• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2013년도 추계학술발표대회
• /
• pp.1528-1531
• /
• 2013

본 논문은 스테레오 시각에서 3차원 정보를 얻기 위해 bilateral filter를 이용한 그래프 컷 기반의 다해상도 스테레오 영상 정합 방법을 제안하고자 한다. 제안한 방법은 변위도에서 물체의 경계를 명확히 구분하기 위해 bilateral filter를 이용하여 그래프의 각 노드들을 연결하는 경로의 가중치를 결정하고 정합 비용을 통합한다. 정합 과정에서 계산복잡도를 줄이기 위해 계층적 다해상도 구조를 적용하여 영상 피라미드를 만들고, 정합의 정확성을 향상시키기 위해 정합 영역에 변위 평활성과 같은 제약 조건을 적용하여 변위를 전파하는 방법을 사용한다. 실험을 통해 제안한 방법이 변위 탐색 시간을 감소시킬 뿐만 아니라 기존의 그래프 컷의 단점을 보완할 수 있음을 확인하고자 한다.

• 한국컴퓨터그래픽스학회논문지
• /
• 제22권4호
• /
• pp.11-19
• /
• 2016

본 논문에서는 복부 CT 영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법을 제안한다. 제안 방법은 다음의 세 단계로 구성된다. 첫째, 신실질의 다양한 형상정보를 이용하기 위해 피질기반 유사정합을 통한 다중 확률 아틀라스를 생성한다. 둘째, 최대사후확률 추정을 통해 그래프-컷의 초기 씨앗을 추출하고, 형상제한 그래프-컷을 통해 신실질을 분할한다. 셋째, 확률 아틀라스의 정합 오차를 줄이고 분할 정확도를 높이기 위해, 정합 및 분할을 반복적으로 수행한다. 제안방법의 성능을 평가하기 위해 정성적 평가 및 정량적 평가를 수행하였다. 실험결과 제안방법이 신실질과 유사한 밝기값을 갖는 주변 영역으로의 누출을 방지하여 개선된 분할 정확도를 보여준다.

• 정보과학회 논문지
• /
• 제42권10호
• /
• pp.1222-1230
• /
• 2015

무릎 자기공명영상에서 전방십자인대의 분할은 밝기값의 불균일성 및 주변 조직들과의 유사 밝기값 특성으로 인해 기존 분할기법의 적용에 한계가 있다. 본 논문에서는 지역적 정렬을 통한 확률아틀라스 생성 및 반복적 그래프 컷을 통한 다중아틀라스 기반 전방십자인대 분할기법을 제안한다. 첫째, 전역 및 지역적 다중아틀라스 강체정합을 통해 전방십자인대의 확률아틀라스를 생성한다. 둘째, 생성된 확률아틀라스를 이용하여 최대사후추정 및 그래프 컷을 통하여 전방십자인대 초기 분할을 수행한다. 셋째, 마스크 기반 강체정합을 통한 형상정보 개선 및 반복적 그래프 컷을 통해 전방십자인대 분할 개선을 수행한다. 제안방법의 성능평가를 위하여 육안평가 및 정확성평가를 수행하였으며, 평가 결과 제안방법의 Dice 유사도는 75.0%, 평균표면거리는 1.7화소, 제곱근표면거리는 2.7화소로서 기존 그래프 컷 방법에 비하여 전방 십자인대의 분할정확도가 각각 12.8%, 22.7%, 및 22.9% 향상된 것으로 나타났다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2007년도 가을 학술발표논문집 Vol.34 No.2 (C)
• /
• pp.459-464
• /
• 2007

영상기반의 3자원 복원(reconstruction)에 대한 연구가 컴퓨터 성능의 발전과 다양한 영상기반의 복원 알고리즘의 연구로 인해 최근 좋은 결과를 보이고 있으나, 이는 얼굴영역과 같은 목적이 되는 영역이 각 입력영상으로부터 미리 정확하게 추출되어 있다고 가정하기 때문이다. 일반적으로 목적이 되는 영역을 추출하기 위해 차영상이 많이 이용되고 있지만 차영상은 잡음과 구멍(hole)과 같은 오 추출된 영역이 발생하기 때문에 목적이 되는 영역을 3차원으로 복원을 할 때 심각한 오류를 초래할 수 있다. 전경물체(목적이 되는 영역)을 정확하게 추출하기 위해 최근 그래프 컷(graph cut)을 이용한 방법이 다양하게 시도되고 있다. 그래프 컷은 데이터 항(data term)과 스무드 항(smooth term)으로 구성된 에너지 함수를 전역적으로 최소화하는 방법으로 여러 공학적 문제에서 좋은 결과를 보이고 있지만, 에너지 함수의 데이터 항을 설정할 때 필요한 사전정보를 자동으로 얻기가 어렵다. 스테레오 비전의 깊이 정보가 최근 전경 물체 추출을 위한 사전정보로 많이 이용되고 있고 그들의 실험환경에서는 좋은 결과를 보이지만, 3차원 얼굴 복원에서 얼굴의 대부분이 동질의 영역을 가지고 있기 때문에 깊이 정보를 구하기 어려워 정확한 사전정보를 구하기가 어렵다. 본 논문에서는 3차원 얼굴 복원을 효과적으로 하기 위한 그래프 컷 기반의 전경 물체 추출 방법을 제안한다. 에너지 함수의 데이터 항을 설정하기 위해 전경 물체에 대한 사전정보를 추출해야 하며, 이를 위해 차영상을 이용하여 대략적인 전경 물체 추출하고, 사전정보에 대한 오류를 줄이기 위해 잡음과 그림자 영역을 제거한다. 잡음과 그림자 영역을 제거하면 구멍이 발생하거나 실루엣이 손상되는 문제가 발생한다. 손상된 정보는 근접한 픽셀이 유사하지 않을 때 낮은 비용을 할당하는 에너지 함수의 스무드(smooth) 항에 의해 에지 정보를 기반으로 채워진다. 결론적으로 제안된 방법은 스무드 항과 대략적으로 설정된 데이터 항으로 구성된 에너지 함수를 그래프 컷으로 전역적으로 최소화함으로써 더욱 정확하게 목적이 되는 영역을 추출할 수 있다.

• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송공학회 2013년도 하계학술대회
• /
• pp.64-65
• /
• 2013

본 논문에서는 슈퍼픽셀(superpixel) 단위의 그래프 컷 알고리즘을 적용하여 객체 추적의 정확도를 향상시키기 위한 방법을 제안한다. 먼저 영상 분할 기법을 사용하여 입력 영상을 슈퍼픽셀로 분할하고 각 슈퍼픽셀에서 색상 히스토그램을 이용한 특성 벡터를 생성한다. 그리고 특성 벡터에 지지벡터기계(support vector machines)를 사용하여 각 슈퍼픽셀의 객체 확률 값을 추정한다. 객체 확률 값을 데이터 항(data term)으로, 이웃한 슈퍼픽셀 간의 특성 벡터 차 값을 스무드 항(smooth term)으로 하여, 그래프 컷(graph cuts) 알고리즘으로 슈퍼픽셀들을 객체와 배경으로 분류하고 객체 슈퍼픽셀을 최대한으로 포함하는 객체 윈도우를 찾는다. 실험 결과는 제안하는 기법이 기존 기법들보다 객체 추적 성능이 우수함을 보여준다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제36권11호
• /
• pp.936-946
• /
• 2009

그래프 컷(graph cuts) 방법은 주어진 사전정보와 각 픽셀간의 유사도를 나타내는 데이터 항(data term)과 이웃하는 픽셀간의 유사도를 나타내는 스무드 항(smoothness term)으로 구성된 에너지 함수를 전역적으로 최소화하는 방법으로, 최근 영상 분할에 많이 이용되고 있다. 기존 그래프 컷 기반의 영상 분할 방법에서 데이터 항을 설정하기 위해 GMM(Gaussian mixture model)을 주로 이용하였으며, 평균과 공분산을 각 클래스를 위한 사전정보로 이용하였다. 이 때문에 클래스의 모양이 초구(hyper-sphere) 또는 초타원(hyper-ellipsoid)일 때만 좋은 성능을 보이는 단점이 있다. 다양한 클래스의 모양에서 좋은 성능을 보이기 위해, 본 논문에서는 mean shift 분석 방법을 이용한 그래프 컷 기반의 자동 영상분할 방법을 제안한다. 데이터 항을 설정하기 위해 $L^*u^*{\upsilon}^*$ 색상공간에서 임의로 선택된 초기 mean으로부터 밀도가 높은 지역인 모드(mode)로 이동하는 mean의 집합들을 사전정보로 이용한다. Mean shift 분석 방법은 군집화에서 좋은 성능을 보이지만, 오랜 수행시간이 소요되는 단점이 있다. 이를 해결하기 위해 특징공간을 3차원 격자로 변형하였으며, mean의 이동은 격자에서 모든 픽셀이 아닌 3차원 윈도우내의 1차원 모멘트(moment)를 이용한다. 실험에서 GMM을 이용한 그래프 컷 기반의 영상분할 방법과 최근 많이 이용되고 있는 mean shift와 normalized cut기반의 영상분할 방법을 제안된 방법과 비교하였으며, Berkeley dataset을 기반으로 앞의 세 가지 방법보다 좋은 성능을 보였다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2007년도 심포지엄 논문집 정보 및 제어부문
• /
• pp.449-450
• /
• 2007

오래 전 부터 영상처리와 컴퓨터 비전은 많은 분야에 응용되고 발전 되어 왔다. 그러한 기술 중에 최근 각광 받고 있는 그래프 짓(Graph cut) 알고리즘은 에너지함수를 최소화 하는 가장 강력한 최적화 기법중 하나이다. 그리고 일반적으로 Sobel, Prewitt, Roberts, Canny 에지(edge) 검출기 등은 영상처리에서 영상상의 에지를 검출하기 위해 이미 널리 사용되고 발전되어 온 기술이다. 물체에서의 윤곽만 검출하기 위해서는 우리가 원하지 않는 영상 위의 에지도 검출되기 때문에 예지 검출기만으로는 물체의 윤곽만을 검출하는 것은 불가능하다. 우리는 물체의 윤곽만 검출하기를 원하기 때문에 그래프 컷과 에지 검출기의 알고리즘을 결합하면 이러한 문제를 해결 할 수 있다는 것을 제안한다. 이 논문에서는 그래프 컷 알고리즘과 에지 검출기에 관해 간략하게 기술하고 그 결과를 보일 것이다.

• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2018년도 하계학술대회
• /
• pp.112-115
• /
• 2018

본 논문에서는 공간적 일관성과 시간적 일관성을 모두 고려하는 그래프 컷(graph cuts, GC) 알고리즘을 적용한 새로운 비디오 정합(video stitching) 방법을 제안한다. 먼저 입력 비디오로부터 취득한 전체 프레임에 대해서 정렬(frame alignment) 작업이 완료된 후, 프레임 합성(frame composition)을 위한 정합선 찾기(seam finding) 과정을 진행한다. 정합선을 찾는 과정에서 개선된 그래프 컷 알고리즘을 이용해 정렬된 프레임들을 자연스럽게 합성할 수 있는 최적의 정합선을 찾는다. 우선, 첫번째 입력 프레임에서 찾은 최적 정합선을 참조 정합선으로 설정한다. 그 다음, 연속된 프레임들의 정합선 찾기 과정을 수행할 때, 참조 정합선과의 거리 값을 가중치로 이용하는 새로운 비용 함수를 적용한다. 본 논문에서 제안하는 알고리즘으로 찾은 최적 정합선은 입력 프레임의 중첩 영역에 움직이는 물체가 존재할 때, 물체의 모양을 손상시키지 않으면서 동시에 연속된 프레임의 정합선을 유사한 형태로 유지시킨다. 결과적으로 공간적, 시간적 자연스러움이 보장되는 고품질의 비디오 정합 결과를 얻을 수 있다.

• 방송공학회논문지
• /
• 제18권4호
• /
• pp.609-618
• /
• 2013

본 논문은 기존 그래프 컷 기반 영상분할의 성능은 유지하면서 연산속도가 빠른 영상분할 방법을 제안한다. 기존 그래프 컷 기반 영상분할은 높은 성능을 보이지만 고유쌍 연산으로 인해 분할 속도가 느리다는 단점을 지닌다. 이는 고유쌍 연산에서 영상 내 모든 화소 사이의 유사도를 고려하여 정방행렬을 만들기 때문이다. 그러므로 제안하는 방법은 영상을 여러 영역으로 분할하여 작은 크기의 정방행렬을 구성하고 이를 통해 고유쌍 연산 속도를 크게 향상시킨다. 본 논문에서는 대수적 다중 격자를 이용한 다중스케일 영상분할법을 제안하고 실험 결과를 통해 제안하는 방법이 기존 영상분할 방법보다 그 성능이 더 우수함을 보인다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제35권9호
• /
• pp.572-587
• /
• 2008

SOFM(Self-organizing Feature Map)은 고차원의 데이타를 군집화(clustering)하거나 시각화(visualization)하기 위해 많이 사용되고 있는 비교사 학습 신경망(unsupervised neural network)의 한 종류이며, 컴퓨터비전이나 패턴인식 분야에서 다양하게 활용되고 있다. 최근 SOFM이 실제 응용분야에 다양하게 활용되고 좋은 결과를 보이고 있지만, 학습된 SOFM의 뉴론(neuron)을 다시 군집화해야 하는 후처리가 필요하며, 대부분의 경우 수동으로 이루어지고 있다. 후처리를 자동으로 하기 위해 k-means와 같은 기존의 군집화 알고리즘을 많이 이용하지만, 이 방법은 특히 다양한 모양의 클래스를 가진 고차원의 데이타에서 만족스럽지 못한 결과를 보인다. 다양한 모양의 클래스에서 좋은 성능을 보이기 위해, 본 논문에서는 그래프 컷(graph cut)을 이용하여 학습된 SOFM을 자동으로 군집화하는 방법을 제안한다. 그래프 컷을 이용할 때 터미널(terminal)이라는 두 개의 추가적인 정점(vertex)이 필요하며, 터미널과 각 정점 사이의 가중치는 대부분 사용자에 의해 입력받은 사전정보를 기반으로 설정된다. 제안된 방법은 SOFM의 거리 매트릭스(distance matrix)를 기반으로 한 모드 탐색(mode-seeking)과 모드의 군집화를 통하여 자동으로 사전정보를 설정하며, 학습된 SOFM의 군집화를 자동으로 수행한다. 실험에서 효율성을 검증하기 위해 제안된 방법을 텍스처 분할(texture segmentation)에 적용하였다. 실험 결과에서 제안된 방법은 기존의 군집화 알고리즘을 이용한 방법보다 높은 정확도를 보였으며, 이는 그래프기반의 군집화를 통해 다양한 모양의 클러스터를 처리할 수 있기 때문이다.