폴크(FOLC)

Edge line 전체에 대해 Least-Squares Line Fitting을 수행하면, 단순히 픽셀마다 edge를 추정하는 것이 아니라, 전체 edge 점들을 직선 또는 곡선으로 모델링하여 더 안정적이고 subpixel 수준의 CD(임계 치수) 측정이 가능하다.개념- 입력 : edge image / binary edge mask image- 처리 : edge point detect -> line fitting model : ax + by + c = 0- 출력 : line to line distance, line equation of each line #include #include using namespace std; using namespace cv; // 직선 피팅 함수 (OpenCV fitL..

Sub-pixel Edge Detection 기반의 고정밀 CD측정은 pixel-level 경계 검출의 한계를 넘어, 곡선 보간, Edge fitting, 또는 gradient interpolation 등을 이용하여 실제 구조의 경계선을 소수점 단위까지 정밀하게 추정하는 방법이다원리- Edge 검출: Sobel 또는 Canny로 초기 edge map 생성- Gradient interpolation: 엣지 픽셀 주변에서 1차 또는 2차 곡선을 피팅하여 정확한 edge 위치를 소수점 단위로 추정- Edge pair 매칭: 좌/우 또는 위/아래 edge 쌍을 찾아 거리 계산- 실측 크기 변환 (선택): pixel 단위를 μm 등으로 변환 예제#include #include using namespace cv..

# 디지털 이미지 처리 # 이미지의 상태 정보에서 일반적인 정보를 생성한다. > 추출된 정보를 일반화한다. # 이미지 처리 - OpenCV 4.5.3 으로 테스트 # 이미지의 상태 정보에서 일반적인 정보를 생성 > Points : 입력, line_result : 결과, param : 수치형 매개변수(0 일때 최적화 자동 선택) > reps : 정확도(거리), aeps : 정확도(각도), dp : 해상도, param1 : canny 최대값, param2 : 최소 반지름 # Cv2.FitLine > List Points = new List(); > DistanceTypes distType = DistanceTypes.L2; > double param = 0.0, reps = 0.01, aeps = 0.01;..

# 많은 데이터를 이용해 데이터들의 패턴을 분석하고 결과를 예측하도록 하는 알고리즘을 설계한다. > 컴퓨터를 이용해서 분석하고 추론하는 알고리즘과 기술을 개발하는 분야 > 경험을 통해 자동으로 문제점과 개선점을 발견하도록 컴퓨터 알고리즘을 구성 > 데이터의 평가 및 일반화를 통해 아직 알 수 없는 데이터에 대한 처리 예제) # 카테고리 분류 모델 : 주어진 데이터 포인터의 클래스를 예측하는 모델 > 먼저 레이블 된 학습 데이터로 학습한 후, 새로 입력된 데이터가 어느 클래스에 속하는 지를 예측 > 카테고리는 때때로 레이블 또는 클래스라고 한다. > 분류 예측 모델링은 입력 변수(X)에서 이산 출력 변수(y)로의 매핑 함수(f)를 근사화 > 분류는 대상이 입력 데이터와 함께 제공되는 지도 학습이다. # 자..

# 디지털 이미지 처리 # 이미지의 상태 정보에서 일반적인 정보를 생성한다. > 추출된 정보를 일반화한다. # 이미지 처리 - OpenCV 4.5.3 으로 테스트 # 이미지의 상태 정보에서 일반적인 정보를 생성 > Points : 입력, model : 결과, distance : 노이즈로 판단하는 경계값 # RANSAC ( Random sample consensus ) > vector vecData; > CFitLineRANSAC ransac; > cv::Vec4f model; > ransac.FitLine(vecData, 3.0, model); * 소스 코드 세부 내용 * double CFitLineRANSAC::FitLine(const vector &src, double distance_threshol..

# 디지털 이미지 처리 # 이미지의 상태 정보에서 일반적인 정보를 생성한다. > 추출된 정보를 일반화한다. # 이미지 처리 - OpenCV 4.5.3 으로 테스트 # 이미지의 상태 정보에서 일반적인 정보를 생성 > Points : 입력, line_result : 결과, param : 수치형 매개변수(0 일때 최적화 자동 선택) > reps : 정확도(거리), aeps : 정확도(각도), dp : 해상도, param1 : canny 최대값, param2 : 최소 반지름 # cv::fitLine > vector Points; > cv::Vec4f line_result; > int distType = cv::DIST_L2; > double param = 0, double reps = 0.01, double a..