딥러닝:이미지처리

인공지능-이미지처리

딥 러닝은 지난 몇 년 동안 다양한 기술 분야에 엄청난 영향을 미쳤습니다. 이 업계에서 가장 뜨거운 주제 중 하나는 컴퓨터가 스스로 이미지와 비디오를 이해할 수 있는 능력인 컴퓨터 비전입니다. 자율 주행 자동차 , 생체 인식 및 얼굴 인식은 모두 컴퓨터 비전에 의존하여 작동합니다. 컴퓨터 비전의 핵심은 이미지 처리입니다.

이미지란?

이미지 처리로 넘어가기 전에 먼저 이미지를 구성하는 것이 정확히 무엇인지 이해해야 합니다. 이미지는 픽셀 수에 따라 크기(높이 및 너비)로 표시됩니다. 예를 들어 이미지의 크기가 500 x 400(너비 x 높이)인 경우 이미지의 총 픽셀 수는 200000입니다. 이 픽셀은 특정 음영, 불투명도 또는 색상을 나타내는 이미지의 한 점입니다. 일반적으로 다음 중 하나로 표시됩니다. 그레이스케일 - 픽셀은 0에서 255 사이의 값을 갖는 정수입니다(0은 완전히 검은색이고 255는 완전히 흰색임). RGB - 픽셀은 0에서 255 사이의 3개의 정수로 구성됩니다(정수는 빨강, 녹색 및 파랑의 강도를 나타냄). RGBA - 이미지의 불투명도를 나타내는 알파 필드가 추가된 RGB 확장입니다. 이미지 처리에는 이미지의 각 픽셀에서 수행되는 고정된 작업 시퀀스가 ​​필요합니다. 이미지 프로세서는 이미지에 대한 첫 번째 작업 시퀀스를 픽셀 단위로 수행합니다. 이 작업이 완전히 완료되면 두 번째 작업을 시작하는 식으로 계속됩니다. 이러한 작업의 출력 값은 이미지의 모든 픽셀에서 계산할 수 있습니다.

이미지 처리란?

이미지 처리는 이미지를 디지털 형식으로 변환하고 특정 작업을 수행하여 유용한 정보를 얻는 프로세스입니다. 이미지 처리 시스템은 일반적으로 미리 결정된 특정 신호 처리 방법을 적용할 때 모든 이미지를 2D 신호로 취급합니다. 이미지 처리에는 5가지 주요 유형이 있습니다.

시각화 - 이미지에서 보이지 않는 개체 찾기 인식 - 이미지에서 물체를 구별하거나 감지합니다.

선명화 및 복원 - 원본 이미지에서 향상된 이미지 생성

패턴 인식 - 이미지 속 사물 주변의 다양한 패턴 측정

검색 - 원본 이미지와 유사한 디지털 이미지의 대규모 데이터베이스에서 이미지를 찾아보고 검색합니다.

기본 이미지 처리 단계

이미지 수집 이미지 획득은 이미지 처리의 첫 번째 단계입니다. 이 단계는 이미지 처리에서 전처리라고도 합니다. 여기에는 소스(일반적으로 하드웨어 기반 소스)에서 이미지를 검색하는 작업이 포함됩니다.

이미지 향상 이미지 향상은 가려진 이미지에서 관심 있는 특정 기능을 가져와 강조 표시하는 프로세스입니다. 여기에는 밝기, 대비 등의 변경이 포함될 수 있습니다.

이미지 복원 이미지 복원은 이미지의 모양을 개선하는 과정입니다. 그러나 이미지 향상과 달리 이미지 복원은 특정 수학적 또는 확률적 모델을 사용하여 수행됩니다.

컬러 이미지 처리 컬러 이미지 처리에는 디지털 영역에서 다양한 컬러 모델링 기술이 포함됩니다. 이 단계는 인터넷을 통한 디지털 이미지의 상당한 사용으로 인해 유명해졌습니다.

웨이블릿 및 다중 해상도 처리 웨이블릿은 다양한 해상도의 이미지를 나타내는 데 사용됩니다. 이미지는 데이터 압축 및 피라미드 표현을 위해 웨이블릿 또는 더 작은 영역으로 세분화됩니다.

압축 압축은 이미지를 저장하는 데 필요한 스토리지나 이미지를 전송하는 데 필요한 대역폭을 줄이는 데 사용되는 프로세스입니다. 이것은 특히 이미지가 인터넷에서 사용되는 경우에 수행됩니다.

형태적 처리 형태학적 처리는 모양에 따라 이미지를 변형하기 위한 일련의 처리 작업입니다.

분할 분할은 이미지 처리에서 가장 어려운 단계 중 하나입니다. 이미지를 구성 부분 또는 객체로 분할하는 작업이 포함됩니다.

표현 및 설명 분할 프로세스에서 이미지가 영역으로 분할된 후 각 영역은 추가 컴퓨터 처리에 적합한 형태로 표현되고 설명됩니다. 표현은 이미지의 특성과 지역적 특성을 다룬다. 설명은 객체의 한 클래스를 다른 클래스와 구별하는 데 도움이 되는 정량적 정보 추출을 처리합니다.

인식 Recognition은 설명을 기반으로 개체에 레이블을 할당합니다.

이미지 처리의 응용

의료 영상 검색 영상 처리는 의학 연구에서 광범위하게 사용되어 왔으며 보다 효율적이고 정확한 치료 계획을 가능하게 했습니다. 예를 들어, 유방 스캔에서 정교한 결절 감지 알고리즘을 사용하여 유방암의 조기 발견에 사용할 수 있습니다. 의료 용도에는 고도로 훈련된 이미지 프로세서가 필요하기 때문에 이러한 애플리케이션은 사용 승인을 받기 전에 상당한 구현과 평가가 필요합니다.

교통 감지 기술 교통 센서의 경우 비디오 이미지 처리 시스템 또는 VIPS를 사용합니다. 이것은 a) 이미지 캡처 시스템 b) 통신 시스템 및 c) 이미지 처리 시스템으로 구성됩니다. 비디오를 캡처할 때 VIPS에는 차량이 영역에 들어갈 때마다 "켜짐" 신호를 출력한 다음 차량이 감지 영역을 나갈 때마다 "꺼짐" 신호를 출력하는 여러 감지 영역이 있습니다. 이러한 감지 영역은 여러 차선에 대해 설정할 수 있으며 특정 스테이션의 트래픽을 감지하는 데 사용할 수 있습니다. 이 외에도 차량 번호판을 자동으로 기록하고 차량 유형을 구별하며 고속도로에서 운전자의 속도 등을 모니터링할 수 있습니다.

이미지 재구성 이미지 처리를 사용하여 이미지에서 누락되거나 손상된 부분을 복구하고 채울 수 있습니다. 여기에는 기존 사진 데이터 세트로 광범위하게 훈련된 이미지 처리 시스템을 사용하여 오래되고 손상된 사진의 최신 버전을 만드는 것이 포함됩니다.

얼굴 인식 오늘날 우리가 사용하는 이미지 처리의 가장 일반적인 응용 프로그램 중 하나는 얼굴 감지입니다. 기계가 얼굴 모양, 눈 사이의 거리 등과 같은 사람 얼굴의 특정 특징으로 먼저 훈련되는 딥 러닝 알고리즘 을 따릅니다 . 이러한 사람 얼굴 특징을 기계에 교육한 후 모든 것을 받아들이기 시작할 것입니다. 사람의 얼굴을 닮은 이미지의 물체. 얼굴 감지는 보안, 생체 인식 및 오늘날 대부분의 소셜 미디어 앱에서 사용 가능한 필터에 사용되는 중요한 도구입니다.