KR100811774B1 - 에지 히스토그램 디스크립터의 특징적 에지 블록을 이용한바이오 영상 검색 방법 및 장치 - Google Patents

에지 히스토그램 디스크립터의 특징적 에지 블록을 이용한바이오 영상 검색 방법 및 장치 Download PDF

Info

Publication number
KR100811774B1
KR100811774B1 KR1020060083515A KR20060083515A KR100811774B1 KR 100811774 B1 KR100811774 B1 KR 100811774B1 KR 1020060083515 A KR1020060083515 A KR 1020060083515A KR 20060083515 A KR20060083515 A KR 20060083515A KR 100811774 B1 KR100811774 B1 KR 100811774B1
Authority
KR
South Korea
Prior art keywords
edge
image
block
blocks
characteristic
Prior art date
Application number
KR1020060083515A
Other languages
English (en)
Other versions
KR20080020257A (ko
Inventor
남재열
서미숙
고병철
Original Assignee
계명대학교 산학협력단
서미숙
고병철
남재열
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 계명대학교 산학협력단, 서미숙, 고병철, 남재열 filed Critical 계명대학교 산학협력단
Priority to KR1020060083515A priority Critical patent/KR100811774B1/ko
Publication of KR20080020257A publication Critical patent/KR20080020257A/ko
Application granted granted Critical
Publication of KR100811774B1 publication Critical patent/KR100811774B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은, 모노 톤의 배경과 주요한 객체로 구성되는 바이오 영상에 대해, 상기 바이오 영상의 구성 특성에 부합하도록 적합한 디스크립터를 사용하여 효과적으로 특징벡터를 생성하고 유사도 비교를 수행함으로써 바이오 영상의 검색 성능을 향상시키는 장치 및 방법에 관한 것이다.
이를 위해 본 발명은 바이오 영상 내의 객체가 가진 대표적 방향성에 대한 특징적인 에지(edge) 블록들을 선별하고 검색에서 이들 정보를 추가적으로 비교하여 주요 객체의 위치 정보를 제공한다.
또한, 특징 없는 배경에 해당하는 블록의 비교로 인한 오차의 영향을 줄여 검색 성능을 향상시키도록 한다.
또한, 바이오 영상 검색을 위한 영상 특징 및 디스크립터 분석과 최적의 디스크립터 조합 연구에 적용하여 검색 성능을 향상을 가져오게 한다.
MPEG-7, 바이오 영상, 에지 히스토그램 디스크립터, 특징적 에지 블록

Description

에지 히스토그램 디스크립터의 특징적 에지 블록을 이용한 바이오 영상 검색 방법 및 장치{Bio-image Retrieval Method Using Characteristic Edge Block Of Edge Histogram Descriptor and Apparatus at the same}
도 1은 본 발명에 따른 바이오 영상 검색장치를 나타낸 블럭도,
도 2는 도 1에 도시된 본 발명에 따른 바이오 영상 검색장치에서 특징적 에지 블록을 이용하여 특징벡터를 생성하는 과정을 나타낸 흐름도,
도 3은 도 2의 국부분산을 이용한 특징적 에지 블록을 재선별하는 과정을 나타낸 흐름도,
도 4는 도 3의 국부분산의 산출 방법을 나타낸 실시 예,
도 5는 본 발명에 따른 바이오 영상의 검색을 위한 유사도 비교 수행의 과정을 나타낸 흐름도,
도 6은 본 발명에 따른 바이오 영상의 검색 성능을 ANMRR의 기준으로 기존 검색의 검색 성능과 비교한 그래프이다.
본 발명은, 모노 톤의 배경과 주요한 객체로 구성되는 바이오 영상에 대해, 상기 바이오 영상의 구성 특성에 부합하도록 적합한 디스크립터를 사용하여 효과적으로 특징벡터를 생성하고 유사도 비교를 수행함으로써 바이오 영상의 검색 성능을 향상시키는 장치 및 방법에 관한 것이다.
MPEG(Moving Picture Experts Group)는 멀티미디어 표준을 담당하고 있는 대표적 기구로서, 동영상과 소리의 압축 및 다중화에 관한 표준을 제정하고 있다. MPEG의 표준화 작업은 MPEG-1(저장 매체용 압축), MPEG-2(방송, 통신, 저장 매체용 압축), MPEG-4(이동 통신용 압축), MPEG-7(멀티미디어 정보 검색), MPEG-21(전자상거래용) 등의 적용 분야별로 나뉘어 진행되었다.
정보의 압축기술과 전송기술이 발전하면서 점점 더 많은 정보가 텍스트 형태보다는 멀티미디어 형태로 생산되면서, 사진, 3D모델, 오디오, 비디오와 같은 다양한 멀티미디어 정보를 찾아 이용하고자 하는 욕구가 커지는 반면, 멀티미디어 정보의 양이 기하급수적으로 늘어날수록 사용자가 원하는 정보를 찾는 것은 더욱 어려워지게 되어 원하는 정보를 쉽고 빠르게 검색하여 찾아볼 수 있는 기술이 더욱 필요하게 되었다. 이러한 요구와 필요성에 따라 MPEG-7이라는 표준안이 등장하게 되었다.
최근 의학 분야에서는 정보통신, 네트워킹, 데이터베이스, 정보관리, 사용자 인터페이스 기술 및 정보저장관리 기술을 바탕으로 이루어진 PACS(Picture Archive and Communication System)의 도입으로, 방대한 바이오(bio) 및 의료 영상들이 디지털화되어 하나의 데이터베이스를 구축하고 있다. 이러한 시스템의 도입과 함께 일반 자연영상과는 다른 특징을 가지는 바이오 영상을 효과적으로 검색하기 위한 필요성이 대두되었고, 그에 따라 MPEG-7을 응용한 연구가 활발히 진행되고 있다.
MPEG-7 표준은 다양한 형태의 멀티미디어 정보에 대한 서술(묘사, 설명)을 표준화하고 있어서, 멀티미디어 컨텐츠에 대한 서술 인터페이스(Multimedia Content Description Interface)라고도 불린다. 이 서술(Description)이라는 용어는 컨텐츠 자체에 대해 설명하여 필요한 멀티미디어 정보를 쉽고 정확하게 찾을 수 있도록 하는 메타데이터를 붙여 넣는 것을 말한다.
상기 MPEG-7 표준에서 비주얼 디스크립터(Visual Descriptor)는 그동안 자연영상 검색에 유용하게 응용되어 왔으며, 그 성능이 입증되었다. 또한, 상기 비주얼 디스크립터는 영상의 고유한 비주얼 특징을 기술하여 영상의 특성에 따라 검색 성능이 달라질 수 있다.
따라서, 비주얼 디스크립터를 이용한 바이오 영상의 검색에 있어, 흑백 영상이거나 염색 재료에 따라 대표 색상이 달라지는 영상인 경우에는 컬러 디스크립터들의 효용성이 떨어지며, 신경망과 같은 복잡한 기하학의 형성구조를 가진 영상의 경우에는 질감 디스크립터들의 검색 성능이 낮다. 그 중 상기 질감 디스크립터에서 많이 사용되는 에지 히스토그램 디스크립터(Edge Histogram Descriptor)는, 영상의 국부 영역에서 수직, 수평, 대각선 두 방향의 방향성 에지 4종류와 비방향성 에지 하나로, 이미지가 갖는 에지의 공간적 분포를 표현한다. 특히, 이를 바이오 영상의 검색에 이용할 경우 방향성을 가진 영상에 대해 높은 검색 성능을 가질 수 있다.
그러나, 모노 톤인 배경과 주요 객체로 구성되는 바이오 영상의 특성은 배경 에 해당하는 블록의 비교로 인한 오차를 발생시켜 상기 에지 히스토그램 디스크립터를 이용할 경우 검색 성능을 저하시키는 요인이 될 수 있다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 검색대상인 바이오 영상에 대해 에지 히스토그램 디스크립터의 특징적 에지 블록과 국부분산을 이용하여 특징벡터를 생성하고, 이를 이용하여 유사도 비교를 수행함으로써, 바이오 영상의 검색 성능을 향상시키는 바이오 영상 검색 방법 및 장치를 제공하는 것을 목적으로 한다.
상기의 목적을 달성하기 위하여, 본 발명의 일측면에 따르면, 질의 영상의 특징벡터를 생성하는 단계와, 참조 영상의 특징벡터를 생성하는 단계와, 상기 질의 영상의 특징벡터와 참조 영상의 특징벡터 간의 절대 오차의 합을 누적하고, 상기 누적된 차분의 크기가 작은 순으로 참조 영상을 정렬하여, 상위의 영상들을 검색의 결과로서 사용자에게 제공하는 단계를 포함하는 바이오 영상의 검색 방법을 제공한다.
또한, 상기 질의 영상과 관련된 유사 영상(Ground Truth) 집합을 분류하여 정의하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 원본 바이오 영상을 수집하고 상기 원본 바이오 영상에 대한 회전, 왜곡, 변형 등의 변환을 거쳐 생성된 영상을 구비하여 참조 영상의 데이터베이스를 구축하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 상기 참조 영상 또는 질의 영상의 특징 벡터를 생성하는 단계는, 상기 영상의 국부 에지 히스토그램과 전역 에지 히스토그램을 입력하는 단계와, 상기 입력된 전역 에지 히스토그램의 5가지 에지 중 가장 큰 크기를 가지는 에지를 대표 에지로 선정하는 단계와, 상기 영상의 전체 블록에 대한 대표 에지 평균을 산출하는 단계와, 상기 영상의 각 블록을 순회하며 각 블록에서 대표 에지와 동일한 타입의 에지와 상기 대표 에지의 크기를 비교하고, 그 비교된 블록의 에지 값이 대표 에지 평균값보다 더 클 경우 해당 블록을 특징적 에지 블록으로 선정하는 단계와, 상기 국부 및 전역 에지 히스토그램과 선정된 특징적 에지 블록의 에지 히스토그램을 결합하여 특징벡터를 생성하는 단계를 포함한다.
또한, 상기 1차 선정된 특징적 에지 블록의 전체 개수를 구하고, 상기 1차 선정된 특징적 에지 블록의 전체 개수가 상기 임계값 이하일 경우에는 모두 특징적 에지 블록으로 선정하고, 상기 1차 선정된 특징적 에지 블록의 전체 개수가 상기 임계값을 넘을 경우에는 상기 1차 선정된 특징적 에지 블록의 이웃 블록을 고려하는 국부분산을 계산하여, 계산된 국부분산의 크기가 큰 상위 블록 순으로 상기 임계값만큼 2차 특징적 에지 블록으로 재선별하는 단계를 포함하는 것을 특징으로 한다.
또한, 상기 1차 선정된 특징적 에지 블록의 4개의 이웃한 블록과의 평균과 상기 1차 선정된 특징적 에지 블록과의 오차를 이용한 국부분산을 계산하는 단계와, 상기 계산된 분산의 크기에 따라 상기 1차 선정된 특징적 에지 블록을 정렬하는 단계와, 상기 정렬된 특징적 에지 블록 전체에서 임계값만큼 분산이 큰 상위의 블록을 2차 특징적 에지 블록으로 재선별하는 단계를 포함하는 것을 특징으로 한다.
또한, 상기 임계값은 상기 참조 영상의 객체와 배경의 특성, 특징적 에지 블록의 개수를 고려하여 결정하는 것을 특징으로 한다.
또한, 상기 전역 에지 히스토그램은, 상기 입력된 영상에서 국부 에지 히스토그램의 5개의 에지의 평균을 이용하여 구하는 것을 특징으로 한다.
또한, 상기 질의 영상의 선정된 특징적 에지 블록과 동일한 참조 영상의 블록을 선택하여 상기 참조 영상의 특징벡터를 생성하는 단계를 더 포함하는 것을 특징으로 한다.
본 발명의 다른 측면에 따르면, 입력된 바이오 영상의 전역 에지 히스토그램의 5가지 에지 중 크기가 가장 큰 에지를 대표 에지로 선정하는 객체 방향성 판단부와, 상기 대표 에지에 대한 상기 영상의 전체 블록의 평균을 산출하는 평균 산출부와, 상기 영상의 각 블록을 순회하며 각 블록에서 대표 에지와 동일한 타입의 에지와 상기 대표 에지의 크기를 비교하고, 그 비교된 블록의 에지 값이 대표 에지 평균값보다 더 클 경우 해당 블록을 특징적 에지 블록으로 선정하는 제1 선별부와, 상기 선별된 특징적 에지 블록의 에지 히스토그램과 상기 입력된 바이오 영상의 국부 에지 히스토그램 및 전역 에지 히스토그램을 결합하여 특징벡터를 생성하는 특징벡터 생성부와, 상기 생성된 특징벡터를 저장하는 영상 데이터베이스를 포함하는 바이오 영상 검색 장치를 제공한다.
또한, 상기 제1 선별부에서 선정된 특징적 에지 블록의 전체 개수를 구하는 특징 블록 개수 판별부와, 상기 특징적 에지 블록의 개수가 임계값을 넘을 경우 상기 특징적 에지 블록과 이웃하는 4개 블록의 평균을 이용하여 상기 특징적 에지 블록에 대한 국부분산을 산출하는 국부분산 산출부와, 상기 산출된 국부분산의 크기가 큰 상위 블록 순으로 상기 임계값만큼 특징적 에지 블록을 재선별하는 제2 선별부를 포함하는 것을 특징으로 한다.
또한, 상기 임계값은 상기 참조 영상의 객체와 배경의 특성, 특징적 에지 블록의 개수를 고려하여 결정하는 것을 특징으로 한다.
또한, 상기 전역 에지 히스토그램은, 상기 입력된 영상에서 국부 에지 히스토그램의 5개의 에지의 평균을 이용하여 구하는 것을 특징으로 한다.
또한, 상기 바이오 영상에 대해 질의 영상과 참조 영상의 두 특징벡터 값의 절대오차를 비교하여 유사도 여부를 판단하는 유사도 비교부를 더 포함하는 것을 특징으로 한다.
이하에서, 본 발명에 따른 바이오 영상 검색장치 및 방법의 바람직한 실시 예에 대하여 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 본 발명에 따른 바이오 영상 검색장치를 나타낸 블럭도이다.
도 1을 참조하면, 본 발명에 따른 바이오 영상 검색장치는 바이오 영상의 특징에 부합하는 에지 히스토그램 디스크립터(EHD: Edge Histogram Descriptor)의 특징적 에지 블록을 이용하여 특징벡터를 생성하고 유사도 비교를 수행하여 바이오 영상을 검색하는 장치이다.
이를 위해, 본 발명에 따른 바이오 영상 검색장치(100)는, 전역 에지 히스토 그램의 5가지 에지 중 크기가 가장 큰 에지를 해당 바이오 영상의 대표 에지로 선정하는 객체 방향성 판단부(110)와, 선정된 대표 에지에 대한 상기 바이오 영상 전체 블록의 평균을 산출하는 평균 산출부(120)와, 상기 바이오 영상의 분할된 각 블록을 순회하며 대표 에지와 동일한 타입의 에지 크기를 비교하여 비교된 블록의 에지 크기가 상기 대표 에지 평균의 크기보다 클 경우 상기 비교 블록을 특징적 에지 블록으로 선정하는 제1 선별부(130)와, 선별된 특징적 에지 블록의 개수를 판별하는 특징 블록 개수 판별부(140)와, 선별된 특징적 에지 블록 개수가 임계값 보다 많을 경우 상기 특징적 에지 블록과 이웃한 블록들을 고려한 분산을 산출하는 국부분산 산출부(150)와, 상기 산출된 분산의 크기가 큰 상위 블록 순으로 상기 임계값만큼 특징적 에지 블럭을 재선별하는 제2 선별부(160)와, 선별된 특징적 에지 블록의 에지 히스토그램과 국부 및 전역 에지 히스토그램을 결합하여 특징벡터를 생성하는 특징벡터 생성부(170)와, 상기 생성된 특징벡터를 저장하는 영상 데이터베이스(180)를 구비한다.
여기서, 객체 방향성 판단부(110)는, 바이오 영상에서, 국부 에지 히스토그램을 구하고, 상기 국부 에지 히스토그램의 5개의 에지의 평균을 구하여 영상 전역의 통계적 방향 특성을 나타내는 전역 에지 히스토그램을 생성한다. 상기 국부 및 전역 에지 히스토그램을 입력받아, 상기 전역 에지 히스토그램의 5가지 에지 중에서 크기가 가장 큰 에지를 해당 바이오 영상의 대표 에지로 선정한다.
도 2는 도 1에 도시된 본 발명에 따른 바이오 영상 검색장치에서 특징적 에지 블록을 이용하여 특징벡터를 생성하는 과정을 나타낸 흐름도이다.
도 2를 참조하면, 가령 해당 바이오 영상을 4×4=16개의 서브 영상(sub-image)을 갖는 블록으로 분할하고, 분할된 서브 영상에서 수직, 수평, 대각선 2방향(45도, 135도), 무 방향의 에지를 추출하는 국부 에지 히스토그램을 생성한다. 또한, 상기 국부 에지 히스토그램의 5가지 에지 평균을 구하여 상기 16개로 분할된 서브 영상 전역의 통계적 방향 특성을 나타내는 전역 에지 히스토그램을 생성하여, 생성된 국부 에지 히스토그램과 전역 에지 히스토그램을 바이오 영상 검색장치에 입력한다(201단계). 이때, 바이오 영상 내의 주요한 객체의 대표 방향성을 찾아내기 위하여 대표 에지를 선정하는 것은 수학식 1과 같이 수행하여, 입력된 전역 에지 히스토그램의 5가지 에지 중 가장 큰 크기를 가지는 에지를 대표 에지로 선정한다(202단계).
Figure 112006063103676-pat00001
여기서, Gver, Ghor, G45, G135, Gnon 은 각각, 수직, 수평, 45도, 135도, 무 방향의 전역 에지 히스토그램을 말한다.
이처럼 바이오 영상의 대표 에지가 선정되면, 16개로 분할된 서브 영상의 전체 블록에 대한 대표 에지 평균을 산출한다(203단계). 그리고, 서브 영상의 각 블록을 순회하며 각 블록에서 대표 에지와 동일한 타입의 에지와 상기 대표 에지의 크기를 비교한다(204단계)(205단계). 상기 판단 결과, 그 비교된 블록의 에지 값이 대표 에지 평균값보다 더 클 경우 해당 블록을 특징적 에지 블록으로 선정하고(206 단계), 그 값이 작을 경우 다음 블록을 비교한다.
각 블록을 모두 순회하여 비교한 후 선택된 특징적 에지 블록의 전체 개수를 구하고 이를 임계값과 비교하여(207단계), 상기 선택된 특징적 에지 블록의 전체 개수가 상기 임계값 이하일 경우에는 바이오 영상의 국부 및 전역 에지 히스토그램과, 상기 선정된 특징적 에지 블록의 에지 히스토그램을 결합하여 특징벡터를 생성하고 이를 데이터베이스에 저장한다(208단계).
그러나, 상기 선택된 특징적 에지 블록의 전체 개수가 상기 임계값을 넘을 경우에는 상기 특징적 에지 블록의 이웃 블록을 고려하는 국부분산을 계산하고, 계산된 국부분산의 크기가 큰 상위 블록 순으로 상기 설정된 임계값만큼 재선별한다(209, 210단계). 그리고, 재선별된 상위 블록에 대하여 상기와 같은 방법으로(입력된 바이오 영상의 국부 및 전역 에지 히스토그램과 재선별된 특징적 에지 블록의 에지 히스토그램을 결합하여) 특징 벡터를 생성하고 이를 데이터베이스에 저장한다(208단계).
이때, 이웃 블록을 고려하는 국부분산을 이용하여 특징적 에지 블록을 재선별하는 과정을 도 3을 참조하여 상세히 설명하면 다음과 같다.
서브 영상의 각 블록의 에지 크기가 유사한 분포를 가질 경우, 다시 말해 주요 객체가 두드러진 대표 에지를 가지고 있지 않은 경우에는 선정된 대표 에지와 각 블록의 동일 타입의 에지 및 전체 에지 평균이 유사한 값을 가지게 된다. 따라서, 선택되는 블록 개수가 많아지게 되고 이는 유사도 비교 수행에서 오차를 증가시켜 검색 성능을 저하시키는 요인이 된다. 이를 해결하기 위해 본 발명에서는, 도 3에 도시된 바와 같이, 국부분산(Local Variance)을 이용한다. 상기 국부분산은 국부적인 영상의 변화도(활동도)를 검출할 수 있는 분산으로서, 서브 영상의 각 블록들이 전체 평균과 유사 분포를 가질 경우 국부적 분포를 알아내기 위해 이용될 수 있다.
도 3을 참조하면, 특징적 에지 블록의 개수에 대한 임계값을 지정할 때, 먼저 데이터베이스에 저장되는 참조 영상들에서 선택되는 특징적 에지 블록의 개수로 상기 임계값을 지정한다(301단계).
상기 임계값은 데이터베이스의 참조 영상의 종류와 특성(객체와 배경의 특성)의 영향을 받게 되므로 이도 임계값 선정에 고려되며, 본 발명에서는 그 바람직한 일 예로서, 참조 영상들의 특성을 고려하고, 선택되는 특징적 에지 블록의 평균 개수를 구하여 8을 임계값으로 선정하였다.
이어, 선정된 특징적 에지 블록들과, 바이오 영상의 국부 에지 히스토그램 및 전역 에지 히스토그램이 입력되면(302단계), 선정된 특징적 에지 블록과 이웃한 4개 블록의 평균을 이용하여 상기 선정된 특징적 에지 블록들에 대한 국부분산을 산출한다(303단계).
상기 국부분산의 산출 방법은 도 4를 참조하여 설명한다.
도 4를 참조하면, 국부분산은 바이오 영상 전체의 에지 평균을 구하는 것이 아니라, 가령 선정된 특징적 에지 블록(X(i,j))의 이웃한 상, 하, 좌, 우 방향의 4개 블록(X(i,j+1),X(i,j-1),X(i-1,j),X(i+1,j))의 에지 평균을 구하고, 얻어진 에지 평균과 선택된 특징적 에지 블록(X(i,j))의 에지와의 차분을 이용함으로써 구할 수 있다.
이때 상기 국부분산의 값을 구하는 방법은 수학식 2와 3을 통해서 수행된다.
Figure 112006063103676-pat00002
Figure 112006063103676-pat00003
여기서, LV(i, j)는 수평의 i 번째, 수직의 j 번째 블록의 상, 하, 좌, 우 블록의 에지 평균을 말하며, Lvar은 국부분산, N 은 수평, 수직 방향의 각 블록의 개수를 말한다.
다음으로 구해진 국부 분산 값이 큰 순서에 따라 선정된 특징적 에지 블록들을 정렬하고, 상기 분산값이 큰 상위 블록을 특징적 에지 블록으로 재선별한다(304, 305단계).
이때, 재선별하는 단계는 재선별되는 특징적 에지 블록들의 개수가 임계값에 도달하는지를 비교하면서 반복 수행한다(306단계). 여기서, 재선별된 특징적 에지 블록의 개수가 임계값만큼 선택되면 분산 값이 하위인 나머지 선정된 특징적 에지 블록들은 탈락시킨다. 그리고, 재선별된 특징적 에지 블록의 에지 히스토그램과, 입력된 국부 및 전역 에지 히스토그램을 결합하여 특징벡터를 생성하여 데이터베이스에 저장한다(307단계).
도 5는 본 발명에 따른 바이오 영상의 검색을 위한 유사도 비교 수행 과정을 나타낸 흐름도이다.
도 5를 참조하면, 먼저 동물세포, 식물세포, 전자 현미경 영상 등을 통하여 원본 바이오 영상을 수집하고, 수집된 원본 바이오 영상을 토대로 왜곡, 회전, 변형 등의 변환 과정을 거쳐 생성된 바이오 영상들과 함께 데이터베이스를 구축한다(501단계).
다음으로 상기 데이터베이스 내에 입력된 참조 영상들의 국부 및 전역 에지 히스토그램을 데이터베이스에 저장한다(502단계).
이어, 질의 영상이 입력되면 도 2 내지 도 4에서 설명한 방법으로 질의 영상에 대한 특징벡터를 생성한다(503, 504단계). 이때, 본 발명에서는 질의 영상에 대한 검색의 성능 평가를 위하여 14개의 관련 영상을 선정하여 이를 유사 영상(Ground Truth)으로 분류한다.
그리고, 질의 영상의 선정된 특징적 에지 블록에 대해 데이터베이스에 존재하는 참조 영상의 동일한 블록을 선택하여 도 2 내지 도 4에서 설명한 방법으로 참조 영상의 특징 벡터를 생성하고, 질의 영상과 참조 영상의 두 특징벡터 값의 절대 오차를 누적한다(505, 506단계).
이때, 상기의 특징벡터 값의 절대오차를 누적하는 방법은 수학식 4와 수학식 5를 이용하여 수행한다.
Figure 112006063103676-pat00004
여기서, N은 전역 히스토그램 빈의 개수와 선택된 특징적 에지 블록들의 5개 히스토그램 빈의 개수의 합
Figure 112006063103676-pat00005
여기서, QEHD (i)는 질의 영상에서 추출된 i번째 히스토그램 빈, REHD (i)는 참조 영상에서 동일한 과정으로 추출된 i번째 히스토그램 빈을 말한다.
다음으로 누적된 차분의 합의 크기가 작은 순으로 참조 영상을 정렬하고, 그 결과로서 상위의 참조 영상들을 검색 시스템의 사용자에게 제공한다(507단계).
도 6은 본 발명에 따른 바이오 영상의 검색 성능을 ANMRR(Average Normalized Modified Retrieval Rank) 기준으로 기존 검색 성능과 비교한 그래프이다.
여기서, ANMRR은 특징 벡터 간의 오차 값을 고려하여 순위를 함께 평가할 수 있는 검색 성능 평가의 지표이다. 정규화된 ANMRR은 항상 0에서 1의 값을 가지며 0에 가까운 값을 가질수록 좋은 성능을 나타내는데, 모든 관련 영상을 지정된 순위 내에서 검색할 경우 0의 값을 가지게 된다. 반대로 지정된 순위 내에서 검색한 관련 영상이 존재하지 않을 경우 1의 값을 가지게 된다.
도 6에 나타나는 결과를 살펴보면, 본 발명에 따른 바이오 영상 검 색(Proposed Hist)이 국부 에지 히스토그램의 특징 벡터를 이용한 기존의 유사도 비교 수행의 검색 결과(Local Hist)보다 향상된 검색 성능을 보여 주는데, 이러한 결과는 영상에 존재하는 주요 객체에 대한 부가적인 위치 정보 비교의 효과성을 입증한다.
또한, 4개의 블록 단위로 국부 에지 히스토그램의 평균을 구하여 생성된 준 전역 히스토그램을 이용한 검색(L/G/S Hist)과의 비교에 있어서도 향상된 ANMRR의 검색 성능을 보여준다.
따라서, 수행된 검색의 실험 결과를 통하여, 본 발명에 따라 특징 없는 에지의 비교 오차를 줄이고 주요한 객체에 대한 정보를 제공하는 특징적 에지 블록을 이용한 특징벡터를 비교하는 검색이 기존의 검색 방식과의 ANMRR 비교에서 약 10.7%가 향상된 것을 알 수 있다.
이상에서 살펴본 바와 같이, 본 발명에 따른 바이오 영상의 특징적 에지 블록을 이용한 특징벡터의 생성과 이를 비교하는 바이오 영상의 검색 장치 및 방법은 다음과 같은 효과가 있다.
첫째, 영상의 특징적 에지 블록과 국부분산을 이용하여 특징벡터를 생성하고, 이를 이용하여 유사도 비교를 수행함으로써, 상기 영상 내에 존재하는 주요 객체에 대한 위치 정보를 제공할 수 있으며, 특징 없는 에지 블록의 비교로 인한 유사도 비교 수행의 오차 값을 줄여 검색 성능을 향상시킬 수 있다.
둘째, 자연 영상과는 다른 특성을 가진 바이오 영상들의 검색 분야에서, 본 발명의 방법은 분석된 바이오 영상의 배경과 객체로 구성된 특성에 부합하도록 디스크립터의 응용을 가능하게 할 수 있다.
셋째, 본 발명의 방법은 바이오 영상의 특징을 복합적으로 기술하는 최적의 디스크립터를 조합하기 위한 연구에 적용 가능하여 검색 성능을 향상시킬 수 있다.
이상 설명한 내용을 통하여 당업자라면 본 발명의 기술 사상을 이탈하지 아니하는 범위에서 다양한 변경 및 수정이 가능함을 알 수 있을 것이다.
따라서, 본 발명의 기술적 범위는 상기 실시 예에 기재된 내용으로 한정되는 것이 아니라 하기 특허 청구의 범위에 의하여 정해져야 한다.

Claims (14)

  1. 질의 영상의 특징벡터를 생성하는 단계와,
    참조 영상의 특징벡터를 생성하는 단계와,
    상기 질의 영상의 특징벡터와 참조 영상의 특징벡터 간의 절대 오차의 합을 누적하고, 상기 누적된 차분의 크기가 작은 순으로 참조 영상을 정렬하여, 상위의 영상들을 검색의 결과로서 사용자에게 제공하는 단계;
    상기 상위의 영상들을 상기 질의 영상과 관련된 유사 영상(Ground Truth) 집합으로 분류하여 정의하는 단계
    를 포함하는 것을 특징으로 하는 바이오 영상의 검색 방법.
  2. 삭제
  3. 제1항에 있어서,
    원본 바이오 영상을 수집하고 상기 원본 바이오 영상에 대한 회전, 왜곡, 변형 등의 변환을 거쳐 생성된 영상을 구비하여 참조 영상의 데이터베이스를 구축하는 단계를 더 포함하는 것을 특징으로 하는 바이오 영상 검색 방법.
  4. 제1항에 있어서,
    상기 참조 영상 또는 질의 영상의 특징 벡터를 생성하는 단계는,
    상기 영상의 국부 에지 히스토그램과 전역 에지 히스토그램을 입력하는 단계와,
    상기 입력된 전역 에지 히스토그램의 5가지 에지 중 가장 큰 크기를 가지는 에지를 대표 에지로 선정하는 단계와,
    상기 영상의 전체 블록에 대한 대표 에지 평균을 산출하는 단계와,
    상기 영상의 각 블록을 순회하며 각 블록에서 대표 에지와 동일한 타입의 에지와 상기 대표 에지의 크기를 비교하고, 그 비교된 블록의 에지 값이 대표 에지 평균값보다 더 클 경우 해당 블록을 특징적 에지 블록으로 선정하는 단계와,
    상기 국부 및 전역 에지 히스토그램과 선정된 특징적 에지 블록의 에지 히스토그램을 결합하여 특징벡터를 생성하는 단계를 포함하는 것을 특징으로 하는 바이오 영상 검색 방법.
  5. 제4항에 있어,
    상기 1차 선정된 특징적 에지 블록의 전체 개수를 구하고,
    상기 1차 선정된 특징적 에지 블록의 전체 개수가 상기 임계값 이하일 경우에는 모두 특징적 에지 블록으로 선정하고,
    상기 1차 선정된 특징적 에지 블록의 전체 개수가 상기 임계값을 넘을 경우에는 상기 1차 선정된 특징적 에지 블록의 이웃 블록을 고려하는 국부분산을 계산하여, 계산된 국부분산의 크기가 큰 상위 블록 순으로 상기 임계값만큼 2차 특징적 에지 블록으로 재선별하는 단계를 포함하는 것을 특징으로 하는 바이오 영상 검색 방법.
  6. 제5항에 있어서,
    상기 1차 선정된 특징적 에지 블록의 4개의 이웃한 블록과의 평균과 상기 1차 선정된 특징적 에지 블록과의 오차를 이용한 국부분산을 계산하는 단계와,
    상기 계산된 분산의 크기에 따라 상기 1차 선정된 특징적 에지 블록을 정렬하는 단계와,
    상기 정렬된 특징적 에지 블록 전체에서 임계값만큼 분산이 큰 상위의 블록을 2차 특징적 에지 블록으로 재선별하는 단계를 포함하는 것을 특징으로 하는 바이오 영상 검색 방법.
  7. 제5항 또는 제6항에 있어서,
    상기 임계값은 상기 참조 영상의 객체와 배경의 특성, 특징적 에지 블록의 개수를 고려하여 결정하는 것을 특징으로 하는 바이오 영상 검색 방법.
  8. 제4항에 있어서,
    상기 전역 에지 히스토그램은, 상기 입력된 영상에서 국부 에지 히스토그램의 5개의 에지의 평균을 이용하여 구하는 것을 특징으로 하는 바이오 영상 검색 방법.
  9. 제1항에 있어서,
    상기 질의 영상의 선정된 특징적 에지 블록과 동일한 참조 영상의 블록을 선택하여 상기 참조 영상의 특징벡터를 생성하는 단계를 더 포함하는 것을 특징으로 하는 바이오 영상 검색 방법.
  10. 입력된 바이오 영상의 전역 에지 히스토그램의 5가지 에지 중 크기가 가장 큰 에지를 대표 에지로 선정하는 객체 방향성 판단부와,
    상기 대표 에지에 대한 상기 영상의 전체 블록의 평균을 산출하는 평균 산출부와,
    상기 영상의 각 블록을 순회하며 각 블록에서 대표 에지와 동일한 타입의 에지와 상기 대표 에지의 크기를 비교하고, 그 비교된 블록의 에지 값이 대표 에지 평균값보다 더 클 경우 해당 블록을 특징적 에지 블록으로 선정하는 제1 선별부와,
    상기 선별된 특징적 에지 블록의 에지 히스토그램과 상기 입력된 바이오 영상의 국부 에지 히스토그램 및 전역 에지 히스토그램을 결합하여 특징벡터를 생성하는 특징벡터 생성부와,
    상기 생성된 특징벡터를 저장하는 영상 데이터베이스를 포함하는 것을 특징으로 하는 바이오 영상 검색 장치.
  11. 제10항에 있어서,
    상기 제1 선별부에서 선정된 특징적 에지 블록의 전체 개수를 구하는 특징 블록 개수 판별부와,
    상기 특징적 에지 블록의 개수가 임계값을 넘을 경우 상기 특징적 에지 블록과 이웃하는 4개 블록의 평균을 이용하여 상기 특징적 에지 블록에 대한 국부분산을 산출하는 국부분산 산출부와,
    상기 산출된 국부분산의 크기가 큰 상위 블록 순으로 상기 임계값만큼 특징적 에지 블록을 재선별하는 제2 선별부를 포함하는 것을 특징으로 하는 바이오 영상 검색 장치.
  12. 제11항에 있어서,
    상기 임계값은 상기 참조 영상의 객체와 배경의 특성, 특징적 에지 블록의 개수를 고려하여 결정하는 것을 특징으로 하는 바이오 영상 검색 장치.
  13. 제10항에 있어서,
    상기 전역 에지 히스토그램은, 상기 입력된 영상에서 국부 에지 히스토그램의 5개의 에지의 평균을 이용하여 구하는 것을 특징으로 하는 바이오 영상 검색 장치.
  14. 제10항에 있어서,
    상기 바이오 영상에 대해 질의 영상과 참조 영상의 두 특징벡터 값의 절대오차를 비교하여 유사도 여부를 판단하는 유사도 비교부를 더 포함하는 것을 특징으 로 하는 바이오 영상 검색 장치.
KR1020060083515A 2006-08-31 2006-08-31 에지 히스토그램 디스크립터의 특징적 에지 블록을 이용한바이오 영상 검색 방법 및 장치 KR100811774B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020060083515A KR100811774B1 (ko) 2006-08-31 2006-08-31 에지 히스토그램 디스크립터의 특징적 에지 블록을 이용한바이오 영상 검색 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020060083515A KR100811774B1 (ko) 2006-08-31 2006-08-31 에지 히스토그램 디스크립터의 특징적 에지 블록을 이용한바이오 영상 검색 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20080020257A KR20080020257A (ko) 2008-03-05
KR100811774B1 true KR100811774B1 (ko) 2008-03-07

Family

ID=39395309

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020060083515A KR100811774B1 (ko) 2006-08-31 2006-08-31 에지 히스토그램 디스크립터의 특징적 에지 블록을 이용한바이오 영상 검색 방법 및 장치

Country Status (1)

Country Link
KR (1) KR100811774B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102386496B1 (ko) * 2020-01-09 2022-04-14 주식회사 엠티이지 도구 인식 기반의 수술 동영상 간 유사도 비교 장치 및 방법
CN111475666B (zh) * 2020-03-27 2023-10-10 深圳市墨者安全科技有限公司 一种基于稠密向量的媒体精准匹配方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000060664A (ko) * 1999-03-18 2000-10-16 윤종용 구조적 색불변량을 이용한 영상 검색 장치 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000060664A (ko) * 1999-03-18 2000-10-16 윤종용 구조적 색불변량을 이용한 영상 검색 장치 및 그 방법

Also Published As

Publication number Publication date
KR20080020257A (ko) 2008-03-05

Similar Documents

Publication Publication Date Title
JP3568117B2 (ja) ビデオ画像の分割、分類、および要約のための方法およびシステム
KR100737176B1 (ko) 신호 처리 방법 및 영상 음성 처리 장치
CN104520875B (zh) 优选用于搜索和检索目的的从视频内容提取描述符的方法和装置
Amel et al. Video shot boundary detection using motion activity descriptor
US7142602B2 (en) Method for segmenting 3D objects from compressed videos
Varnousfaderani et al. Weighted color and texture sample selection for image matting
JP2006513468A (ja) 画像内のピクセルをセグメント化する方法
KR20120003447A (ko) 위치에 의한 비디오들의 클러스터링
CN111008978B (zh) 基于深度学习的视频场景分割方法
CN109885796B (zh) 一种基于深度学习的网络新闻配图匹配性检测方法
JP2014503095A (ja) 映像を比較する方法および装置
CN107223242B (zh) 用于在多个已存储图像中搜索相似图像的方法
JP5685324B2 (ja) 映像を比較する方法および装置
CN101872415A (zh) 适用于iptv的视频拷贝检测方法
CN113112519A (zh) 基于感兴趣目标分布的关键帧筛选方法
CN106777159B (zh) 一种基于内容的视频片段检索及定位方法
JP5116017B2 (ja) 動画検索方法およびシステム
CN109086830A (zh) 基于样本惩罚的典型关联分析近重复视频检测方法
Zhao et al. Key‐Frame Extraction Based on HSV Histogram and Adaptive Clustering
Doulamis et al. Optimal content-based video decomposition for interactive video navigation
Kim et al. Texture feature-based text region segmentation in social multimedia data
KR100811774B1 (ko) 에지 히스토그램 디스크립터의 특징적 에지 블록을 이용한바이오 영상 검색 방법 및 장치
Nie et al. Robust video hashing based on representative-dispersive frames
JP2005352718A (ja) 代表画像選択装置，代表画像選択方法および代表画像選択プログラム
Guru et al. Histogram based split and merge framework for shot boundary detection

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Publication of correction
FPAY Annual fee payment

Payment date: 20130305

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20140304

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20150302

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20160224

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20170221

Year of fee payment: 10

LAPS Lapse due to unpaid annual fee