목차
1. 영상 분할
2. 영상 분류
3. 분류 과정
4. 분류 기법
5. 무감독분류
6. 고등 분류
7. 개체 추출
2. 영상 분류
3. 분류 과정
4. 분류 기법
5. 무감독분류
6. 고등 분류
7. 개체 추출
본문내용
인지 컴퓨터는 모름)
- 무감독 분류의 이용 : 미지의 영상에 대한 특성 파악 . or 감독분류 이전의 영상 시험분류
1) K 평균법(K means)
화소하나만 가지고 군집이라 정함 -> 일정 거리의 원을 그리고 그 안에 다른 점이 포함되는지를 판단 -> 화소 1과 화소 2가 군집이 됨
-> 두 화소의 평균 값을 구하여 중심 점을 잡고 다시 위의 거리만큼의 원을 그려 다른 화소를 찾음 -> 잡히면 군집으로 안잡히면 군집 끝
평균만을 가지고 계산, 분산은 고려하지 않는다. ISODATA 방법보다 간단한 방법
2) ISODATA
군집 조정을 평균이 아닌 표준편차로 함(분산을 고려) p.421
-> 임의의 중심점 5개를 정함 -> 군집의 평균, 표준편차를 이용하여 군집을 조정하는 과정을 반복(반복수를 정함)
6. 고등 분류
대표적인 몇 가지
1) 퍼지분류 : 분류자가 중요도에 맞춰 맴버 값을 조정할 수 있도록 분류하는 방법(p.424)
2) 인공 신경망 분류 : 경험으로부터 학습해 나가는 인간 두뇌에서 착안하여, 데이터의 패턴을 학습하여 새로운 화소 값이 들어왔을 때 기존에 학습된 패턴에 맞추어 분류를 일반화 하는 방법.
7. 개체 추출
영상에서 도로, 건물 같은 개체를 추출하는 것
p.428_ 객체지향 영상분할에 기초한 분류 . 영상분할을 화소단위의 픽셀이 아닌 유사한 특성들의 몇 몇 화소들을 묶어 폴리곤식으로 하나의 데이타로 객체로 만드러 표현 . 그 폴리곤을 대상으로 영상 분석을 하는 것이 영상 분할 .
p.430_ 두 개의 영상객체가 합쳐져야 하는지를 결정하는 데 사용되는 화소 근린 함수 .
- 무감독 분류의 이용 : 미지의 영상에 대한 특성 파악 . or 감독분류 이전의 영상 시험분류
1) K 평균법(K means)
화소하나만 가지고 군집이라 정함 -> 일정 거리의 원을 그리고 그 안에 다른 점이 포함되는지를 판단 -> 화소 1과 화소 2가 군집이 됨
-> 두 화소의 평균 값을 구하여 중심 점을 잡고 다시 위의 거리만큼의 원을 그려 다른 화소를 찾음 -> 잡히면 군집으로 안잡히면 군집 끝
평균만을 가지고 계산, 분산은 고려하지 않는다. ISODATA 방법보다 간단한 방법
2) ISODATA
군집 조정을 평균이 아닌 표준편차로 함(분산을 고려) p.421
-> 임의의 중심점 5개를 정함 -> 군집의 평균, 표준편차를 이용하여 군집을 조정하는 과정을 반복(반복수를 정함)
6. 고등 분류
대표적인 몇 가지
1) 퍼지분류 : 분류자가 중요도에 맞춰 맴버 값을 조정할 수 있도록 분류하는 방법(p.424)
2) 인공 신경망 분류 : 경험으로부터 학습해 나가는 인간 두뇌에서 착안하여, 데이터의 패턴을 학습하여 새로운 화소 값이 들어왔을 때 기존에 학습된 패턴에 맞추어 분류를 일반화 하는 방법.
7. 개체 추출
영상에서 도로, 건물 같은 개체를 추출하는 것
p.428_ 객체지향 영상분할에 기초한 분류 . 영상분할을 화소단위의 픽셀이 아닌 유사한 특성들의 몇 몇 화소들을 묶어 폴리곤식으로 하나의 데이타로 객체로 만드러 표현 . 그 폴리곤을 대상으로 영상 분석을 하는 것이 영상 분할 .
p.430_ 두 개의 영상객체가 합쳐져야 하는지를 결정하는 데 사용되는 화소 근린 함수 .
소개글