1. 정의 및 Key IdeaRANSAC (RANdom SAmple Consensus)는 많은 수의 이상치(outlier)가 있는 dataset에서도model의 parameters를 강건하게 추정하는 voting based iteration algorithm.Consensus 합의라는 의미를 가짐. RANSAC의 핵심 아이디어는voting (=inlier counting)을 사용하여모델에 잘 맞는 데이터 포인트(inliers)와 맞지 않는 데이터 포인트(outliers)를 구별하는 것임.지지하는 inliers의 수가 많은 모델을 선택: consensus set 이 가장 큰 모델을 지지.더보기왜 “Consensus”라는 용어를 사용한 이유?합의(consensus) 라는 용어는 통계적으로 더 많은 데이터 포..

computer vision과 image processing에서의 Fitting목표computer vision과 image processing에서 Fitting의 주요 목표는관찰된 데이터(이미지, 텍스트, 센서 데이터 등)로부터특정 양이나 구조를가장 잘 설명하는 모델을 선택하는 과정임.이를 통해 이미지의 특징을 분석하고 다양한 image processing 작업을 수행함.주요 기법1. Least Squares Method (최소 제곱법)설명: Least Squares Method는 관찰된 값과 모델이 예측한 값 간의 제곱 오차 합을 최소화하는 방법임.적용: 직선, 평면 또는 곡선을 점 집합에 fitting할 때 사용됨. 예를 들어, 엣지 감지 후 직선을 fitting하는 데 사용됨.장점: 구현이 간단하고..

Image Stitching"Image Stitching"은 여러 장의 사진 이미지를 결합하여 하나의 큰 이미지나 파노라마를 만드는 기술임.이 용어는 원래 바느질에서 유래했으며,바느질에서 "stitch"(바늘질)는 바늘과 실을 사용해 천이나 다른 재료를 연결하는 각각의 작은 바늘질을 의미함."Stitching"(스티칭)은 이러한 바늘질을 모아 하나의 큰 구조를 만드는 과정임. Image Patch들을 결합하는 과정도 이와 비슷한 측면이 있으며, 이에 기반해 Image Stitching이라는 용어가 생김.여러 개의 작은 이미지 조각들을 하나의 큰 이미지로 결합하는 과정을 "stitching"(스티칭)이라고 부름.Image Stitching 단계이 과정은 크게 다음의 네 가지 단계로 이루어짐:Alignmen..

Homographic transformation 이란Homographic transformation(호모그래피 변환)은projective transformation(투영 변환) 또는homography(호모그래피)라고도 불리며,한 평면의 점들을 다른 평면의 점들로 매핑하는 기하학적 변환임.이 변환은 computer vision(컴퓨터 비전), image processing(이미지 처리)에서image rectification(이미지 보정),perspective correction(원근법 수정),3D reconstruction(3D 재구성) 등의 작업에 널리 사용됨.https://dsaint31.me/mkdocs_site/DIP/cv2/ch02/dip_geometric_transformation/#perspe..

OpenCV 라이브러리에서 제공하는 cornerSubPix는코너 검출의 정확도를 높이기 위해 사용되는 함수임.이 함수는 초기 검출된 코너 위치를 서브픽셀 수준으로 정밀하게 조정하기 위해 사용됨.함수 설명cornerSubPix 함수는 다음과 같은 인자를 받음:image (이미지): 입력 이미지로, 그레이스케일 이미지여야 함.corners (코너들): 초기 코너 위치로, goodFeaturesToTrack나 findChessboardCorners와 같은 함수로부터 얻은 값임.winSize (윈도우 크기): 코너를 세밀하게 조정할 때 사용하는 검색 윈도우의 절반 크기임. 예를 들어, (5, 5)로 설정하면 실제 윈도우 크기는 11x11이 됨.zeroZone (제로 존): 검색 중 중심 영역을 무시할 영역임. ..

Feature ScalingML에서 feature scaling이란 다음을 의미함.input data의 각 feature들의 값이 일정한 범위(a consistent range)나 표준화된 척도(standardized scale)로 변환하는 과정. Feature Scaling은 ML에서모든 feature가 동등하게 training에 기여하도록 보장해주고,raw scale에 상관없이 model이 실제 각 feature가 결과에 미치는 영향력을 제대로 학습하도록 도와줌.Featuer Scaling을 하지 않을 경우,일부 큰 scale을 가지는 features가 모델의 결과에 지나치게 큰 영향력을 가지게 되어편향된 모델로 학습되는 문제점을 가짐.feature에 대한 정의가 헷갈린다면 다음 접은 글을 확인할 것..