• 한국공간정보시스템학회:학술대회논문집
• /
• 2007.06a
• /
• pp.289-292
• /
• 2007

객체기반 영상분류를 위한 영상분할에 있어서 중요한 요소로는 분할축척(Scale), 분광 정보(Color), 공간 정보(Shape) 등이 있으며 공간 정보에 해당하는 공간 변수는 평활도(Smoothness)와 조밀도(Compactness)가 있다. 이들 가중치의 선택이 최종적으로 객체기반 영상분류의 결과를 좌우하게 된다. 본 연구는 객체기반 영상분류의 준비 과정이라 할 수 있는 영상분할에 있어서 다양한 가중치를 적용을 통하여 영상을 분할하였다. 영상분할을 위해 적용한 가중치는 10, 20, 30의 분할축척(Scale)과 분광 정보(Color)와 공간 정보(Shape)간의 가중치 조합, 공간 변수인 평활도(Smoothness)와 조밀도(Compactness)간의 가중치 조합을 사용하였다. 각 가중치 조합을 통하여 분할된 영상의 분석은 Moran's I 와 객체 내부 분산(Intrasegment Variance)을 이용하여 분석하였다. 각 객체간의 상관관계 분석을 위하여 Moran's I를 계산하였으며 분류된 지역의 동질성을 분석하기 위하여 객체 면적을 고려한 객체 내부 분산(Intrasegment Variance)값을 계산하였다. Moran's I 가 낮은 값을 가질수록 객체 간의 공간상관관계가 낮아지므로 이웃 객체간의 이질성은 높아지며 객체 내부 분산(Intrasegment Variance)이 낮은 값을 가질수록 지역간의 동질성은 높아지게 된다. Moran's I 와 객체 내부 분산(Intrasegment Variance)의 조합을 통하여 객체기반 영상분류 시 가장 높은 분류 정확도가 예상되는 밴드별 영상분할 가중치를 얻을 수 있다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2022.06a
• /
• pp.1297-1300
• /
• 2022

Document layout analysis는 문서 이미지의 구조와 구성요소를 파악하는 기술이다. 기존 딥러닝을 사용한 학습 기반 방법에는 각 구성 요소를 검출하는 detection 기반 방식이 많으나 이는 다양한 형식의 문서 이미지에 확장될 수 있는 가능성이 낮다는 한계가 존재한다. 특히, 다양한 모양과 크기의 화학 구조를 포함하는 화학 문서 이미지에 적용하기 어렵다. 본 논문에서는 영상분할을 활용하여 화학 구조 문서를 이해하는 연구를 진행하였다. 기존의 블록 단위로 레이블링된 벤치마크와 다르게 객체 단위로 레이블링한 학습 데이터를 가지고 DeepLabv3 구조의 네트워크를 학습하여 화학 문서 이미지를 효과적으로 분할하였다. 객체 단위 레이블링과 영상 분할을 사용한 방식이 문서 이해 및 화학 구조 검출에 준수한 성능을 보이는 것을 확인하였고 이 방식이 다양한 형식의 문서 이미지에 확장될 수 있음을 보였다.

• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 1995.04a
• /
• pp.899-908
• /
• 1995

관계형 데이타베이스 환경에서 데이타 분할은 트랜잭션 혹은 질의에 요구되는 데이타량과 직접적인 관련이 있다. 본 논문에서 고려하는 데이타 분할은 중복이 없는 수직 분할로 다음 두 단계로 이루어져 있다. 첫째 단계에서는, 각 속성들간의 친밀도를 최대화시키는 0-1 정수 모형으로 속성들을 클러스터링한다. 이 단계의 결과를 초기 단편이라 한다. 두번째 단게에서는, 트랜잭션에 기반한 분할 방법을 이용하여 비용요소가 직접적으로 고려되지 않은 초기 단편을 변환시킨다. 트랜잭션에 기반한 분할 방법이란 트랜잭션 위주로 속성들을 나누는 것이다. 이 단계에서는 트랜잭션 수행에 요구되는 논리적인 액세스량을 비교 척도로 한다. 즉, 이 논문에서 제안한 수직 분할은 친밀도를 최대로 하는 최적화 모형으로 초기 분할을 한 후, 트랜잭션에 근거한 분할 방법을 이용한 발견적 기법으로 해를 개선시켜 나간다.

• Journal of the Institute of Electronics Engineers of Korea SP
• /
• v.38 no.5
• /
• pp.518-528
• /
• 2001

In this paper, we firstly define a new combined segmentation measure and propose a segmentation algorithm using this measure. The combined segmentation measure is a weighted sum of intensity, motion, and a change segmentation measure that is extracted from the resulting image of the proposed change detector. The change segmentation measure is defined as an absolute change value difference between an pixel and its neighboring region from the eroded image, which results from morphological erosion filtering to eliminate many inaccurate components included in the resulting image of a conventional change detector. The change segmentation measure can be used as an efficient segmentation measure for the accurate segmentation of neighboring moving objects and static background regions. Therefore, the proposed combined segmentation measure can determine exact boundaries in the segmentation process of region-based coding even though the estimated motion vectors around the boundaries of moving objects and static background regions are inaccurate and the intensities around the boundaries are similar.

• Journal of Korean Society of Industrial and Systems Engineering
• /
• v.29 no.2
• /
• pp.75-82
• /
• 2006

본 연구에서 조합 최적화(Combinatorial Optimization) 이론에 바탕을 두고 있는 네스티드 분할(Nested Partition, 이하 NP) 방법을 이용한 최적화 기탄 요소선택 방법(Feature Selection)을 제안한다. 이 새로운 방법은 좋은 요소 부분집합을 찾는 휴리스틱 탐색 절차를 채용하고 있으며 데이터의 인스턴스(Instances 또는 Records)의 무작위 추출(Random Sampling)을 이용하여 이 요소선택 방법의 처리시간 관점에서의 성능을 항상 시키고자 한다. 이 새로운 접근 방법은 처리시간 향상을 위해 2단계 샘플링 방법을 채용하여 근접 최적해로의 수렴(Convergence)을 보장하는 샘플 사이즈를 결정한다. 이는 앨고리듬이 유한한 시간내에 끝이날 때 최종 요소 부분집합 해의 질(Qualtiy)에 관한 정확한 설명을 할 수 있는 이론적인 배경을 제시한다. 중요 결과를 예시하기 위해서 다양한 형태의 다섯 개의 데이터 셋을 이용하였으며 다섯 번의 반복 실험을 통한 실험 결과가 제시되며, 이 새로운 접근 방법이 기존의 단순 네스티드 분할 방법 기반의 요소선택 방법보다 처리시간 관점에서 더욱 효율적임을 보여준다.

• Journal of the Computational Structural Engineering Institute of Korea
• /
• v.22 no.1
• /
• pp.35-44
• /
• 2009

This paper describes an application of domain decomposition method for parallel finite element analysis which is required to large scale 3D structural analysis. A parallel finite element method system which adopts a domain decomposition method is developed. Node is generated if its distance from existing node points is similar to the node spacing function at the point. The node spacing function is well controlled by the fuzzy knowledge processing. The Delaunay triangulation method is introduced as a basic tool for element generation. Domain decomposition method using automatic mesh generation system holds great benefits for 3D analyses. Aa parallel numerical algorithm for the finite element analyses, domain decomposition method was combined with an iterative solver, i.e. the conjugate gradient(CG) method where a whole analysis domain is fictitiously divided into a number of subdomains without overlapping. Practical performance of the present system are demonstrated through several examples.

• Journal of Korea Multimedia Society
• /
• v.16 no.7
• /
• pp.829-840
• /
• 2013

In this paper, we propose a new lung segmentation method for chest x-ray images which can take both global and local properties into account. Firstly, the initial lung segmentation is computed by applying the active shape model (ASM) which keeps the shape of deformable model from the pre-learned model and searches the image boundaries. At the second segmentation stage, we also applied the localizing region-based active contour model (LRACM) for correcting various regional errors in the initial segmentation. Finally, to measure the similarities, we calculated the Dice coefficient of the segmented area using each semiautomatic method with the result of the manually segmented area by a radiologist. The comparison experiments were performed using 5 lung x-ray images. In our experiment, the Dice coefficient with manually segmented area was $95.33%{\pm}0.93%$ for the proposed method. Effective segmentation methods will be essential for the development of computer-aided diagnosis systems for a more accurate early diagnosis and prognosis regarding lung cancer in chest x-ray images.

• Journal of the Institute of Electronics Engineers of Korea SP
• /
• v.41 no.5
• /
• pp.165-173
• /
• 2004

Since the conventional image segmentation methods using mathematical morphology tend to yield over-segmented results, they normally need postprocess which merges small regions to obtain larger ones. To solve this over-segmentation problem without postprocess had to increase size of structuring element used marker extraction. As size of structuring element is very large, edge of region segments incorrectly. Therefore, this paper selectively applies structuring element of mathematical morphology to improve performance of image segmentation and classifies input image into texture region, edge region and simple region using averaged local variance and image gradient. Proposed image segmentation method removes the cause for over-segmentation of image as selectively applies size of structuring element to each region. Simulation results show that proposed method correctly segment for pixel region of similar luminance value and more correctly search texture region and edge region than conventional methods.

• 기계와재료
• /
• v.22 no.1
• /
• pp.36-42
• /
• 2010

초고속 레이저 가공을 위한 스캐너 장비와 초정밀/대면적 가공을 위한 스테이지 시스템을 동기화함으로써 가공을 정밀도를 보장하고 대면적 가공 분야에 적용할 수 있는 핵심요소 기술을 소개하였다. 스캐너-스테이지 동기화를 위한 핵심요소 기술인 두 시스템 사이의 하드웨어적 동기 기술 및 스캐너-스테이지의 가공 경로 분할을 위한 연동 알고리즘 기술에 대한 내용을 수록하였다.

• Composites Research
• /
• v.36 no.6
• /
• pp.395-401
• /
• 2023

In this study, finite element modeling of unidirectional composite materials of the computed tomography (CT) was conducted using a supervised learning-based segmentation technique. Firstly, Micro-CT scan was performed to obtain the raw volume of unidirectional composite materials, providing microstructure information. From the CT volume images, actual microstructure of the cross-section of unidirectional composite materials was extracted by the labeling process. Then, a U-net deep learning model was trained with a small number of raw images as inputs and their labeled images as outputs to generate a segmentation model. Subsequently, most of remaining images were input to the trained U-net deep learning model to segment all raw volume for identifying complex microstructure, which was used for the generation of finite element model. Finally, the fiber volume fraction of the finite element model was compared with that of experimentally measured volume to validate the appropriateness of the proposed method.