Home

그래프는 다양합니다. planar graph 와 plane graph에 대해서 알아보겠습니다. Planar graph 정의는 다음과 같습니다. a planar graph is a graph that can be embedded in the plane, i.e., it can be drawn on the plane in such a way that its edges intersect only at their endpoints. (위키피디아) 그래프를 구성하는 모든 edge가 서로 크로스 하지 않는 그래프군요. 그러나 이 점만 생각하면 안됩니다. 만약 해당 그래프를 다시 그릴 때 edge 끼리 크로스하지 않을 수 있을 때, 해당 그래프 또한 planar graph 입니다. 따라서 아래 그래프는 planar ..

Polygonal mesh를 생성하는 다양한 방법이 있습니다. 그 중 winged edge 는 여러 가지 이유로 자주 사용되는 방법입니다. 장점 winged edge 는 아래와 같은 장점을 같습니다. 모든 인접 영역에 대한 탐색 시간 복잡도가 O(1) 많은 추가 용량을 차지하지 않음 임의의 다양한 polygons 에도 적용이 가능 Winged edge table 이런 winged edge 방법을 구현하기 위해 winged edge table을 구현하게 되는데요, 예제를 통해 이해해 보겠습니다. edge table을 보면 해당 edge(e3), 시작 Vertex(V2), 도착 Vertex(V3), 왼쪽 Face(F1), 오른쪽 Face(F2), e11, e12, e21, e22 항목이 있음을 확인할 수 있..

해당 글은 교재 Statistical Learning with R을 챕터별로 정리한 글입니다. Linear Regression RSS (Residual Sum of Squares) we have to choose minimized RSS LSM (Least Square Method) can get intercept and slope(coefficient) with minimized RSS SE (Standard Error) Confidential Interval Hypothesis Test H0 and H1 Hypothesis test P-value smaller -> important T-Statistic Bigger T-stat -> smaller p-value -> reject H0 Assessin..

해당 글은 교재 Statistical Learning with R을 챕터별로 정리한 글입니다. statistical learning : understanding data with vast tools Supervised Learning vs Unsupervised Learning supervised : given input and output ex) regression(wage), classification(stock) unsupervised : Given only input ex) dimension reduction, clustering Prediction vs Inference prediction : predict Y from X inference : understand relationship -> w..

영상 워핑 픽셀의 위치를 이동, 픽셀 별로 이동 정도가 다름. 영상 정합(두 영상 간 정합점을 찾는 것)과 함께 사용도 가능함, 역방향 사상은 아니다. 입력 영상을 토대로 출력 영상을 생성하는 것, 슬퍼하는 모나리자 그림 만드는 것 처럼 포인터 대응 매핑 포인터와 거리에 반비례하여 가중치를 반영, 매핑 제어선을 이용한 워핑 모든 픽셀은 제어선에 영향을 받으며 각 픽셀에 대한 제어선의 영향력을 계산하여 워핑을 처리해야 한다. - 수직교차점 내부 : 제어선과의 수직 거리 그대로 사용 - 수직교차점 외부 : 제어선에 포함된 가장 가까운 점과의 직선 거리 특정 픽셀의 특정 제어선에 관한 가중치 계산 : 영상 모핑 두 개의 다른 영상에서 영상 간 중간(꼭 중간이 될 필요는 없음) 단계의 영상을 생성하는 것. 워핑..

기하학적 처리 화소들의 위치를 변경 확대 사상을 통한 확대의 문제(화질 저하, 계단 현상)를 해결하기 위해 역방향 사상과 양선형 보간법을 활용 선형 보간법 두 포인트 간 비율 계산을 통해 적절한 값 도출, O = (1-k) * a + (k) * b 양선형 보간법 선형 보간법을 세번 사용, 위 x축과 아래 x축의 선형 보간을 계산하여 두 값의 y축 선형 보간 적용 축소 단순 축소의 경우 원본 픽셀 소실, 축소 전 흐리기 적용(서브샘플링) 또는 평균값 필터링을 통해 어느 정도 데이터 유실 방지 회전 전방향 사상 시, 빈 공간 발생 -> 역방향 사상 및 중심점 기준 회전을 통해 문제를 해결, 회전 각도에 따라 출력영상의 크기는 달라진다. (일반적으로는 다 커짐) 각 회전 계산식 :

회선 영역 기반 처리를 위한 기본적인 기법 M:N 회선 마스크를 통해 영역 처리, 이산 또는 연속적인 영역에 따른 계산 법이 약간 차이가 있음, weighted sum 회선 마스크의 특징 - 마스크의 크기는 홀수 -> 동일한 영역의 크기의 마스크가 모든 화소에 적용되어야 함 - 주로 계수들의 합 1, 일부 마스크는 계수 합이 0 영상의 경계처리 방법 임의로 0 삽입 중첩되는 부분만 회선 처리 원본의 크기 확장(임의 0 삽입이 아닌 가장자기 값 복사 등..) 영역 기반 처리 입력 화소와 주위 화소, 즉 영역 통해 출력 화소 결정. 주변의 픽셀에 영향이 있음 회선 기법을 주로 사용 영상 흐리게 하기 주위 픽셀 값들 차를 줄여서 구현 (나눗셈 회선 마스크) 참고) Gaussian Smoothing : 더 성능..

디지털 영상 생성 현실의 영상을 디지털화하기 위해서 샘플링(픽셀)과 양자화(몇 단계의 밝기로 근사화) 두 단계를 통해 생성 샘플링과 양자화에 대한 좋은 유투브 설명 : https://www.youtube.com/watch?v=JPdMQ9-wJyw 컬러 모델 다양한 분야에 맞는 컬러 모델 존재, CMY, RGB, HSI 등 다양한 컬러 모델 존재 HSI (색상, 채도, 명도) 많은 영상처리에서 HSI 모델 사용 -> RGB모델을 HSI모델로 변환해야 함 픽셀 기반 처리 그래픽의 픽셀을 변경하는 처리, 다른 픽셀에 영향 없음 산술 연산 각 픽셀에 일정한 값을 + - * % (산술 연산) 영상의 밝기 조절 : 덧셈, 뺄셈 영상의 명암 대비 조절 : 곱셈, 나눗셈 나눗셈을 하는 경우 픽셀 간 오차가 상대적으로 ..

벡터 공간 V, W에 대하여 T : V -> W은 선형 변환이다. 이때.. 핵, 퇴역 공간, 퇴화차수 핵(퇴역 공간) : T(v) = 0, 선형 변환을 통해 결과가 0이 되는 벡터의 집합 퇴화 차수 : 핵의 차원 치역, 치역 공간, 계수 치역(치역 공간) : 해당 선형 변환을 통해 나올 수 있는 모든 경우의 집합 계수 : 치역의 차원

둘 다 기존 이미지 명암을 개선하기 위해 사용하는 이미지 처리 기법인데, 두 기법의 차이는 무엇인가요? 유투브에서 이해하기 좋은 내용을 보고 블로그 글로 작성합니다. 히스토그램 평활화 (Histogram Equalization) 기존 영상의 명암 값 분포를 재분배하여 일정한 분포(주로 정규분포)를 가진 새 히스토그램을 생성합니다. 평활화 단계 1. 입력 영상의 히스토그램 생성 2. 빈도수의 누적값 계산 3. 누적값 정규화 (N은 전체 픽셀 수 입니다.) 4. 정규화한 값을 통해 영상 생성 명암 대비 스트레칭 (Contrast stretching) 기존 영상의 분포 형태를 유지하되, 최댓값과 최솟값을 활용하여 스트레칭합니다. 주로 중앙에 빈도수가 몰려있는 영상을 처리할 때 유용한 기법입니다. 계산 두 기법..