1 |
1
(A) 복수의 트레이닝 다중 초점 이미지들을 복수의 패치들로 분할하고, 상기 각 패치로부터 복수의 특징들을 추출하며, 상기 추출된 특징들로부터 조인트 특징 벡터들을 형성하고, 상기 조인트 특징 벡터들을 랜덤 포레스트 분류기에 공급하여 각 패치의 충실도 점수를 결정할 수 있도록 상기 랜덤 포레스트 분류기를 트레이닝시키는 단계;(B) 동일한 장면의 테스트 다중 초점 이미지들의 분할된 각 패치로부터 획득된 조인트 특징 벡터들을 상기 트레이닝된 랜덤 포레스트 분류기에 입력하여, 각 패치의 충실도 점수를 획득하는 단계;(C) 히든 마르코프 모델을 이용하여 상기 충실도 점수에 기반하는 융합 이미지를 획득하기 위한 초기 결정 맵을 획득하는 단계;(D) 상기 초기 의사 결정 맵에서 면적이 임계값보다 작은 소구역을 반전시켜 최종 의사 결정 맵을 획득하는 단계; 및(E) 상기 최종 의사 결정 맵에 기반하여 융합 이미지를 형성하는 단계를 포함하고,상기 단계 (B)는,(B-1) 동일한 장면의 테스트 다중 초점 이미지들을 각각 복수의 중첩 패치들로 분할하는 단계;(B-2) 각각의 중첩 패치로부터 복수의 특징들을 추출하고, 추출된 특징들로부터 조인트 특징 벡터들을 형성하는 단계; 및(B-3) 상기 조인트 특징 벡터들을 상기 트레이닝된 랜덤 포레스트 분류기에 입력하여 각 패치의 충실도 점수를 획득하는 단계를 포함하며,상기 다중 초점 이미지()는 N개의 중첩 패치들로 분할되며, 상기 각 패치의 충실도 점수()는에 의해 결정되고,는 상기 다중 초점 이미지()에 긍정적인 결과를 주는 의사 결정 트리의 총 개수이고, NDTrees는 상기 랜덤 포레스트 분류기의 의사 결정 트리의 개수이며, k는 1 내지 상기 다중 초점 이미지들의 개수이고, i는 1 내지 N이며, N은 상기 분할된 중첩 패치들의 개수이며, NDTrees는 상기 랜덤 포레스트 분류기의 의사 결정 트리의 개수인, 다중 초점 이미지 융합 방법
|
2 |
2
삭제
|
3 |
3
청구항 1에 있어서,상기 단계 (C)는,(C-1) 상기 히든 마르코프 모델(HMM)을 이용하여 인접한 패치들 간의 호환성을 계산하고, 상기 계산된 호환성에 기반하여 각 패치의 전이 확률을 계산하는 단계;(C-2) 각 패치의 충실도 점수에 기반하여 각 패치의 방출 확률을 계산하는 단계; 및(C-3) 상기 전이 확률과 상기 방출 확률에 기반하여 융합 이미지를 형성하기 위한 초기 의사 결정 맵을 획득하는 단계를 포함하는, 다중 초점 이미지 융합 방법
|
4 |
4
청구항 1에 있어서,상기 복수의 특징들은, 가시성(visibility), 분산(variance), 공간 주파수(spatial frequency) 및 이산 코사인 변환(DCT) 고주파 에너지를 포함하는, 다중 초점 이미지 융합 방법
|
5 |
5
삭제
|
6 |
6
청구항 3에 있어서,두 개의 인접한 패치 , 의 호환성()은 에 의해 계산되고, 는 의 중첩 영역이며, 는 에 속하는 중첩 영역이고, 는 상기 테스트 이미지의 패치에 혼합된 가우스 이미지의 공분산이며,상기 각 패치의 전이 확률은 상기 호환성()에 기반하여 획득되며,상기 각 패치의 방출 확률은 상기 충실도 점수에 기반하여 획득되는, 다중 초점 이미지 융합 방법
|