1 |
1
(A) 트레이닝 이미지 표현 획득부가, 각각의 클래스의 복수의 트레이닝 이미지에 대한 시각적 어휘를 구성하고 각각의 클래스의 트레이닝 이미지들에 대한 시각적 단어의 히스토그램을 생성하여 각각의 클래스의 이미지에 대한 최종 이미지 표현을 획득하는 단계;(B) 분류 모델 생성부가, 상기 각각의 클래스의 이미지에 대한 최종 이미지 표현에 기반하여 분류 모델을 생성하는 단계;(C) 테스트 이미지 표현 획득부가, 테스트 이미지에 대한 시각적 단어의 히스토그램을 생성하여 테스트 이미지에 대한 최종 이미지 표현을 획득하는 단계; 및(D) 분류부가, 상기 테스트 이미지에 대한 최종 이미지 표현을 상기 분류 모델에 기반하여 분류하는 단계를 포함하고,상기 단계 (A)는,(A-1) 상기 트레이닝 이미지들을 그레일스케일 이미지로 변환하는 단계;(A-2) 상기 단계 (A-1)에서 변환된 그레이스케일 이미지에서 고밀도 특징들을 추출하는 단계;(A-3) 상기 단계 (A-2)에서 추출된 특징들을 k-평균 클러스터링에 기반하여 클러스터링하여 시각적 단어들을 획득하여 시각적 어휘를 구성하는 단계;(A-4) 상기 트레이닝 이미지들을 동심원 방식으로 서로 다른 레벨의 세그먼트로 분할하는 단계;(A-5) 각 레벨에 상이한 가중치를 적용하여 상기 트레이닝 이미지들의 각 레벨의 세그먼트 내에 있는 시각적 단어들에 대한 히스토그램을 생성하는 단계; 및(A-6) 상기 각 클래스의 트레이닝 이미지들과 관련하여 생성된 각 레벨의 시각적 단어들에 대한 히스토그램을 연결하여 상기 각 클래스의 트레이닝 이미지들에 대한 최종 이미지 표현을 획득하는 단계를 포함하며,상기 단계 (C)는,(C-1) 상기 테스트 이미지를 그레일스케일 이미지로 변환하는 단계;(C-2) 상기 단계 (C-1)에서 변환된 그레이스케일 이미지에서 고밀도 특징들을 추출하는 단계;(C-3) 상기 단계 (C-2)에서 추출된 특징들을 k-평균 클러스터링에 기반하여 클러스터링하여 시각적 단어들을 획득하는 단계;(C-4) 상기 테스트 이미지를 동심원 방식으로 서로 다른 레벨의 세그먼트로 분할하는 단계;(C-5) 각 레벨에 상이한 가중치를 적용하여 상기 테스트 이미지의 각 레벨의 세그먼트 내에 있는 시각적 단어들에 대한 히스토그램을 생성하는 단계; 및(C-6) 상기 테스트 이미지와 관련하여 생성된 각 레벨의 시각적 단어들에 대한 히스토그램을 연결하여 상기 테스트 이미지에 대한 최종 이미지 표현을 획득하는 단계를 포함하는, 지능형 이미지 분류 방법
|
2 |
2
청구항 1에 있어서,상기 단계 (A-4)에서 상기 트레이닝 이미지들을 동심원 방식으로 서로 다른 레벨의 세그먼트로 분할하는 단계, 및 상기 단계 (C-4) 상기 테스트 이미지를 동심원 방식으로 서로 다른 레벨의 세그먼트로 분할하는 단계에서,상기 트레이닝 이미지들과 상기 테스트 이미지는, k번째 레벨이 (k+1)개의 세그먼트를 갖도록 동심원 방식으로 서로 다른 레벨의 세그먼트로 분할되고,상기 동심원의 k번째 레벨의 반경(rk)은,[수학식 5]에 따라 계산되며,cx, cy는,[수학식 6]에 따라 계산되고,상기 I는 R×C의 크기를 갖는 이미지를 나타내며,이고,c = (cx, cy)는 이미지 I의 중심을 나타내며,L은 레벨의 수를 나타내고, 가장 작은 원의 중심은 r1이며, 는 이미지 I 내의 요소들의 수이고, k는 0 이상인 정수이며, R과 C는 0 이상인 정수인, 지능형 이미지 분류 방법
|
3 |
3
청구항 2에 있어서,상기 단계 (A-5) 및 상기 단계 (C-5)에서 각 레벨에 상이한 가중치를 적용하여 각 레벨의 세그먼트 내에 있는 시각적 단어들에 대한 히스토그램을 생성할 때, 레벨이 높을수록 더 큰 가중치를 할당하는, 지능형 이미지 분류 방법
|
4 |
4
청구항 2에 있어서,상기 단계 (D)는,상기 분류부가, 상기 각 클래스의 트레이닝 이미지의 히스토그램과 상기 테스트 이미지의 히스토그램의 인터섹션(intersection)에 기반하여 각 클래스의 트레이닝 이미지와 테스트 이미지 간의 유사도를 계산하고, 계산된 유사도에 기반하여 상기 테스트 이미지를 분류하는 단계를 포함하는, 지능형 이미지 분류 방법
|
5 |
5
청구항 4에 있어서,상기 유사도는,[수학식 7]에 따라 계산되고,으로서 각 레벨에 할당되는 가중치이며,Nk는 두 연속적인 레벨들의 히스토그램 인터섹션의 차를 나타내고,상기 두 이미지의 히스토그램 인터섹션은,[수학식 8]에 따라 계산되며,P와 Q는 각각 c 빈(bin)을 갖는 상기 각 클래스의 트레이닝 이미지와 상기 테스트 이미지의 히스토그램을 나타내고,Pi는 P의 i번째 빈의 카운트(count)를 나타내며, Qi는 Q의 i번째 빈의 카운트(count)를 나타내는, 지능형 이미지 분류 방법
|