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
- Landbaso 등은 침식, 팽창 연산을 통하여 이를 극복하려 하였다[4丄 하지만 그림 1(d)에서 확인할 수 있듯이, 만약 팽창 전의 영상에 노이즈 정보나 필요하지 않은 정보가 남아있을 경우 이것 또한 팽창 연산이 적용되어 좋지 않은 결과를 보여주었다. 본 논문에서는 그림자 제거 후의 결과를 출발점으로 하여 손상된 물체 영역을 복원하고자 하므로 그림자 제거 알고리즘은 (3)의 방법과 (4)의 물체 복원 전까지의 방법을 사용하도록 한다 [6-10].
- 본 논문에서는 영상으로부터 물체를 추출하기 위하여 널리 사용되고 있는 그림자 제거 기법들의 문제점인 물체 영역 손실을 보완하기 위하여 영역 확장을 통한 물체 영역 복원을 제안하였다. 제안된 방법은 그림자 제거 후의 영상을 seed로 하여 영역 확장을 시도하는 방법이므로, 그림자 제거 후 영상이 심하게 손실되었을 경우 완전 삭제된 물체 영역에 대해서 복원을 하지 못하는 것은 당연한 결과이다.
- 따라서 이와 같은 문제점을 보완하기 위해서 물체의 특성을 고려한 물체 복원 마스크(ORM)이라는 것을 제안하여 물체 복원을 시도하기도 하였으몌司, 침식 및 팽창 연산을 이용하여 그림자를 제거하고 물체를 복원하는 방법 [4] 등의 연구가 이루어져 왔지만 쉽게 보완해 낼 수는 없었다. 본 논문에서는 이런 문제점을 보완하기 위해서 그림자 제거 후 영역 확장 기법을 이용하여 물체의 손상된 영 역을 복원하는 방법을 제안하고, 다양한 환경으로부터 획득한 영상에 이 방법을 적용하여 그 타당성을 증명한다.
가설 설정
- 오래전부터 배경 영상으로부터 물체만을 추출하기 위한 다양한 노력 이 이루어져 왔으며, 특히 그림자를 제거하기 위한 시도가 이루어져 왔다. 대부분의 그림자 제거 알고리즘의 경우, 배경 영상을 기본적으로 알고 있다고 가정하고 있으며, 배경 영상과 전경 영상(배경 영상에 물체가 있는 영상)의 차로써 구한 차 영상(Difference image)을 시작점으로 하였다. 차 영상에는 배경과 차이가 나는 부분, 즉 물체와 그림자, 그 밖의 노이즈 등이 포함되어 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.