전처리 단계에서는 분석대상이 되는 관심영역을 추출하기 위한 동작이 수행될 수 있다. 관심영역은 이미지에 포함된 객체와 배경 중에서 분석의 대상이 되는 객체만이 특정되도록 설정하는 영역을 의미한다.
이미지 전처리 단계는 계산된 분할 경계값을 기준으로 이미지를 이진화하여 이진 이미지를 산출하고, 이진 이미지를 모폴로지(Morphological) 연산을 통해서 보정하여 관심영역을 추출할 수 있다. 이미지 내에는 배경과 하나 이상의 객체(예를 들어, 입자(들))가 포함될 수 있다. 관심영역을 정확하게 추출하기 위해서는 객체와 배경 간의 경계를 명확하게 확정하는 것이 중요하다. 이를 위해서, 이미지 전처리단계는 이진 이미지를 산출하고 이를 세밀하게 보정하여 관심영역을 추출한다.
예를 들어, 이미지 전처리 단계는 관심영역(ex, 객체)과 미관심영역(ex, 배경)을 구분하기 위해서 분할 경계값을 계산할 수 있다. 다양한 경계값을 추출하는 알고리즘이 적용되어 분할 경계값이 계산될 수 있다. 일 예로, 경계값을 임의로 정해서 픽셀들을 두 부류로 나누고, 두 부류의 명암 분포를 반복해서 구한 다음 두 부류의 명암 분포를 가장 균일하게 하는 경계값을 분할 경계값으로 계산하는 오츠(otsu) 알고리즘이 사용될 수 있다. 이 외에도 이미지에서 경계선을 산출하기 위해서 사용되는 다양한 알고리즘이 적용될 수도 있다.
한편, 이미지 전처리 단계는 계산된 분할 경계값을 기준으로 이미지를 이진화하여 이진 이미지를 산출할 수 있다. 또한, 이미지 전처리 단계는 이진 이미지를 모폴로지(Morphological) 연산을 통해서 보정하여 관심영역을 추출할 수 있다. 적용되는 모폴로지 연산은 닫기 연산(Closing operation) 및 열기 연산(Opening operation)이 순차적으로 포함될 수 있다. 예를 들어, 닫기 연산을 통해서 팽창연산 후 침식연산을 수행하여 이미지 내에서의 빈 공간을 메우고, 열기 연산을 통해서 침식연산 후 팽창연산을 수행하여 빈 공간이 메워진 이미지 내에서 노이즈 제거를 수행할 수 있다. 이를 통해서, 보다 세밀한 관심영역이 도출될 수 있다.
한편, 이미지에서의 신호 강도는 장비의 설정에 따라서 동일 소재라고 하더라도 동일한 신호로 나타나지 않을 수 있다. 따라서, 이미지의 질감을 수치화하여 제공하는 경우에 수치 간 비교가 가능하도록 이미지 분석 전에 이미지를 조정할 필요가 있다.
예를 들어, 이미지 전처리 단계는 관심영역 내의 이미지를 일정한 크기를 가진 블록으로 구분하고, 블록별로 히스토그램 균일화를 시행하여 그레이 스케일 이미지로 변환할 수 있다. 일 예로, 이미지 전처리 단계는 대비 제한 적응형 히스토그램 평활화(Contrast Limited Adaptive Histogram Equalization, CLAHE) 알고리즘을 사용하여 이미지를 균일화할 수 있다.
그레이 스케일로 변화된 이미지는 이미지 전처리 단계에 의해서 경계선 강화동작이 수행될 수 있다. 경계선 강화를 통해서 관심영역 내의 이미지에 대한 질감분석 성능을 높일 수 있다.
예를 들어, 이미지 전처리 단계는 관심영역 내의 이미지에 대해서 캐니 엣지(Canny Edge) 알고리즘을 적용하여 경계선 강화를 수행하고, 경계선 강화된 이미지를 일정 범위의 신호강도로 정규화여 전처리 이미지를 산출할 수 있다. 구체적으로 이미지 전처리 단계는 가우시안 필터를 적용하여 이미지에서 노이즈를 제거할 수 있다. 또한, 이미지 전처리 단계는 노이즈 제거된 이미지를 수평 및 수직 방향으로 소벨 커널을 통해서 필터링한다. 필터링된 두 개의 이미지를 통해서 그래디언트의 크기와 방향이 산출된다. 이후, 이미지 전처리 단계는 하나의 엣지가 여러개의 픽셀로 표현되는 현상을 없애기 그래디언트 크기가 국지적 최대(local maximum)인 픽셀만을 엣지 픽셀로 선정하는 비최대 억제(Non-maximum Suppression) 동작을 수행한다. 마지막으로 이미지 전처리 단계는 히스테리시스 엣지 트래킹(Hysteresis edge tracking) 동작을 통해서 최소값 및 최대값의 임계 값을 기준으로 최종 엣지를 선정한다. 이미지 전처리 단계는 경계선이 강화된 이미지를 정규화하여 신호 강도가 일정 범위 내에서 나타나도록 전처리할 수 있다.
이와 같이, 이미지 전처리 단계는 획득된 이미지에서 관심영역을 세밀하게 추출하고, 경계선을 강화한 후 정규화하여 이미지 특징 추출을 위한 전처리 이미지를 산출할 수 있다.
한편, 이미지 질감 분석 방법은 전처리 이미지의 질감 특징 값을 서로 다른 알고리즘을 이용하여 각각 산출하고, 질감 특징 값에 기초하여 상기 전처리 이미지에 대한 히스토그램을 생성하는 질감 특징 추출 단계를 포함할 수 있다(S810).
종래 질감 특징을 추출하는 알고리즘은 스케일에 민감하여 객관적인 수치화가 어렵거나, 그레이 스케일의 변화에 민감하여 객관적인 수치화가 어려웠다. 즉, 특정 알고리즘을 사용하는 경우에 이미지 질감 분석 결과가 특정 인자(ex, 스케일 등)에 민감하게 나타나서 상호 비교를 통한 질감 특징 객관화가 불가능했다.
이러한 점을 해결하기 위해서, 본 실시예에서는 서로 다른 알고리즘을 사용하여 질감 특징 값을 산출하되, 각각 산출된 질감 특징 값을 모두 이용하여 하나의 히스토그램을 생성하여 이미지의 질감 특성을 객관화한다.
예를 들어, 서로 다른 알고리즘은 지역이진패턴(Local Binary Pattern) 알고리즘 및 프랙탈 차원(Fractal Dimension) 알고리즘일 수 있다.
질감 특징 추출 단계는 전처리 이미지에 대해서 지역이진패턴 알고리즘을 적용하여 각 이미지 좌표 별 질감 특징 값을 산출할 수 있다. 또한, 질감 특징 추출단계는 전처리 이미지에 대해서 차분박스 계수법을 적용하여 프랙탈 차원 맵을 생성함으로써, 각 이미지 좌표 별 프랙탈 차원 맵에서의 신호 강도를 질감 특징 값으로 산출할 수 있다.
또한, 질감 특징 추출 단계는 전처리 이미지에서 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값을 가지는 하나 이상의 좌표를 확인하고, 하나 이상의 좌표에 대응되는 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 이용하여 히스토그램을 생성할 수 있다.
예를 들어, 질감 특징 추출 단계는 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값을 가지는 하나 이상의 좌표에 대응되는 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 합산하여, 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값 상의 히스토그램 bin 컨텐츠에 매핑하여 히스토그램을 생성할 수 있다.
이를 통해서, 지역이진패턴 알고리즘을 통한 회전(Rotational), 그레이스케일(Grey-scale) 불변(invariant)한 특성과 프랙탈 차원맵을 통해 스케일 불변(Sclae invariant)한 특성을 모두 포함하는 히스토그램 산출이 가능하다. 따라서, 회전 또는 스케일 차이 등에 따른 질감 수치화 변동을 방지할 수 있다는 점에서 상호 비교가 객관화될 수 있는 질감 특징 분석이 가능하다.
이미지 질감 분석 방법은 히스토그램의 엔트로피를 산출하여 상기 이미지에 대한 질감 수치를 산출하는 질감 수치화 단계를 포함할 수 있다(S820).
예를 들어, 질감 수치화 단계는 서로 다른 알고리즘을 이용하여 생성한 히스토그램을 기준으로 엔트로피 값을 계산하여 이미지의 질감 특성을 수치화하여 출력할 수 있다. 일 예로, 질감 수치화 단계는 히스토그램에서의 bin 확률을 이용하여 이미지에 대한 엔트로피를 산출할 수 있다. 이 외에도 히스토그램에서 엔트로피를 산출하는 알고리즘은 공지된 다양한 알고리즘이 사용될 수 있다.
이상에서의 동작을 통해서 이미지 질감 분석 단계는 이미지의 관심영역 객체에 대한 질감을 수치로 제공할 수 있다. 또한, 이미지 질감 분석 단계는 장비 설정, 이미지 스케일, 회전 등에 강건한 특성을 가지도록 이미지를 처리하고, 이에 기반하여 수치로 이미지 질감을 제공한다. 따라서, 객관화된 이미지 질감 특성에 따라 이미지 간의 질감 비교 및 이미지 질감 특성에 따른 물성 예측 등이 가능해질 수 있다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 기술 사상의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 또한, 본 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로 이러한 실시예에 의하여 본 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
CROSS-REFERENCE TO RELATED APPLICATION
본 특허출원은 2023년 06월 12일 한국에 출원한 특허출원번호 제 10-2023-0074963 호에 대해 미국 특허법 119(a)조 (35 U.S.C § 119(a))에 따라 우선권을 주장하며, 그 모든 내용은 참고문헌으로 본 특허출원에 병합된다. 아울러, 본 특허출원은 미국 이외에 국가에 대해서도 위와 동일한 이유로 우선권을 주장하면 그 모든 내용은 참고문헌으로 본 특허출원에 병합된다.

Claims (16)

  1. 이미지에서 분석대상 관심영역을 추출하고, 상기 관심영역에 대한 경계선 강화를 수행하여 전처리 이미지를 산출하는 이미지 전처리부;
    상기 전처리 이미지의 질감 특징 값을 서로 다른 알고리즘을 이용하여 각각 산출하고, 상기 질감 특징 값에 기초하여 상기 전처리 이미지에 대한 히스토그램을 생성하는 질감 특징 추출부; 및
    상기 히스토그램의 엔트로피를 산출하여 상기 이미지에 대한 질감 수치를 산출하는 질감 수치화부를 포함하는 이미지 질감 분석 장치.
  2. 제 1 항에 있어서,
    상기 이미지 전처리부는,
    계산된 분할 경계값을 기준으로 상기 이미지를 이진화하여 이진 이미지를 산출하고,
    상기 이진 이미지를 모폴로지(Morphological) 연산을 통해서 보정하여 상기 관심영역을 추출하는 것을 특징으로 하는 이미지 질감 분석 장치.
  3. 제 2 항에 있어서,
    상기 모폴로지 연산은,
    닫기 연산(Closing operation) 및 열기 연산(Opening operation)이 순차적으로 포함되는 것을 특징으로 하는 이미지 질감 분석 장치.
  4. 제 1 항에 있어서,
    상기 이미지 전처리부는,
    상기 관심영역 내의 이미지를 일정한 크기를 가진 블록으로 구분하고, 블록별로 히스토그램 균일화를 시행하여 그레이 스케일 이미지로 변환하는 것을 특징으로 하는 이미지 질감 분석 장치.
  5. 제 1 항에 있어서,
    상기 이미지 전처리부는,
    상기 관심영역 내의 이미지에 대해서 캐니 엣지(Canny Edge) 알고리즘을 적용하여 상기 경계선 강화를 수행하고, 상기 경계선 강화된 이미지를 일정 범위의 신호강도로 정규화여 상기 전처리 이미지를 산출하는 것을 특징으로 하는 이미지 질감 분석 장치.
  6. 제 1 항에 있어서,
    상기 서로 다른 알고리즘은,
    지역이진패턴(Local Binary Pattern) 알고리즘 및 프랙탈 차원(Fractal Dimension) 알고리즘인 것을 특징으로 하는 이미지 질감 분석 장치.
  7. 제 6 항에 있어서,
    상기 질감 특징 추출부는,
    상기 전처리 이미지에서 상기 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값을 가지는 하나 이상의 좌표를 확인하고, 상기 하나 이상의 좌표에 대응되는 상기 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 이용하여 상기 히스토그램을 생성하는 것을 특징으로 하는 이미지 질감 분석 장치.
  8. 제 7 항에 있어서,
    상기 질감 특징 추출부는,
    상기 하나 이상의 좌표에 대응되는 상기 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 합산하여, 상기 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값 상의 히스토그램 bin 컨텐츠에 매핑하여 상기 히스토그램을 생성하는 것을 특징으로 하는 이미지 질감 분석 장치.
  9. 제 1 항에 있어서,
    상기 질감 수치화부는,
    상기 히스토그램에서의 bin 확률을 이용하여 상기 이미지에 대한 엔트로피를 산출하는 것을 특징으로 하는 이미지 질감 분석 장치.
  10. 이미지에서 분석대상 관심영역을 추출하고, 상기 관심영역에 대한 경계선 강화를 수행하여 전처리 이미지를 산출하는 이미지 전처리 단계;
    상기 전처리 이미지의 질감 특징 값을 서로 다른 알고리즘을 이용하여 각각 산출하고, 상기 질감 특징 값에 기초하여 상기 전처리 이미지에 대한 히스토그램을 생성하는 질감 특징 추출 단계; 및
    상기 히스토그램의 엔트로피를 산출하여 상기 이미지에 대한 질감 수치를 산출하는 질감 수치화 단계를 포함하는 이미지 질감 분석 방법.
  11. 제 10 항에 있어서,
    상기 이미지 전처리 단계는,
    계산된 분할 경계값을 기준으로 상기 이미지를 이진화하여 이진 이미지를 산출하고,
    상기 이진 이미지를 모폴로지(Morphological) 연산을 통해서 보정하여 상기 관심영역을 추출하는 것을 특징으로 하는 이미지 질감 분석 방법.
  12. 제 10 항에 있어서,
    상기 이미지 전처리 단계는,
    상기 관심영역 내의 이미지에 대해서 캐니 엣지(Canny Edge) 알고리즘을 적용하여 상기 경계선 강화를 수행하고, 상기 경계선 강화된 이미지를 일정 범위의 신호강도로 정규화여 상기 전처리 이미지를 산출하는 것을 특징으로 하는 이미지 질감 분석 방법.
  13. 제 10 항에 있어서,
    상기 서로 다른 알고리즘은,
    지역이진패턴(Local Binary Pattern) 알고리즘 및 프랙탈 차원(Fractal Dimension) 알고리즘인 것을 특징으로 하는 이미지 질감 분석 방법.
  14. 제 13 항에 있어서,
    상기 질감 특징 추출 단계는,
    상기 전처리 이미지에서 상기 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값을 가지는 하나 이상의 좌표를 확인하고, 상기 하나 이상의 좌표에 대응되는 상기 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 이용하여 상기 히스토그램을 생성하는 것을 특징으로 하는 이미지 질감 분석 방법.
  15. 제 14 항에 있어서,
    상기 질감 특징 추출 단계는,
    상기 하나 이상의 좌표에 대응되는 상기 프랙탈 차원 알고리즘을 통해서 산출된 질감 특징 값을 합산하여, 상기 지역이진패턴 알고리즘을 통해서 산출된 동일한 질감 특징 값 상의 히스토그램 bin 컨텐츠에 매핑하여 상기 히스토그램을 생성하는 것을 특징으로 하는 이미지 질감 분석 방법.
  16. 제 10 항에 있어서,
    상기 질감 수치화 단계는,
    상기 히스토그램에서의 bin 확률을 이용하여 상기 이미지에 대한 엔트로피를 산출하는 것을 특징으로 하는 이미지 질감 분석 방법.
PCT/KR2024/007966 2023-06-12 2024-06-11 이미지 질감 분석 방법 및 그 장치 Ceased WO2024258148A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202480039607.2A CN121359166A (zh) 2023-06-12 2024-06-11 图像纹理分析方法及其设备

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020230074963A KR20240175168A (ko) 2023-06-12 2023-06-12 이미지 질감 분석 방법 및 그 장치
KR10-2023-0074963 2023-06-12

Publications (1)

Publication Number Publication Date
WO2024258148A1 true WO2024258148A1 (ko) 2024-12-19

Family

ID=93852420

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/007966 Ceased WO2024258148A1 (ko) 2023-06-12 2024-06-11 이미지 질감 분석 방법 및 그 장치

Country Status (3)

Country Link
KR (1) KR20240175168A (ko)
CN (1) CN121359166A (ko)
WO (1) WO2024258148A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110008658A (ko) * 2009-07-20 2011-01-27 인하대학교 산학협력단 적분 영상을 이용한 흉부 시티 영상에서 고속 특징 추출 방법
KR101812406B1 (ko) * 2016-03-16 2017-12-27 동국대학교 산학협력단 피부질환 진단 방법 및 피부질환 진단 시스템
CN111402267A (zh) * 2020-03-13 2020-07-10 中山大学孙逸仙纪念医院 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端
KR20200099633A (ko) * 2019-02-14 2020-08-25 재단법인 아산사회복지재단 영상의 질감 분석 방법 및 컴퓨터 프로그램
KR20210079134A (ko) * 2019-12-19 2021-06-29 인제대학교 산학협력단 조직학 섹션에서 전립선암 종의 다중 특성 분류 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110008658A (ko) * 2009-07-20 2011-01-27 인하대학교 산학협력단 적분 영상을 이용한 흉부 시티 영상에서 고속 특징 추출 방법
KR101812406B1 (ko) * 2016-03-16 2017-12-27 동국대학교 산학협력단 피부질환 진단 방법 및 피부질환 진단 시스템
KR20200099633A (ko) * 2019-02-14 2020-08-25 재단법인 아산사회복지재단 영상의 질감 분석 방법 및 컴퓨터 프로그램
KR20210079134A (ko) * 2019-12-19 2021-06-29 인제대학교 산학협력단 조직학 섹션에서 전립선암 종의 다중 특성 분류 방법
CN111402267A (zh) * 2020-03-13 2020-07-10 中山大学孙逸仙纪念医院 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端

Also Published As

Publication number Publication date
CN121359166A (zh) 2026-01-16
KR20240175168A (ko) 2024-12-19

Similar Documents

Publication Publication Date Title
WO2018223857A1 (zh) 文本行识别方法及系统
WO2018070844A1 (ko) 에지 모델링을 위한 에지 블러 설정 방법
US20110013805A1 (en) Image processing apparatus, image processing method, and interface apparatus
KR100559471B1 (ko) 대칭축을 이용한 얼굴 검출 시스템 및 방법
WO2016070462A1 (zh) 基于方向梯度直方图的显示面板缺陷检测方法
WO2019009664A1 (en) APPARATUS FOR OPTIMIZING THE INSPECTION OF THE OUTSIDE OF A TARGET OBJECT AND ASSOCIATED METHOD
WO2016163609A2 (ko) Lpr 시스템에서 적응적 확률기반의 저조도 영상개선 및 스미어 복원처리 장치와 그 방법
WO2022240030A1 (ko) 반려동물 생애 관리 시스템 및 그 방법
WO2015099251A1 (ko) 웨이퍼의 형상 분석 방법 및 장치
WO2014017697A1 (ko) 가이디드 가버 필터를 이용한 지정맥 패턴 추출 방법 및 장치
WO2022240029A1 (ko) 반려동물 식별 시스템 및 그 방법
JP2000132688A (ja) 顔パーツ検出方法及びその装置
WO2020116680A1 (ko) 차량 번호판 검출 및 인식 시스템 및 방법
KR102361444B1 (ko) 다각형 기반의 객체 인식 성능 보정 장치 및 방법
CN111757014A (zh) 网络摄像头的焦距调节方法、装置、设备和存储介质
JP2005172559A (ja) パネルの線欠陥検出方法及び装置
WO2024063217A1 (ko) Ai 물체 인식 학습용 라벨링 데이터 자동 수집 장치 및 이를 이용한 ai 물체 인식 학습용 라벨링 데이터 자동 수집 방법
WO2012053811A9 (ko) 텐서 보팅에 기반을 둔 컬러 클러스터링 시스템 및 그 방법
US5621825A (en) Image processor, image processing method and apparatus applying same
JP3627249B2 (ja) 画像処理装置
WO2023277473A1 (ko) 반려 동물의 식별을 위한 객체를 촬영하기 위한 방법 및 전자 장치
WO2024039058A1 (ko) 피부 진단 장치, 이를 포함하는 피부 진단 시스템 및 그 방법
WO2023068542A1 (ko) 모바일 로봇의 전역 위치인식을 위한 방법 및 컴퓨팅 장치
WO2015147485A1 (ko) 글린트 제거방법과 이를 이용한 홍채 인식 제어장치
WO2022039575A1 (ko) 딥 러닝 기반 실시간 공정 감시 시스템 및 그 방법

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: 24823666

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE