• Proceedings of the Korea Multimedia Society Conference
• /
• 2001.11a
• /
• pp.95-100
• /
• 2001

본 논문은 시간에 따라 변하는 스크린 이미지의 스트리밍에 적합한 이미지 압축 및 저장 방법을 세안하는 것이다. 이를 위하여 시간에 따라 변화하는 스크린 이미지의 특성을 일반 동영상과 비교하여 분석하였으며, 분석 결과에 의거하여 스크린 이미지의 스트리밍에 가장 적합한 압축 및 저장 방법을 제안하였다. 제안된 방법들은 스트리밍 데이터를 효과적으로 지원하는 DirectShow의 구조에 따라 구현되었으며, 구현된 내용을 보인다. 제안된 방법의 유용성을 보이기 위하여, 구현된 시스템 상에서 압축 성능이 측정되었으며 그 결과를 설명한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2009.05a
• /
• pp.1812-1816
• /
• 2009

이미지 해석에 의한 유속장 측정방법은 유체역학분야에서 지난 30 여년 동안 많이 활용되어온 속도측정 기법으로 오늘날에는 이를 수공학 분야에서 이를 유량측정 등 수리현상 해석에 활용하려는 시도가 다각적으로 이루어지고 있다. 이에 본 연구에서는 이미지 해석에 의한 유속장 측정방법을 용담댐 시험유역에 적용하여 그의 자연하천에서의 적용성을 검토하고자 한다. 이미지 해석에 의한 유속장 측정방법은 PIV(Particle Image Velocimetry)로 통칭되고 있으며, PIV는 seeding, illumination, recording, 및 image processing의 네 가지 요소로 구성된다. seeding을 위해서 유체를 따라 흐를수 있는 작은 입자를 유체에 첨가한다. 유체를 따라 흐르는 입자들의 선명한 이미지를 얻기 위해서illumination이 필요하다. PIV를 이용하여 흐름을 해석하기 위한 illumination은 일반적으로 이중펄스 레이저가 이용된다. 이렇게 유속장 해석을 하려는 유체에 대하여 seeding 및 illumination이 준비되면 단일노출- 다중 프레임법, 혹은 다중노출-단일 프레임법으로 흐름을 recording을 한다. image processing은 이미지를 다운로드하고, 디지타이징 및 화질향상을 하는 전처리(pre-processing), 상관계수의 산정에 의한 유속 벡터의 결정 및 에러 벡터를 제거하고 유속장을 그래프화하는 후처리(post-processing) 과정으로 구성된다. LSPIV(Large Scale PIV)는 PIV의 기본원리를 근거로 하여 기존의 PIV에 비하여 실험실 내에서의 수리모형실험이나 일반 하천에서의 유속측정과 같은 큰 규모$(4m^2\sim45,000m^2$)의 흐름해석을 할 수 있도록 Fujita et al.(1994)와 Aya et al.(1995)이 확장시킨 것이다. PIV와 비교시 LSPIV의 다른 점은 넓은 흐름 표면적을 포함하기 위하여 촬영시에 카메라의 광축과 흐름 사이의 각도가 PIV에서 이용하는 수직이 아닌 경사각을 이용하였고 이에 따라 발생하는 이미지의 왜곡을 제거하기 위하여 이미지 변환기법을 적용하여 왜곡이 없는 정사촬영 이미지로 변환시킨다. 이후부터는 PIV의 이미지 처리 방법이 적용되어 표면유속을 산정한다. 다만 이미지 변환을 PIV 이미지 처리 전에 하느냐 후에 하느냐에 따라 유속장 해석결과에 차이가 있다. PIV의 네가지 단계를 포함하여 LSPIV의 각 단계를 구분하면, seeding, illumination, recording, image transformation,image processing 및 post-processing의 여섯 단계로 나뉘어진다 (Li, 2002). LSPIV를 적용시 물표면 입자의 Tracing을 위하여 자연하천에서 사용하기에 적합한 환경친화적인 seeding 재료인 Wood Mulch를 사용하여 유속을 측정하였다. 적용지점은 용담댐 상류의 동향수위관측소 지점으로 이 지점은 한국수자원공사의 수자원시험유역이 위치하고 있다. 이미지의 촬영은 가정용 비디오 캠코더 (Sony DCR-PC 350)을 이용하여 두 줄기의 흐름에 대하여 각각 약 5분 동안의 영상을 촬영한후 이중에서 seeding의 분포가 잘 이루어진 약 1분간을 추출한후 이를 이용하여 PIV 분석에 이용하였다. 대체적으로 유속장의 계산이 무난하게 이루어지었으나 비교적 수질 상태가 양호하고, 수심이 낮고, 하상재료가 자갈로 이루어져 있어 비슷한 색상의 seeding 재료를 추적하기 어려운 구간이 발생한 부분에서는 유속의 계산이 정확히 이루어지지 않았다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2022.06a
• /
• pp.381-382
• /
• 2022

흘수는 선체가 물속에 얼마나 잠겨있는지를 나타내는 용어로, 선박에서는 화물의 양을 계산하거나 안정성을 평가하기 위해 흘수를 측정한다. 흘수를 측정하는 방법으로는 항해사가 부두에서 육안으로 확인하거나, 사다리를 타고 내려가 직접 확인하는 방법이 있다. 이러한 방법들은 경우에 따라 흘수 측정이 불가능하거나, 추락의 위험이 항상 존재한다는 문제가 있다. 이러한 문제를 해결하기 위해 드론 등을 통해 카메라로 선박의 흘수선 부근을 촬영하고, 필터링 및 이미지 검출 기법을 사용하여 선박의 흘수선을 탐지하는 방안을 제시하였다.

• Proceedings of the Korean Vacuum Society Conference
• /
• 2010.08a
• /
• pp.147-147
• /
• 2010

Ferroxyl Test는 박막의 치밀도를 측정하는 대표적인 방법이다. 본 연구에서는 Ferroxyl Test를 이용하여 박막의 치밀도를 정량적으로 측정할 수 있는 방법을 제안한다. 알루미늄(aluminum; Al)은 뛰어난 내부식성 때문에 모재의 부식을 막을 수 있는 보호막으로 널리 사용되고 있다. Al 박막의 치밀도를 측정하기 위해서 스퍼터링(sputtering)으로 철(Fe) 기판위에 Al 타겟(99.99%)을 이용하여 박막을 코팅하였다. Ferroxyl Test 용액은 순수(deionized water)에 Potassium Ferrocyanide와 황산(또는 염화나타륨과 염화암모늄)을 첨가하여 제작하며, 용액에 거름종이를 적셔 Al이 코팅된 철 시편위에 올려놓고 반응시킨다. 일반적인 Ferroxyl test는 거름종이에 나타난 파란색(prussian blue) 반점의 숫자와 면적으로 치밀도를 측정한다. 하지만 이러한 방법은 측정 오차가 발생할 수 있다. 본 연구에서는 시편에 나타난 반응 반점의 면적을 광학 현미경이나 전자 현미경으로 이미지화하고, 이미지 프로세싱 프로그램을 이용하여 반응 면적을 수치화함으로써 측정오차를 줄이고 정확도를 높이고자 한다. 이러한 측정 방법을 이용하여 알루미늄 박막의 치밀도를 측정한 결과, 최고의 치밀도를 갖는 Al 박막이 Bulk 밀도의 94% 이상으로 측정되었다.

• Journal of the Korean Society of Clothing and Textiles
• /
• v.19 no.5
• /
• pp.801-810
• /
• 1995

부직포의 기공크기에 대한 특성을 측정하기 위해 이미지 프로세싱을 이용하였다. 아라미드부직포와 그 부직포를 시뮬레이션한 부직포에 대해서 기공의 크기를 대표하는 평균 기공크기와 그 분포를 이미지 분석의 두가지 방법으로, 즉, 형태학적인 방법과 기하학적인 방법을 통해 측정해보았다. 아라미드 부직포, 시뮬레이견 부직포이건 상관 없이 부직포의 밀도가 증가함에 따라 기공의 크기특성, 즉 기공의 면적, 수력반경, 그리고 기공내의 최대 내접원의 반경은 감소하였다. 형태학적인 방법과 기하학적인 방법은 부직포의 종류에 상관없이 기공의 크기를 측정함에 있어서 유의한 차이가 없었다. 이는 부직포내의 섬유의 배열방향이 무작위이기 때문이었다. 실제의 아라미드 부직포와 시뮬레이션 부직포의 기공크기에 대한 특성은 서로 비슷한 양상을 보여주었다.

• Proceedings of the Korea Multimedia Society Conference
• /
• 2003.05b
• /
• pp.575-578
• /
• 2003

본 논문은 제한된 영역 안의 다수 물고기를 추적하는 방법을 제안한다. 고정된 카메라로 물고기가 있는 수조의 영상을 얻은 다음 실시간으로 얻는 매경영상을 통해 물고기의 이미지만을 얻는다. 이렇게 얻어진 이미지를 ART2 알고리즘을 통해 clustering을 하고 각각의 물고기라 추정되는 cluster와 이전까지 측정되어진 물고기 좌표와의 거리 계산을 통해 각각의 물고기의 개체 인식을 하게 된다. 본 논문에서는 기존의 물고기 이미지를 얻는 방법을 개선하여 다 개체 추적을 위한 깨끗한 개체 이미지를 얻는 방법과, 각 cluster들과 이진 물고기 위치와의 거리계산을 통한 개체 인식 방법에 대해 초점을 맞추었다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2012.11a
• /
• pp.122-124
• /
• 2012

잡음이 존재하는 환경에서의 신호의 분산을 측정하는 것은 잡음 제거에 중요한 요소를 맡고 있다. 잡음을 제거하는 방법 중에 가장 보편적으로 사용하는 방법에는 위너 필터가 존재한다. 웨이블릿 기반의 위너 필터링은 저복잡성을 지닌 이미지 잡음 제거에 탁월한 효과를 보인다. 신호의 분산을 측정할 경우 어떤 모양의 필터를 적용하여 측정하느냐에 따라 분산이 달라지게 되므로 이미지의 잡음 제거에 영향을 미치게 된다. 이에 본 논문은 위너 필터에 적용되는 필터를 기존의 정사각형 모양(square-shaped)과 제안하는 십자가 모양(cross-shaped)을 각각 적용하여 이미지의 잡음을 제거하였다.

• Proceedings of the Korean Society of Broadcast Engineers Conference
• /
• 2020.07a
• /
• pp.292-294
• /
• 2020

3DoF+ 및 6DoF를 구현하기 위해선 사용자의 움직임에 따른 운동시차를 반영하여 가상 시점 이미지를 렌더링 해야 한다. 이를 위한 방법 중 하나인 멀티뷰 기반 합성 방법은 멀티뷰 데이터(텍스쳐, 뎁스맵, 카메라 파라미터)를 기반으로 가상 시점 이미지를 합성한다. 본 논문은 멀티뷰 기반 합성의 과정 중 하나인 메쉬 구성 단계에서 뎁스맵과 텍스쳐의 엣지 정보를 고려한 효율적인 메쉬 구성을 제안한다. 제안 방법은 각 2×2 화소 격자 단위로 엣지의 방향을 측정하고 측정한 엣지를 고려한 보간으로 1/2 화소들을 생성한 뒤, 이 새로운 화소들을 메쉬 구성에 이용하여 기존 방법보다 특성이 비슷한 화소끼리 메쉬를 구성하게 하였다. 제안한 방법으로 합성된 이미지는 뭉게짐 현상과 잔상 현상이 사라진 결과를 보였다.

• Annual Conference of KIPS
• /
• 2000.10a
• /
• pp.695-698
• /
• 2000

본 논문에서는 이미지 데이터 컬러 속성을 기반으로 한 영상 검색 방법을 제안한다. 두 이미지 사이의 유사성을 측정하기 위하여 컬러 히스토그램의 분포 특성을 이미지 데이터베이스 영상과질의 영상에서 계산하여 유사도를 결정하도록 설계하였다. 두 영상의 유사도를 측정하기 위해 두영상의 R, G, B 히스토그램에 대해서 같은 값에 대한 빈도 수의 차를 거리로 측정한 후, 구해진 거리의 차를 비교한 방법과 히스토그램의 분포 곡선을 이루는 방정식을 구한 수 있도록 곡선 정합을 한 후에 두 영상의 컬러 특징 속성에 관한 특징 값의 추출을 위해서 다항식 보간법에 의한 방정식을 이용한 방법을 소개한다. 공간 데이터베이스 시스템에서 질의에 대한 효율적인 처리를 위해 R-Tree와 최대 점을 이용하여 영상을 검색한다.

• Annual Conference of KIPS
• /
• 2002.11a
• /
• pp.39-42
• /
• 2002

본 논문에서는 내용 기반 이미지 검색 및 필터링 시스템을 위한 카테고리 식별 방법을 제안한다. 제안된 방법에서는 식별 가능한 카테고리를 사전에 정의하고, 정의된 카테고리를 대표할 수 있는 이미지들을 수집한다. 다음으로, 이들로부터 다중의 내용 기반 특징값을 추출하고, 추출된 특징값들로 카테고리 데이터베이스를 구성한다. 카테고리를 식별할 질의 이미지가 입력으로 들어오면, 질의 이미지로부터 추출된 다중 특징값들을 각 카테고리의 단일 특징값과 각각 비교함으로써, 카테고리를 대표하는 다중의 유사도 거리값을 측정한다. 각 카테고리를 대표하는 다중의 유사도 거리값들은 두 가지 연산 방법에 의해 조합되는데, 조합 방법은 각각의 단일 특징값이 각 카테고리 식별에 미치는 영향을 고려하여 정의된다. 최종적으로, 각 카테고리의 조합된 유사도 거리값을 비교한 다음, 가장 유사도가 큰 카테고리를 해당 질의 이미지의 카테고리로 식별한다.