1 |
1
다채널 이미지를 입력 받는 단계;상기 이미지의 적어도 한 채널을 웨이블릿 변환하여 복수의 서브밴드 영역을 취득하는 단계;상기 복수의 서브밴드 영역 중 적어도 하나의 서브밴드 영역의 양자화된 에너지 레벨 중 최우세 에너지 레벨을 성분으로 에너지 벡터를 생성하는 단계;상기 이미지의 어느 한 채널을 단계별로 공간 분할하여 복수의 공간 영역을 취득하는 단계; 및상기 복수의 공간 영역 중 적어도 하나의 공간 영역에 대한 양자화된 색상 중 고채도 색상의 라벨인 채도 키를 성분으로 채도 벡터를 생성하는 단계를 포함하고,상기 복수의 서브밴드는 상기 웨이블릿 변환을 2단계로 한 다해상도의 영역들이고,상기 에너지 벡터의 성분 배열 순서는 기설정된 상기 복수의 서브밴드의 배열 순서와 동일하고,상기 공간 분할 단계는 2단계이고,상기 복수의 공간 영역은 공간 분할하지 않은 수준 1의 공간 영역 1, 1단계로 공간 분할한 수준 2의 공간 영역 2 내지 5, 및 2단계로 공간 분할한 수준 3의 공간 영역 6 내지 21로 구성되고,상기 채도 벡터의 성분 배열 순서는 기설정된 상기 복수의 공간 영역의 배열 순서와 동일한, 멀티 스펙트럼 영상의 인공 지능 분류 및 검색 방법
|
2 |
2
제 1 항에 있어서,상기 에너지 레벨를 정하는 에너지 값은 HSV 모델에서의 휘도, 근적외선의 계조, 및 레드 에지의 계조에 각각 가중치를 곱한 값들의 합인, 방법
|
3 |
3
제 2 항에 있어서,상기 양자화된 에너지 레벨의 개수는 기설정된 개수이고,상기 최우세 에너지 레벨은 상기 서브밴드 영역의 에너지 값에 대한 픽셀수를 히스토그램화하여 최대 도수를 가지는 계급의 라벨이고,상기 계급의 최대값은 기설정된 정책에 따라 변화되고, 상기 계급의 상기 최대값을 초과하는 에너지 값을 가지는 픽셀은 도수에서 제외되는, 방법
|
4 |
4
삭제
|
5 |
5
삭제
|
6 |
6
삭제
|
7 |
7
제 1 항에 있어서,상기 양자화된 색상의 양자화 기준이 되는 레벨은 조명에 따라 변화되어 양자화 레벨이 조절되고,상기 양자화 레벨 조절은 촬영 당시의 시간대나 날씨를 기초로 산출된 조명값과 기준 조명값을 차이를 기초로 조절되는, 방법
|
8 |
8
제 1 항에 있어서,상기 에너지 벡터 및 상기 채도 벡터의 적어도 일부 성분으로부터 특징 벡터를 생성하는 단계를 더 포함하고,상기 특징 벡터는 유사 이미지의 판단 기준인, 방법
|
9 |
9
제 8 항에 있어서,상기 이미지가 분류용인 경우, 상기 이미지의 특징 벡터와 동일한 특징 벡터로 인덱싱된 이미지 그룹으로 분류하는 단계를 더 포함하는, 방법
|
10 |
10
제 9 항에 있어서,상기 인덱싱된 이미지 그룹의 이미지들은 상기 이미지의 촬영 대상, 촬영 시기, 및 촬영 날씨 중 적어도 하나가 유사한, 방법
|
11 |
11
제 9 항에 있어서,소스 훈련용 이미지의 특징을 분류하는 사전 학습된 딥러닝 모델을 도입하는 단계;상기 사전 학습된 딥러닝 모델의 특징점이 전이되고 일부가 변형된 전이 모델을 생성하는 단계;상기 전이 모델에 타겟 훈련용 이미지 데이터 셋으로 재학습시켜, 촬영 대상의 상태를 클래스 별로 분류하는 단계; 및상기 각 클래스를 상기 인덱싱된 이미지 그룹에 태그로 연결하는 단계를 더 포함하는, 방법
|
12 |
12
제 11 항에 있어서,상기 이미지가 검색용인 경우, 상기 이미지의 특징 벡터와 동일한 인덱스를 가지는 이미지 그룹을 검색하는 단계; 및상기 검색된 이미지 그룹의 태그를 출력하는 단계를 더 포함하는, 방법
|