• 정보과학회 논문지
• /
• 제43권12호
• /
• pp.1356-1364
• /
• 2016

본 논문에서는 딥러닝 기법 중 하나인 deep convolutional neural network (DCNN)을 이용하여 영상의 구도를 개선하는 방법을 제시한다. 기존의 구도 개선 방법들은 영상의 주요 물체의 위치를 바탕으로 한 구도 평가 점수를 정의한 뒤 최적화를 통해 평가 점수를 향상시키는 방향으로 영상을 개선한다. 이는 계산량이 많고 기존 주요 물체 검출 알고리즘의 성능에 종속적이기 때문에 영상에 따라 구도 개선이 제대로 수행되지 않는 경우가 존재한다. 본 논문에서는 영상의 특징 추출에 뛰어난 성능을 보이는 DCNN을 이용해 영상을 반복적으로 크롭하여 미학적으로 구도가 개선된 영상을 얻는 방법을 제안한다. 실험 결과 및 사용자 평가를 통해 본 논문에서 제안한 알고리즘이 주어진 영상을 특정 구도 가이드라인(삼분할법, 주요 물체의 크기 등)을 따르도록 자동으로 크롭한다는 것을 보인다.

• 대한원격탐사학회지
• /
• 제22권3호
• /
• pp.183-197
• /
• 2006

Combinations of visible and near-infrared (NIR) bands in an image are widely used for estimating vegetation vigor and productivity. Using this approach to understand within-field grain crop variability could allow pre-harvest estimates of yield, and might enable mapping of yield variations without use of a combine yield monitor. The objective of this study was to estimate within-field variations in crop yield using vegetation indices derived from hyperspectral images. Hyperspectral images were acquired using an aerial sensor on multiple dates during the 2003 and 2004 cropping seasons for corn and soybean fields in central Missouri. Vegetation indices, including intensity normalized red (NR), intensity normalized green (NG), normalized difference vegetation index (NDVI), green NDVI (gNDVI), and soil-adjusted vegetation index (SAVI), were derived from the images using wavelengths from 440 nm to 850 nm, with bands selected using an iterative procedure. Accuracy of yield estimation models based on these vegetation indices was assessed by comparison with combine yield monitor data. In 2003, late-season NG provided the best estimation of both corn $(r^2\;=\;0.632)$ and soybean $(r^2\;=\;0.467)$ yields. Stepwise multiple linear regression using multiple hyperspectral bands was also used to estimate yield, and explained similar amounts of yield variation. Corn yield variability was better modeled than was soybean yield variability. Remote sensing was better able to estimate yields in the 2003 season when crop growth was limited by water availability, especially on drought-prone portions of the fields. In 2004, when timely rains during the growing season provided adequate moisture across entire fields and yield variability was less, remote sensing estimates of yield were much poorer $(r^2<0.3)$.

• 한국멀티미디어학회논문지
• /
• 제7권3호
• /
• pp.327-339
• /
• 2004

본 논문에서는 반복적인 에러 최소화 기법을 이용한 하프톤 영상의 워터마킹 알고리즘을 제안하였다. 워터마크는 하프톤 영상의 랜덤한 위치의 픽셀값으로 저장된다. 삽입된 워터마크로 인한 하프톤 영상의 왜곡을 최소화하고 비가시성을 증대하기 위하여 반복적인 에러 최소화 기법이 사용된다. 원영상과 HVS(Human Visual System) 필터 처리된 하프톤 영상과의 차이를 하프토닝 에러로 정의하고 반복적으로 각각의 픽셀 위치에서 이 하프토닝 에러를 최소화할 수 있는 픽셀 패턴을 찾아서 이것으로 원래의 픽셀패턴을 대치한다. 절단이나 회전과 같은 기하학적인 변형에 견고하게 하기 위하여 동일한 워터마크를 반복하여 하프톤 영상안에 삽입하였다. 실제 인쇄 및 스캐닝 실험을 통하여 제안된 알고리즘이 기하학적 변형에 견고함을 보였고 또한 기존과 방법과 비교하여 제안된 방법이 많은 양의 워터마크 정보에도 불구하고 우수한 품질의 하프톤 영상을 생성함을 보였다.

• 한국산업정보학회논문지
• /
• 제14권3호
• /
• pp.15-21
• /
• 2009

본 논문에서는 DCT영역에서 암호화된 이진 위상 컴퓨터형성홀로그램을 이용한 반복적 디지털 영상 워터마킹 기술을 제안하였다. 워터마크 삽입과정은 워터마크로 사용되는 은닉영상 대신 은닉영상을 손실없이 재생할 수 있는 이진 위상 컴퓨터형성홀로그램을 생성하고, 반복적으로 표현한 후, 이를 랜덤하게 발생시킨 이진 위상성분을 가지는 키 영상과의 XOR 연산을 통해 암호화하여 워터마크로 사용한다. 그리고 이 암호화된 워터마크에 가중치 함수를 곱하고, 호스트영상의 DCT 영역에서 DC 성분에 삽입한 후, IDCT를 수행한다. 워터마크의 추출은 워터마킹된 영상과 호스트영상의 DCT 계수 차이를 구하고, 삽입시 적용한 가중치 함수를 나눈 후, 키 영상과의 XOR 연산을 이용하여 복호화한다. 그리고 복호화된 워터마크를 역푸리에 변환하여 은닉 영상을 재생한다. 마지막으로 원래의 은닉영상과 복호화된 은닉영상과의 상관을 통해 워터마크의 존재여부를 결정한다. 제안한 방법은 워터마킹 기술은 이진 값으로 구성된 은닉 영상의 홀로그램 정보를 이용하고, 암호화 기법을 활용하였으므로 기존의 어떠한 워터마킹 기술보다 외부 공격에 안전하고, 견실한 특징을 가지고 있으며, 컴퓨터 시뮬레이션을 통해 그 장점들을 확인하였다.