| 1 |
1
컴퓨터로 구현되는 이미지 디헤이징(dehazing) 방법에 있어서,수중 환경에서 촬영된 수중 이미지에 대하여 CNN(convolutional neural network) 모델을 이용하여 상기 수중 이미지에서 빛의 전달량(transmission map)과 환경광(ambient light)을 추정하는 단계; 및상기 전달량과 상기 환경광에 기초하여 상기 수중 이미지에서 디헤이징 처리된 복원 영상을 생성하는 단계를 포함하고,상기 추정하는 단계는,상기 수중 이미지의 차원 축소를 위한 멀티-스케일 융합 단계(multi-scale fusion stage), 상기 수중 이미지의 헤이즈(haze)-관련 특성들을 추출하기 위한 멀티-스케일 특성 추출 단계(multi-scale feature extraction stage), 상기 전달량과 상기 환경광의 추정을 위한 비선형 회귀 단계(nonlinear regression stage)를 포함하는 상기 CNN 모델을 통해 상기 전달량과 상기 환경광을 추정하고,상기 멀티-스케일 융합 단계는: 서로 다른 사이즈 필터를 가진 복수의 컨볼루션 레이어(convolution layer)로 구성되고, 마지막 과정에서 픽셀의 엘리먼트-와이즈 합(element-wise summation) 연산을 수행하고,상기 멀티-스케일 특성 추출 단계는: 상기 수중 이미지의 심도(depth) 방향에서 특성을 추출하기 위한 최대 유닛(maxout unit)과, 헤이즈-관련 특성을 추출하기 위한 적어도 하나의 컨볼루션 레이어(convolution layer)로 구성되고, 상기 컨볼루션 레이어 다음으로 공간적으로 변하지 않는 특성을 추출하기 위한 최대-풀링 레이어(max-pooling layer)로 구성되고, 상기 컨볼루션 레이어 각각은 ReLU(Rectified Linear Unit) 활성화 기능을 가지며,상기 비선형 회귀 단계는: 컨볼루션 레이어(convolution layer)가 단일 필터로 구성되고, 상기 컨볼루션 레이어의 뒤에 ReLU(Rectified Linear Unit) 레이어가 추가되고,상기 CNN 모델에 해당되는 공통된 모델 구조를 이용하여 상기 전달량과 상기 환경광을 각각 추정하는 것으로,랜덤 전달량과 랜덤 환경광을 가지는 헤이즈-프리 이미지 패치로부터 트레이닝에 필요한 헤이즈 이미지 패치를 생성하여 각 헤이즈 이미지 패치 및 해당 헤이즈 이미지 패치에 대응하는 헤이즈-프리 정보 쌍을 상기 CNN 모델을 학습하기 위한 트레이닝 데이터로 사용하는 것을 특징으로 하는 이미지 디헤이징 방법
|
| 2 |
2
제1항에 있어서,상기 추정하는 단계는,상기 CNN 모델에서 상기 전달량과 상기 환경광 중 어느 하나를 고정시키고 다른 하나를 트레이닝 하는 단계를 포함하는 이미지 디헤이징 방법
|
| 3 |
3
삭제
|
| 4 |
4
삭제
|
| 5 |
5
삭제
|
| 6 |
6
삭제
|
| 7 |
7
삭제
|
| 8 |
8
삭제
|
| 9 |
9
삭제
|
| 10 |
10
삭제
|
| 11 |
11
제1항에 있어서,상기 생성하는 단계는,수학식 1을 통해 상기 복원 영상을 생성하는 것을 특징으로 하는 이미지 디헤이징 방법
|
| 12 |
12
삭제
|
| 13 |
13
컴퓨터로 구현되는 이미지 디헤이징(dehazing) 시스템에 있어서,상기 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,수중 환경에서 촬영된 수중 이미지에 대하여 CNN(convolutional neural network) 모델을 이용하여 상기 수중 이미지에서 빛의 전달량(transmission map)과 환경광(ambient light)을 추정한 후,상기 전달량과 상기 환경광에 기초하여 상기 수중 이미지에서 디헤이징 처리된 복원 영상을 생성하고,상기 적어도 하나의 프로세서는,상기 수중 이미지의 차원 축소를 위한 멀티-스케일 융합 단계(multi-scale fusion stage), 상기 수중 이미지의 헤이즈(haze)-관련 특성들을 추출하기 위한 멀티-스케일 특성 추출 단계(multi-scale feature extraction stage), 상기 전달량과 상기 환경광의 추정을 위한 비선형 회귀 단계(nonlinear regression stage)를 포함하는 상기 CNN 모델을 통해 상기 전달량과 상기 환경광을 추정하고,상기 멀티-스케일 융합 단계는: 서로 다른 사이즈 필터를 가진 복수의 컨볼루션 레이어(convolution layer)로 구성되고, 마지막 과정에서 픽셀의 엘리먼트-와이즈 합(element-wise summation) 연산을 수행하고,상기 멀티-스케일 특성 추출 단계는: 상기 수중 이미지의 심도(depth) 방향에서 특성을 추출하기 위한 최대 유닛(maxout unit)과, 헤이즈-관련 특성을 추출하기 위한 적어도 하나의 컨볼루션 레이어(convolution layer)로 구성되고, 상기 컨볼루션 레이어 다음으로 공간적으로 변하지 않는 특성을 추출하기 위한 최대-풀링 레이어(max-pooling layer)로 구성되고, 상기 컨볼루션 레이어 각각은 ReLU(Rectified Linear Unit) 활성화 기능을 가지며,상기 비선형 회귀 단계는: 컨볼루션 레이어(convolution layer)가 단일 필터로 구성되고, 상기 컨볼루션 레이어의 뒤에 ReLU(Rectified Linear Unit) 레이어가 추가되고,상기 CNN 모델에 해당되는 공통된 모델 구조를 이용하여 상기 전달량과 상기 환경광을 각각 추정하는 것으로,랜덤 전달량과 랜덤 환경광을 가지는 헤이즈-프리 이미지 패치로부터 트레이닝에 필요한 헤이즈 이미지 패치를 생성하여 각 헤이즈 이미지 패치 및 해당 헤이즈 이미지 패치에 대응하는 헤이즈-프리 정보 쌍을 상기 CNN 모델을 학습하기 위한 트레이닝 데이터로 사용하는 것을 특징으로 하는 이미지 디헤이징 시스템
|
| 14 |
14
제13항에 있어서,상기 적어도 하나의 프로세서는,상기 CNN 모델에서 상기 전달량과 상기 환경광 중 어느 하나를 고정시키고 다른 하나를 트레이닝 하는 것을 특징으로 하는 이미지 디헤이징 시스템
|
| 15 |
15
삭제
|
| 16 |
16
삭제
|
| 17 |
17
삭제
|
| 18 |
18
삭제
|
| 19 |
19
삭제
|
| 20 |
20
제13항에 있어서,상기 적어도 하나의 프로세서는,수학식 2를 통해 상기 복원 영상을 생성하는 것을 특징으로 하는 이미지 디헤이징 시스템
|
