영상의 분할에 초점을 맞춘 여러가지 알고리즘을 이전의 포스트에서 알아보았다. 이러한 알고리즘이 개발된 후에도 여러가지 알고리즘에 계속해서 발전해왔는데, 그 중 대표적인 것이 해리스 코너 검출기 알고리즘과 SIFT 알고리즘이다. 이러한 알고리즘들은 대표적인 특성공학의 산물들이다. 첫번째 포스트에서 언급했듯 딥러닝 이전의 머신러닝은 특성공학을 통한 데이터의 특성 추출에 초점을 맞추었다. 이러한 방식은 실제로 사용될 정도로 어느정도 성공을 거두었지만, 실제 사람의 인식 수준에 비하면 걸음마 수준이었다. 특정한 상황에서 추출된 특성만을 인식할 수 있었고, 이 과정에서도 당시 하드웨어 수준에 비해 상대적으로 높은 계산복잡도를 갖고 있었다. 이로인해, 인식 정확도와 알고리즘의 범용성에서 한계가 존재했다. 해리스 코..

과거엔 영상을 처리하기 위해 찾고자 하는 물체가 있는 영역과 없는 영역을 분할해야 했었다. 영역을 분할하는 방법에는 clustering, 영역 성장, 분할&통합, 히스토그램에 의한 영역 분할 방법이 있다. Clustering clustering은 cluster(부분집합)으로 패턴 벡터를 분할하는 처리이다. clustering에서 비슷한 값을 가지는 그룹으로 벡터들의 집합을 분할해야 한다. 벡터는 intensity 값, RGB 값, 계산된 특성, texture measurement와 같은 구성요소를 포함하고 픽셀 또는 그 주위의 값들로 표현된다. clustering방법에는 고전적인 clustering 방법, iterative K-Means clustering 등이 있다. 영역 성장 방법 영역 성장 방법에서..

더보기 2022 경희대학교 응용수학과 공모전 참여 보고서를 기반으로 함. I.서론 기계가 영상을 인식하고, 이를 바탕으로 대상물을 분류, 재처리하는 기술은 영상 처리라는 분야로 정의되어 다양한 기법을 통해 발전해왔다. 1959년 홉킨스대학교의 생리학자 데이비드 허블과 토르스텐 비셀이 수행한 우리의 뇌에서 시각정보를 받는 대뇌피질의 첫번째 부분인 일차 시각피질에 있는 개별뉴런의 활동에 대한 연구[1]는 두뇌가 어떻게 시각적 정보를 인식하는지에 대한 기초적인 매커니즘을 제시하였다. 영상 처리는 크게 두개의 갈래로 나누어져 발전해왔는데, 전통적인 머신러닝 방법을 통해 대상물을 인식하는 방법, 머신러닝 중 딥러닝을 통해 대상물을 인식하는 방법이라는 두개의 갈래로 발전했다.[2] 이와는 별개로, 대뇌피질의 작동과..