컴퓨터 비전/이론 (4) 썸네일형 리스트형 Edge Detection Prewitt -1차 미분을 활용 -1 0 1 -1 0 1 -1 0 1 Sobel -Prewit에서 가운데 값에 가중치를 줌 -1 0 1 -2 0 2 -1 0 1 2D Laplacian filter -Zero Crossing (Threshold가 0이면 편함) -2차 미분활용 -오류를 줄이기 위해 Gaussian Filter 적용후 사용(LOG) 0 1 0 1 -4 1 0 1 0 Canny edge -소벨로 edge strength와 orientation 결정후 알고리즘 적용 -Robust, systemic Hough Transform(허프 변환) -Transform x,y domain to a,b domain(y = ax + b) -한점은 다른 관점의 좌표계에서 직선에 대응 -> 직선 또는 곡선들의 교.. Interpolation Forward Mapping -인풋의 모든 지점에 대해 아웃풋을 매칭 -아웃풋 영상이 정수좌표가 아니라서 실패하거나 어떤 지점은 채워지지 않음 → Hole 발생 Backward(Inverse) Mapping -아웃풋의 모든 지점에 대해 인풋을 매칭 -마찬가지로 Hole이 발생하나 Interpolation 알고리즘으로 해결가능(따라서 무조건 Backward로 사용) Interpolation(보간법) -Nearest neighbor(NN) interpolation: 가장 가까운것으로 round -Bilinear interploation: 일차식의 직선형태로 추정 -Bicubic interploation: 3차식의 곡선형태로 추정 히스토그램과 이진화 히스토그램(histogram) -값들에 대한 빈도, 영상의 특성파악가능 -히스토그램 평활화(histogram equalization) -동적 범위를 늘려서 영상의 선명하게 함 -영상의 CDF를 이용하면됨. 즉 CDF가 Tranfer Function이므로 x를 CDF(x) 값으로 변환.(그래프로 확인가능) 이진화 -어떤 적절한 값을 기준으로 영상을 0과 1로 나눌때 사용 -오츄(Otsu) 알고리즘 -양분된 분산이 가장 작도록 하는 기준값을 찾는 알고리즘 정확률과 재현율 완벽정리 이거 정말 헷갈리는 개념인데요. 그냥 블로그에 위키백과만 가져와서 붙여넣기한 포스팅만 보면 완전히 헷갈립니다. 이 포스팅을 보시면 완벽히 이해되실 겁니다. 가장 중요한게 모델의 예측(긍정,부정)과 진리표 입니다. 왜 중요하냐면 성능지표가 두가지 관점이기 때문입니다. True Positive(TP) : 참인 긍정 (진리표: 참) False Positive(FP) : 틀린 긍정 (진리표: 거짓) False Negative(FN) : 틀린 부정 (진리표: 참) True Negative(TN) : 참인 부정(진리표: 거짓) 여기서 우리는 모델의 성능을 알고 싶습니다. 일반적으로 맞는걸 찾는것에 관심이 많기때문에 모델의 성능은 정확률과 재현율을 가장 많이 씁니다. 정확률은 쉽습니다. 모델이 긍정으로 찾은것중에 실.. 이전 1 다음
