선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 연구에서는 렌즈 왜곡을 보정하기 위한 인공신경망의 적용에 앞서 k-means방법으로 렌즈의 왜곡 정도에 따른 클러스터링을 선행하는 방법을 제안한다.
- 본 연구에서는 렌즈 왜곡의 보정을 위해 기존 카메라 보정 방법과 인 공신경망 보정 방법의 문제점을 보완하는 새로운 방법을 제안하였다. 이는 렌즈 왜곡의 특성을 포함하는 보다 정확한 보정 방법으로 k-means 군집분석을 이용해 실제 왜곡 정도에 따라 영상을 분할한 후 분할된 각 영역에 인공신경망을 설계하고 적용하였다.
제안 방법
- . n 후각 군집 별로 왜곡을 보정할 수 있는 신경망을 구성하고 학습시킨 뒤 검증된 신경망으로 매칭 알고리즘을 설계한다. 모든 픽셀의 보정 좌표 값이 설정된 매칭 알고리즘을 이용하여 군집별로 분리된 영상을 역사상을 이용해 통합하는 방법으로 왜곡된 영상을 보정한다.
- 그리고 각 분할된 영상에 영상을 분할하지 않고 전체 영상에 인공신경망을 적용했을 때와 같은 신경망 구조를 적용한다. 그 후 분할된 각 영역의 블럽점이 아닌 모든 픽셀 점을 각각 신경망을 이용해 학습시킨다. 이를 통해 픽셀 매칭 알고리즘을 설계하여 모든 픽셀점이 보정된 영상위치에 대응되도록 한다.
- 기존 방법과 비교하기 위하여 먼저 영상을 분할하지 않고 전체영상을 1개의 인공신경망을 사용해 왜곡을 보정하였다. 학습데이터는 블럽 좌표값 2222개, 검증 데이터는 학습에 포함되지 않은 블럽 좌표값 739개로 설정하였다.
- 003125를 기준으로 작은 오차를 보이면 올바른 왜곡 보정으로 판단하였다. 또한 AEIP를 사용하여 렌즈의 확대율과는 무관하게 카메라 보정의 정확도를 절대적으로 평가할 수 있게 하였다.
- n 후각 군집 별로 왜곡을 보정할 수 있는 신경망을 구성하고 학습시킨 뒤 검증된 신경망으로 매칭 알고리즘을 설계한다. 모든 픽셀의 보정 좌표 값이 설정된 매칭 알고리즘을 이용하여 군집별로 분리된 영상을 역사상을 이용해 통합하는 방법으로 왜곡된 영상을 보정한다.
- 본 연구에서 제안한 알고리즘은 그림 1과 같이 왜곡 영상과 표준 영상 사이의 오차를 계산하고 K-means 군집분석을 이용해 오차 정도에 따라 영상영역을 분리한 디..
- 방법인 k-means 알고리즘을 이용한다. 앞 단계에서 구한 왜곡 영상과 표준 영상 사이의 각 블럽의 오차 정도를 k-means 분석을 통해 군집화하고 그 군집을 기준으로 영상을 분할한다.
- 영상 분할을 하기 위해 AEIP 오차를 고려해 군집 분석을 하였다. 그 결과 왜곡 영상의 오차분포와 비슷한 동심원 모양의 패턴 2SL 5가지의 군집이 형성되었다.
- 제안하였다. 이는 렌즈 왜곡의 특성을 포함하는 보다 정확한 보정 방법으로 k-means 군집분석을 이용해 실제 왜곡 정도에 따라 영상을 분할한 후 분할된 각 영역에 인공신경망을 설계하고 적용하였다. 제안한 방법을 사용한 경우 영상 분할을 하지 않고 인공신경망을 사용한 기존방법보다 정확도가 26.
- 이를 위해 실제 왜곡 정도를 반영할 수 있는 AEIP (Average Error In Pixels) 오차를 계산한다. AEIF는 식 (1)과 같다.
- 그 후 분할된 각 영역의 블럽점이 아닌 모든 픽셀 점을 각각 신경망을 이용해 학습시킨다. 이를 통해 픽셀 매칭 알고리즘을 설계하여 모든 픽셀점이 보정된 영상위치에 대응되도록 한다. 최종적으로 양선형 보간 법과 역방향 사상을 거치면 왜곡이 보정된 영상을 얻게 된다.
- 활성함수는 비선형성을 보정할 수 있는 견실한 모델인 tangent-sigmoid 함수를 사용하였으며, 은닉층은 4개로 각각 10-9-6-8개의 뉴런을 가진 MLPNN(다층퍼셉트론 신경망)구조로 설계하였다.
대상 데이터
- 5mm로 35mm fikn의 27mm와 동등하다. 실험에 사용될 영상은 640x480의 크기를 가지며 3×3픽셀의 검은 점을 갖는 블럽 (blob)영상을 사용하였다. 블럽 영상이나 격자영상을 사용하는 방법은 각각의 점이나 교차점이 왜곡이 되지 않았을 때 원래 있어야 할 위치를 표준 영상으로 만들어 1대1로 매칭 시켜 보정 정도를 판단할 수 있기 때문에 카메라 보정에 관련된 실험에 대부분 쓰이는 방법이다〔12, 20],
- , Taiwan)카메라를 사용하였다. 연구에 사용된 카메라는 640 X 480의 해상도를 가지는 CMOS 카메라이며 EFL(Equivalent Focal Length) 은 3.5mm로 35mm fikn의 27mm와 동등하다. 실험에 사용될 영상은 640x480의 크기를 가지며 3×3픽셀의 검은 점을 갖는 블럽 (blob)영상을 사용하였다.
- 왜곡 영상 획득을 위해서 웹캠(MF-200, ASUSTek Computer Inc., Taiwan)카메라를 사용하였다. 연구에 사용된 카메라는 640 X 480의 해상도를 가지는 CMOS 카메라이며 EFL(Equivalent Focal Length) 은 3.
- 기존 방법과 비교하기 위하여 먼저 영상을 분할하지 않고 전체영상을 1개의 인공신경망을 사용해 왜곡을 보정하였다. 학습데이터는 블럽 좌표값 2222개, 검증 데이터는 학습에 포함되지 않은 블럽 좌표값 739개로 설정하였다.
데이터처리
- 설계된 인공신경망의 정확도를 평가하기 위한 신경망 검증 방법은 입력 데이터를 정규화하였기 때문에 1픽셀에 해당하는 값인 0.003125를 기준으로 작은 오차를 보이면 올바른 왜곡 보정으로 판단하였다. 또한 AEIP를 사용하여 렌즈의 확대율과는 무관하게 카메라 보정의 정확도를 절대적으로 평가할 수 있게 하였다.
이론/모형
- 위함이다. 군집분류를 위한 방법은 반복과 분류(Iterate and classify) 방법을 사용했으며 최대반복(Maximum Iterations)은 10 으로 설정하였다.
- 역방향 매핑의 실제 구현시 해당하는 이미지상의 좌표는 정수가 아니라 실수가 나오게 된다. 따라서 해당 지점 밝기 값의 결정 시 주변에 있는 정수지점의 값을 이용하는 양선형 보간법 (bilinear interpolation) 을 사용해 화소 값을 결정하였다. 이렇게 보정된 좌표값과 화소값을 빈 영상에 차례로 사상시키면 최종적으로 보정된 영상을 얻을 수 있다.
- 영상을 분할하기 위해 본 연구에서는 비계층적 군집 분석의 한 방법인 k-means 알고리즘을 이용한다. 앞 단계에서 구한 왜곡 영상과 표준 영상 사이의 각 블럽의 오차 정도를 k-means 분석을 통해 군집화하고 그 군집을 기준으로 영상을 분할한다.
- 있다. 첫 번째 방법은 렌즈의 왜곡 파라미터가 추가된 카메라 모델을 이용하여 보정하는 방법〔2-8〕이다. 이는 최소화 방법으로 각계수 값들을 구한 후보정하는 방식으로 임의의 영상에 대한 왜곡량을 계산하기 위해 왜곡계수(k)를 이용해 보정 한다.
성능/효과
- 그 결과 왜곡 영상의 오차분포와 비슷한 동심원 모양의 패턴 2SL 5가지의 군집이 형성되었다. 그림 6은 5가지의 군집 분석 결과를 영상 위치에 나타낸 것이다.
- 7% 수준에 불과한 수치이다. 또한 Method A와 비교하였을 때 AEIP기준의 정확도가 학습 결과의 경우 26.5%, 검증 결과의 경우 17.6%가 향상되었다.
- 제안한 방법으로 영상을 보정하였을 경우 학습결과의 AEIP는 0.2859, 검증 결과의 AEIP는 0.3483으로 나타났다. 이는 왜곡 영상의 AEIP와 비교하였을 때 학습 결과의 경우 8.
- 이는 렌즈 왜곡의 특성을 포함하는 보다 정확한 보정 방법으로 k-means 군집분석을 이용해 실제 왜곡 정도에 따라 영상을 분할한 후 분할된 각 영역에 인공신경망을 설계하고 적용하였다. 제안한 방법을 사용한 경우 영상 분할을 하지 않고 인공신경망을 사용한 기존방법보다 정확도가 26.5%(학습), 17.6%(검증) 향상된 결과를 보였다.
후속연구
- 설정하는 연구가 필요할 것으로 사료된다. 또한 본 연구에서 사용 한 인공신경망은 일반적인 다층퍼 셉트론 신경망이기 때문에 최근에 개발된 GMDH 신경망〔15〕등의 새로운 구조의 신경망을 적용하면 왜곡보정의 정확도가 높아질 것으로 기대한다.
- 본 연구에서는 k-means 방법을 사용해 5개의 군집을 설정하고 분석하였는데 향후에는 AEIP에 따라 최적의 군집 개수를 설정하는 연구가 필요할 것으로 사료된다. 또한 본 연구에서 사용 한 인공신경망은 일반적인 다층퍼 셉트론 신경망이기 때문에 최근에 개발된 GMDH 신경망〔15〕등의 새로운 구조의 신경망을 적용하면 왜곡보정의 정확도가 높아질 것으로 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.