• 한국지능시스템학회논문지
• /
• 제26권6호
• /
• pp.493-497
• /
• 2016

적외선 영상은 야간에 표적의 탐지가 가능하여 보완과 감시분야에 활용도가 높다. 그러나 가시광선 영상에 비하여 해상도가 낮고 잡음의 영향이 크다는 단점이 있다. 본 논문에서는 적외선 영상의 표적을 분할하는 방법을 연구한다. 표적을 포함하는 다수의 관심영역(Region of Interest)을 다단계 분할 방법을 이용하여 추출하고 관심영역을 입력영상으로 다단계 분할방법을 다시 적용하여 표적을 분할한다. 다단계 분할 방법의 각 단계는 가우시안 혼합모델의 파라미터를 초기화 하고 추정하는 k-means 클러스터링(Clustering)과 EM(Expectation-Maximization) 알고리즘과 추정된 사후확률을 이용하여 각 화소의 클러스터를 결정하는 단계로 구성된다. 본 논문에서 추출된 관심영역을 선택하고 통합하는 방법을 제안한다. 관심영역의 통합은 근접한 모든 관심영역의 윈도우를 포함하도록 이루어진다. 실험에서는 야간의 보행자로부터 획득한 적외선 영상에 제안된 방법을 적용하고 다른 분할 방법과 비교하여 제안한 방법이 우수함을 보인다.

• 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.

• 한국콘텐츠학회논문지
• /
• 제15권9호
• /
• pp.403-410
• /
• 2015

MRI는 1970년을 시작으로 자장 세기와 수신 채널 수, 촬영시간의 단축 등으로 많은 발전을 해 오고 있으며, 병원 또한 각종 전산 시스템과 무선 네트워크의 발전으로 인해 각종 진료 영상장비로부터 디지털 영상을 획득, 저장 및 관리하게 되었다. 하지만, 국내 대학들은 고가의 실습장비와 유지비로 인하여 자체에서는 실습을 하지 못하고 있으며 임상 실습에 의존하고 있다. 이에 윈도우즈 운영체제의 PC상에서 MR 환자의 검사 프로그램을 개발하여 학생들이 많이 다루어 봄으로써 임상에서 근무하기 전 많은 도움을 주고자 하였다. MRI Simulator의 Relational Database 설계는 각 기능과 자료의 특성에 따라 7개의 Table로 구성하였으며, 환자정보 설계는 임상에서의 환자등록 방법을 기준으로 각 단계별 기능을 분류 하였다. 또, 검사를 위한 기본 정보 설정을 가정하여 각각의 설정 값 및 그 내용을 분류 하였다. 실행 단계별 메뉴는 한 눈에 볼 수 있도록 왼편에 배열을 하였다. 환자 등록은 이름, 성별, 고유번호, 생년월일, 몸무게 등 기초정보를 입력하고, 환자의 자세와 검사 방향을 설정하였다. 또, 검사부위와 Pulse Sequence을 나열하고, 선택하도록 분류하였다. 그리고 Protocol 이름과 부가 인자들를 입력할 수 있도록 하였다. 최종 화면은 검사 영상과 환자 정보, 검사 조건 등을 확인할 수 있도록 설계하였다. 이 프로그램을 통해 환자정보의 입력과 검사조건의 변경을 학습해봄으로써 이론과 실습을 통한 용어의 이해에 많은 도움을 주어 실제 임상근무에서 배우는 시간을 단축시킬 수 있다.

• 전자공학회논문지C
• /
• 제36C권12호
• /
• pp.78-89
• /
• 1999

기존의 웨이블릿 신경망들의 구조는 주로 주파수-시간 공간으로 변환된 훈련 패턴의 분포와 웨이블릿 윈도우와의 관계를 고려하여 결정한다. 또한 신경망 구조 결정 알고리즘과 네트워크 파라메터 학습 알고리즘을 분리하여, 우선 신경망 구조를 결정한 후, 출력 에러를 최소화하기 위한 학습을 수행한다. 그러나 이러한 방법은 학습을 시작하기 전에 훈련 패턴을 변환해야 하는 부가적인 전처리 과정이 필요하고, 초기에 구성된 신경망 구조는 변경되지 않는다는 단점을 가지고 있다. 본 논문에서는 별도의 처리 과정 없이 신경망의 출력과 교사 신호의 차이를 이용하여 웨이블릿 신경망 구조를 결정하는 방법을 제안한다. 제안하는 알고리즘은 네트워크 구조의 결정과 에러 최소화 학습을 동시에 수행하기 때문에 문제의 복잡도에 따라 적응적으로 은닉 노드의 수를 결정한다. 또한 학습에 의해 가장 큰 에러가 발생하는 영역에 은닉 노드를 추가하고 출력에 영향을 미치지 않는 노드를 제거하는 방법을 사용하여 네트워크의 구조를 최적화한다. 본 알고리즘은 훈련 패턴에 대한 전처리 과정을 없앰으로써 학습하기 전에 모든 훈련 패턴을 알고 있어야 한다는 제약 조건을 없애고 시간의 변화에 따라 출력이 바뀌는 시스템에도 효과적인 적용이 가능하다.

• 한국토양비료학회지
• /
• 제41권4호
• /
• pp.235-238
• /
• 2008

토양침식을 예측하는 WEPP(Water Erosion Prediction Project)모델은 연방 정부기관이 토양과 물 보전 및 환경을 계획하고 평가하는데 활용하고자 1985년 8월 차세대 물에 의한 토양침식을 예측하기 위해 만들어졌다. 미농무성 농업연구소에 의해 개발된 WEPP 모델은 경험적인 침식 예측을 위한 도구로써 침투, 유거수, 강우와 물에 의한 토양입자의 분리, 침전물의 이동, 퇴적, 작물의 생장 및 수확 후 잔여물의 분해 등을 포함한 토양 침식과 관련된 많은 중요한 물리적 과정을 모의한다. WEPP 모델은 모델을 구성하는 모듈의 입력자료와 모델을 시험하기 위해서 필요한 자료를 경작지, 초지, 산림 등 광대한 현장 실험 결과들로부터 얻었다. 미국내 여러 농업연구소와 협력 대학 등 수 많은 연구소의 큰 노력으로 모델을 만들 수 있었다. WEPP 모델은 경사지 혹은 작은 유역 규모에 적용이 가능하며, 물리적 모델이기 때문에 미국과 다른 여러 나라에서 중요한 자연자원을 효과적으로 평가할 수 있다. 최근 들어 DOS프로그램으로 만들어진 초기 WEPP모델을 윈도우 인터페이스와 GIS프로그램을 통합하여 향상시켰다. 또한, 바람과 물에 의한 침식을 통합 예측하는 시스템을 쉽게 이용할 수 있도록 구축 중에 있다.