KR100849691B1 - 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치 - Google Patents

영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치 Download PDF

Info

Publication number
KR100849691B1
KR100849691B1 KR1020070004709A KR20070004709A KR100849691B1 KR 100849691 B1 KR100849691 B1 KR 100849691B1 KR 1020070004709 A KR1020070004709 A KR 1020070004709A KR 20070004709 A KR20070004709 A KR 20070004709A KR 100849691 B1 KR100849691 B1 KR 100849691B1
Authority
KR
South Korea
Prior art keywords
image
reference line
pixels
texture
unit
Prior art date
Application number
KR1020070004709A
Other languages
English (en)
Other versions
KR20080067434A (ko
Inventor
헤저지 마무드레자
호요성
Original Assignee
광주과학기술원
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 광주과학기술원 filed Critical 광주과학기술원
Priority to KR1020070004709A priority Critical patent/KR100849691B1/ko
Publication of KR20080067434A publication Critical patent/KR20080067434A/ko
Application granted granted Critical
Publication of KR100849691B1 publication Critical patent/KR100849691B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering

Abstract

본 발명은 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류 방법과 장치에 관한 것이다. 더욱 상세하게는, 회전 불변한 영상의 텍스쳐 분석이 가능하도록 하고 분석 효율 및 속도를 증가시키는 영상 텍스쳐 분석 방법과 장치, 및 영상 텍스쳐를 기반으로 하여 영상의 대분류 카테고리를 결정하고 가버 필터링을 통해 영상 특성값을 산출하여 기준이 되는 영상 텍스쳐와 비교함으로써 영상을 분류하는 영상 분류 방법 및 장치에 관한 것이다.
본 발명은 종래 영상 분석에 사용되던 라돈 변환의 문제점을 개선하여 영상 텍스쳐 분석의 효율 및 속도 증진 가능하도록 한 영상 분석 장치 및 방법과, 이러한 영상 분석 장치 및 방법을 이용하여 영상 텍스쳐에 기반한 영상 분류를 용이하게 하는 영상 분류 방법 및 장치를 제공한다.
이미지, 영상, 텍스쳐, 분석, 라돈 변환, 영상 분류

Description

영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류 방법과 장치{Method and Apparatus for Analyzing Image Texture, and Method and Apparatus for Image classification Using the Method and Apparatus}
도 1은 5×5 크기(즉, M=5)의 영상에 라돈 변환을 적용하는 예를 도시한 도면,
도 2는 본 발명에서 사용되는 수정된 이산 라돈 변환 및 재수정된 이산 라돈 변환을 영상 픽셀에 적용하기 위한 일례를 도시한 도면,
도 3은 본 발명에서 사용되는 수정된 이산 라돈 변환 및 재수정된 이산 라돈 변환을 영상 픽셀에 적용하기 위한 픽셀 집합을 형성하는 예를 도시한 도면,
도 4는 본 발명의 바람직한 제 1 실시예에 따른 영상 분석 장치의 블록도,
도 5는 본 발명의 바람직한 제 1 실시예에 따른 영상 분석 방법을 나타낸 순서도,
도 6은 본 발명의 바람직한 제 2 실시예에 따른 영상 분석 장치의 블록도,
도 7은 본 발명의 바람직한 제 2 실시예에 따른 영상 분석 방법의 순서도,
도 8 내지 11은 본 발명의 종래 라돈 변환을 이용한 영상 분석 결과, 본 발명의 바람직한 제 1 실시예에 따른 영상 분석 결과, 및 본 발명의 바람직한 제 2 실시예에 따른 영상 분석 결과를 나타낸 도면,
도 12는 본 발명에 따른 영상 분석 장치 및 방법을 적용하기 위해 선택한 브로다츠 앨범의 이미지,
도 13은 본 발명의 바람직한 실시예에 따른 텍스쳐 기반 영상 분류 장치의 블록도,
도 14는 본 발명의 바람직한 실시예에 따른 텍스쳐 기반 영상 분류 방법의 순서도이다.
<도면의 주요 부분에 대한 부호의 설명>
100,300 : 영상 텍스쳐 분석 장치 110 : 영상 입력부
120 : 참조라인 설정부 130 : 픽셀 할당부
140 : 제 1 라돈 변환부 150 : 분산 계산부
160 : 영상 텍스쳐 분석부 310 : 픽셀 재할당부
320 : 제 2 라돈 변환부 500 : 영상 분류 장치
510 : 카테고리 결정부 512 : 분산값 평활화부
514 : 피크 산출부 516 : 주 결정부
520 : 가버 필터부 530 : 영상특성 산출부
540 : 영상 분류부
본 발명은 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류 방법과 장치에 관한 것이다. 더욱 상세하게는, 회전 불변한 영상의 텍스쳐 분석이 가능하도록 하고 분석 효율 및 속도를 증가시키는 영상 텍스쳐 분석 방법과 장치, 및 영상 텍스쳐를 기반으로 하여 영상의 대분류 카테고리를 결정하고 가버 필터링을 통해 영상 특성값을 산출하여 기준이 되는 영상 텍스쳐와 비교함으로써 영상을 분류하는 영상 분류 방법 및 장치에 관한 것이다.
영상 정보의 텍스쳐 분석은 영상 처리에 있어서 매우 중요한 영역이다. 텍스쳐 분석은 의료 영상, 원격 센싱, 객체 인식 및 내용기반 이미지 검색(Content-Based Image Retrieval : CBIR) 등과 같은 많은 응용 분야에서 중요한 요소이다. 영상 정보의 텍스쳐 분석에 있어서는 영상 정보를 이루는 픽셀의 인텐시티 값(intensity value)를 이용하는 것이 일반적이다.
그런데 종래 대다수의 영상 텍스쳐 분석 방법은 모든 이미지가 동일한 방향(Orientation)으로부터 획득된 것으로 추정하고 분석을 수행하였다. 이러한 추정은 실제적인 적용에 있어서는 비현실적이다. 왜냐하면 실제 상황에 있어서는 이미지는 다른 방향 또는 다른 크기(scale)로 획득될 수 있기 때분이다. 이러한 이유로 회전 불변한(rotation-invariant) 영상 분석은 수년간 연구자 및 개발자에게 흥미로운 영역이 되어 왔다.
텍스쳐 분석의 대표적인 예로서 영상 분석의 많은 응용 분야에서 활용되고 있는 라돈 변환(Radon Transform)을 들 수 있다. 라돈 변환은 영상 내부의 라인들을 라인 파라미터의 영역으로 변환시킬 수 있어 영상 처리, 컴퓨터 비젼, 지진학 등 다양한 분야에 활용되어 왔다. 역 라돈 변환도 전자 현미경, 지구 물리학적 탐 사, 초음파나 X-레이 또는 자기 공명에 의한 이미지 처리 등 다른 분야에서의 활용 가치가 있음이 알려져 있다.
라돈 변환은 그 자체로서 영상의 회전 분석을 수행하는 도구는 아니지만, 회전 불변한 영상 분석에 필요한 영상의 방향 정보를 취득하기 위한 도구로서 사용될 수 있다. 만약 영상의 주된 방향(principal direction)을 영상이 더 많은 직선을 포함하게 되는 방향으로 정의한다면, 주된 방향에 따른 라돈 변환은 다른 방향에 따른 라돈 변환보다 큰 분산(variation)를 가지게 된다. 이러한 라돈 변환의 결과치를 이용하여 영상의 주된 방향을 결정할 수 있게 된다.
그러나, 영상으로부터 방향 정보를 추출함에 있어서, 라돈 변환은 다음과 같은 문제점을 가진다. 라돈 변환은 영상을 라인 방향의 좌표에 대응하여 다수의 라인 방향에 투영된 집합으로 나타낸다. 이에 따라 라인에 투영된 픽셀의 수는 다른 방향 또는 방향의 좌표에 따라 다르게 된다. 이러한 결과는 라돈 변환에 따른 방향 정보의 추출이 방향 의존성(direction-dependency)의 문제점을 갖게 한다. 또한, 방향의 좌표가 변함에 따라 라인에 다른 수의 픽셀이 투영되는 결과, 비균질적인 분석이 수행되는 문제점이 존재한다.
이를 자세히 살펴보면 다음과 같다.
일반적인 라돈 변환은 특정 각도로 오리엔트된 방사상의 직선(radial line)을 따른 영상 인텐시티의 투영이다. 라돈 변환은 2-D 영상을 라인 트렌드를 이용하여 가능한 라인 파라미터 ρ,θ(여기서, ρ는 원점으로부터 라인까지의 최단 거리이고, θ는 x축과 라인의 법선이 이루는 각도이다.)의 영역으로 변환시킨다. 이러 한 2-D 함수 f(x,y)에 대한 라돈 변환은 다음의 수학식 1과 같이 정의되며, 수학식 1은 다음의 수학식 2와 등가이다.
Figure 112007004354029-pat00001
Figure 112007004354029-pat00002
수학식 2에 있어서, s축은 라인 상에 존재한다.
이러한 라돈 변환을 2-D 영상에 적용하기 위해서는 상기의 연속 방정식을 이산화시킬 필요가 있다. 라돈 변환을 M×N 크기의 2-D 디지털 영상 g(m,n)에 적용하기 위하여 다음의 수학식 3과 같은 연속 변수를 샘플링한다.
Figure 112007004354029-pat00003
상기 수학식 3에서, xmin, ymin, ρmin, 및 smin은 수학식 4와 같다.
Figure 112007004354029-pat00004
여기에서, 종래 라돈 변환의 적용예를 명확히 보이기 위해 분석되는 영상은 스퀘어하고(즉, M=N), M은 홀수라고 가정한다. 또한 θmin= 0이라고 하면, θ가 π까지 변화하도록 Δθ는 π/T가 되어야 한다. 또한 Δρ와 T는 각각 1 및 π로 한다. Δs, Pθ 및 Sρ,θ는 정해진 값이 아니며 ρ 및/또는 θ에 따라 정해지는데, 어떠한 각도 θ에 대해서도 영상내의 모든 픽셀이 라돈 변환에 사용되어지도록 정확하게 설정되어야 한다. 여기서 Pθ는 참조 라인의 수이며, Sρ,θ는 각각의 참조 라인 상에 투영되는 픽셀 수이다.
도 1은 5×5 크기(즉, M=5)의 영상에 라돈 변환을 적용하는 예를 도시한 도면이다.
도 1의 (a)는 참조 라인의 각도(θ)가 120°인 경우이고, 도 1의 (b)는 참조 라인의 각도(θ)가 135°인 경우이다. 도 1의 (a) 및 (b)에서 보는 바와 같이, 참조 라인의 수(즉, Pθ)와 각각의 참조 라인 상의 픽셀수(즉, Sρ,θ)는 방향(θ)과 방향의 좌표(ρ)에 따라 상이하게 나타난다.
한편, Sρ,θ를 추정함에 있어서 각각의 픽셀은 가장 가까운 참조 라인에 할당되는 것으로 추정한다. 다시 말하면, 도 1에서 보는 바와 같이, 픽셀들은 항상 참조 라인들 상에 위치하는 것이 아니다. 여기서, 복잡한 인터폴레이션(interpolation)을 수행하는 대신 가장 적절한 적용을 위해 반올림을 수행함으로써 이산 라돈 변환을 얻을 수 있다.
x'k과 y'k을 수학식 5와 같이 정의하면, 2-D 디지털 영상 g(m,n)에 대한 이산 라돈 변환은 수학식 6과 같이 근사화할 수 있다.
Figure 112007004354029-pat00005
Figure 112007004354029-pat00006
s축은 참조 라인 상에 위치하므로, 수학식 6에서 Δs는 영상의 픽셀을 참조 라인에 투영한 경우 투영된 점들간의 거리에 대한 미세 변이량으로 이해될 수 있다.
그러나, 전술한 바와 같이 이러한 통상의 라돈 변환은 영상의 방향을 예측함에 있어서 라돈 변환을 수행하는 방향에 따라 달라지므로 회전 불변한 영상 분석에 사용되기 어려운 단점이 존재한다. 이러한 문제의 근원은 라돈 변환에 있어서는 참 조 라인에 투영되는 픽셀의 수가 방향이나 방향의 좌표에 따라 달라지는 것에 있다.
상기와 같은 문제점을 해결하기 위해 본 발명은, 종전 라돈 변환을 수정하여 참조라인에 할당되는 픽셀의 집합에 대한 샘플 평균값을 이용하여 라돈 변환을 수행하는 수정된 이산 라돈 변환을 이용하여 회전 불변한 영상의 텍스쳐 분석이 가능하도록 하고 분석 효율을 증가시킨 영상 텍스쳐 분석 방법 및 장치를 제공함을 그 목적으로 한다.
또한, 본 발명은 각각의 참조 라인마다 다른 수의 픽셀이 할당되던 방식을 수정하여 동일한 수의 집합으로 할당된 픽셀에 대해 샘플 평균값을 사용하도록 하는 재수정된 이산 라돈 변환을 이용하여 회전 불변한 영상의 텍스쳐 분석이 가능하도록 하고 영상 분석 효율 및 분석 시간을 개선한 영상 텍스쳐 분석 방법 및 장치를 제공함을 또 다른 목적으로 한다.
또한, 본 발명은 영상 텍스쳐를 기반으로 하여 영상의 대분류 카테고리를 결정하고 가버 필터링을 통해 영상 특성값을 산출하여 기준이 되는 영상 텍스쳐와 비교함으로써 영상을 분류하는 영상 분류 방법 및 장치를 제공함을 또 다른 목적으로 한다.
상기한 목적을 달성하기 위해 본 발명은, 영상의 텍스쳐를 분석하는 영상 분석 장치에 있어서, 상기 영상을 입력받는 영상 입력부; 주어진 방향에 따라 상기 영상에 다수의 참조 라인을 설정하는 참조라인 설정부; 상기 영상의 픽셀을 상기 참조 라인 중 해당되는 참조 라인에 할당하는 픽셀 할당부; 상기 각 참조 라인에 할당된 픽셀의 인텐시티 값에 대한 샘플 평균값을 구한 후 상기 픽셀 간 거리의 미소 변이량의 곱을 이용하여 수정된 이산 라돈 변환을 산출하는 제 1 라돈 변환부; 상기 제 1 라돈 변환부에서 산출된 각 참조 라인에 대한 수정된 이산 라돈 변환의 분산값을 계산하는 분산 계산부; 및 상기 참조 라인이 모든 방향에 대해 설정되도록 하여 상기 수정된 이산 라돈 변환 및 상기 분산값 계산이 수행되도록 하고, 상기 참조 라인의 설정 방향에 따른 상기 분산값들을 이용하여 상기 영상 텍스쳐의 방향 정보를 분석하는 영상 텍스쳐 분석부를 포함하는 것을 특징으로 하는 영상 분석 장치를 제공한다.
또한 본 발명은, 영상의 텍스쳐를 분석하는 영상 분석 장치에 있어서, 상기 영상을 입력받는 영상 입력부; 주어진 방향에 따라 상기 영상에 다수의 참조 라인을 설정하는 참조라인 설정부; 상기 영상의 픽셀을 상기 참조 라인 중 해당되는 참조 라인에 할당하는 픽셀 할당부; 각 참조 라인에 할당된 픽셀 전체에 대해 연속적 합성을 수행한 후 동일한 개수를 가진 픽셀의 그룹으로 재조정하는 픽셀 재할당부; 상기 픽셀 재할당부에서 재할당된 픽셀 그룹별로 픽셀의 인텐시티 값에 대한 샘플 평균값을 구한 후 상기 픽셀 간 거리의 미소 변이량을 이용하여 재수정된 이산 라돈 변환을 산출하는 제 2 라돈 변환부; 상기 제 2 라돈 변환부에서 산출된 각 픽셀 그룹에 대한 재수정된 이산 라돈 변환의 분산값을 계산하는 분산 계산부; 및 상기 참조 라인이 모든 방향에 대해 설정되도록 하여 상기 재수정된 이산 라돈 변환 및 상기 분산값 계산이 수행되도록 하고, 상기 참조 라인의 설정 방향에 따른 상기 분산값들을 이용하여 상기 영상 텍스쳐의 방향 정보를 분석하는 영상 텍스쳐 분석부를 포함하는 것을 특징으로 하는 영상 분석 장치를 제공한다.
또한 본 발명은, 영상의 텍스쳐를 분석하는 영상 분석 방법에 있어서, (a) 상기 영상을 입력받는 단계; (b) 주어진 방향에 따라 상기 영상에 참조 라인을 설정하는 단계; (c) 상기 참조 라인에 상기 영상의 픽셀을 할당하는 단계; (d) 상기 참조 라인에 할당된 픽셀의 인텐시티에 대한 평균값을 이용하여 각 참조 라인별로 수정된 이산 라돈 변환을 수행하는 단계; (e) 각 참조 라인별로 수행된 상기 수정된 이산 라돈 변환의 분산값을 계산하는 단계; (f) 상기 (b) 내지 상기 (e) 단계를 상기 영상의 모든 방향에 대해 수행하는 단계; 및 (g) 모든 방향에 대한 상기 분산값들을 이용하여 상기 영상의 텍스쳐를 분석하는 단계를 포함하는 것을 특징으로 하는 영상 분석 방법을 제공한다.
또한 본 발명은, 영상의 텍스쳐를 분석하는 영상 분석 방법에 있어서, (a) 상기 영상을 입력받는 단계; (b) 주어진 방향에 따라 상기 영상에 참조 라인을 설정하는 단계; (c) 상기 참조 라인에 상기 영상의 픽셀을 할당하는 단계; (d) 상기 참조 라인에 할당된 픽셀에 대해 연속적 합성을 수행한 후 이를 동일한 원소 개수를 갖는 다수의 픽셀 그룹을 조정하는 단계; (e) 상기 픽셀 그룹에 속하는 픽셀의 인텐시티에 대한 평균값을 이용하여 각 픽셀 그룹별로 재수정된 이산 라돈 변환을 수행하는 단계; (f) 각 픽셀 그룹별로 수행된 상기 재수정된 이산 라돈 변환의 분산값을 계산하는 단계; (g) 상기 (b) 내지 상기 (f) 단계를 상기 영상의 모든 방향 에 대해 수행하는 단계; 및 (h) 모든 방향에 대한 상기 분산값들을 이용하여 상기 영상의 텍스쳐를 분석하는 단계를 포함하는 것을 특징으로 하는 영상 분석 방법을 제공한다.
또한 본 발명은, 영상의 텍스쳐를 기반으로 하여 영상을 분류하는 장치에 있어서, 수정된 또는 재수정된 이산 라돈 변환을 이용하여 영상을 분석하는 영상 분석 장치; 상기 영상 분석 장치에서 획득한 상기 영상에 대한 수정된 또는 재수정된 이산 라돈 변환의 분산값들의 추이로부터 상기 영상의 대분류 카테고리를 결정하는 카테고리 결정부; 상기 영상 분석 장치의 분산값들의 추이로부터 최대 피크로 나타내는 주된 방향을 기반으로 하여 가버 필터링을 수행하는 가버 필터부; 상기 가버 필터부에서 필터링된 영상으로부터 평균 및 표준편차(또는 분산)을 계산하고 이를 이용하여 상기 영상의 소분류 클래스를 결정하기 위한 영상 특성값을 산출하는 영상 특성 산출부; 및 상기 카테고리 결정부에서 결정된 카테고리와 상기 영상 특성 산출부에서 산출된 상기 영상 특성값을 기준이 되는 영상의 카테고리 및 기준 영상 특성값과 비교하여 상기 영상을 분류하는 영상 분류부를 포함하는 것을 특징으로 하는 영상 분류 장치를 제공한다.
또한 본 발명은, 영상의 텍스쳐를 기반으로 하여 영상을 분류하는 방법에 있어서, (a) 입력된 영상의 모든 방향에 대해 수정된 또는 재수정된 이산 라돈 변환을 수행하여 분산값을 계산하는 단계; (b) 상기 분산값으로부터 주된 방향을 나타내는 최대 피크와 상기 최대 피크보다 낮은 기준치 사이의 피크수를 산출하여 상기 영상의 대분류 카테고리를 결정하는 단계; (c) 가버 필터부에서 상기 주된 방향에 기초하여 회전된 회전형 가버 필터를 생성하고 가버 필터링을 수행하는 단계; (d) 상기 가버 필터부에서 산출된 영상의 평균 및 표준편차(또는 분산)를 이용하여 영상 특성값을 산출하는 단계; 및 (e) 상기 (b)단계에서 결정된 카테고리와 상기 (d)단계에서 산출된 영상 특성값을 기준이 되는 영상의 카테고리 및 영상 특성값과 비교하여 영상을 분류하는 단계를 포함하는 것을 특징으로 하는 영상 분류 방법을 제공한다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다.
발명의 원리
종래의 라돈 변환의 문제점을 해소하기 위하여, 본 발명은 먼저 종전의 이산 라돈 변환에서 사용되던 합산(summation)을 사용하는 대신 참조 라인에 할당되는 픽셀의 집합에 대해 샘플 평균값을 사용하는 수정된 이산 라돈 변환을 사용한다.
또한, 본 발명은 수정된 이산 라돈 변환을 이용하여, 각각의 참조 라인마다 다른 수의 픽셀이 할당되던 방식을 수정하여 동일한 수의 집합으로 할당된 픽셀에 대해 샘플 평균값을 사용하도록 하는 재수정된 이산 라돈 변환을 사용한다.
수정된 이산 라돈 변환과 재수정된 이산 라돈 변환을 설명하면 다음과 같다.
1. 수정된 이산 라돈 변환
본 발명에 있어서는 종래의 라돈 변환을 수정한 수정된 라돈 변환을 이용하여 영상 텍스쳐를 분석하는 것을 특징으로 한다.
본 발명에서 사용되는 수정된 라돈 변환을 설명하면 다음과 같다.
먼저, 특정 참조 라인에 할당되는 2-D 디지털 영상 g(m,n)의 픽셀의 집합을 수학식 7과 같이 정의한다.
Figure 112007004354029-pat00007
수학식 7에서, ρ는 참조 라인을 표시하는 파라미터이고, θ는 참조 라인의 법선이 x축과 이루는 각도이며, Sρ,θ는 참조 라인 상에 할당되는 픽셀 수이다. 각각의 픽셀은 거리가 가장 가까운 참조 라인에 할당되는 것으로 이해될 수 있다. 따라서, 수학식 7에서 정의된 Φr,t는 법선이 x축과 이루는 각도가 θt이고 파라미터가 ρr인 참조 라인에 투영되는 영상 픽셀의 집합을 의미한다. 또한, g(x'i,y'i)는 전 술한 수학식 5에서 적용된 방식과 같이 결정할 수 있다. 이 경우 x'i와 y'i를 수학식 5와 같이 결정하는 것도 가능하나, 보간법(Iteration)과 같은 그 외의 다른 방식으로 결정할 수 있음은 물론이다.
수학식 7에서 정의된 Φr,t의 k 번째 원소를 φk r ,t라 하면, 수학식 6은 다음의 수학식 8과 같이 기술할 수 있다.
Figure 112007004354029-pat00008
또한, 수학식 8은 Φr,t의 샘플 평균값을 이용하여 수학식 9와 같이 나타낼 수 있다.
Figure 112007004354029-pat00009
수학식 9를 이용하여 수정된 라돈 변환을 다음의 수학식 10과 같이 정의한다.
Figure 112007004354029-pat00010
수학식 9에서는 참조라인(ρr, r=0,1,...Pθ-1)에 따른 각각의 Φr,t의 원소의 수(Sρ,θ)가 달라서 통계적으로 불안정하였으나, 수학식 10의 수정된 라돈 변환에 따르면 수학식 8에서와 같이 각 요소의 합을 이용하지 않고 샘플 평균값과 참조 라인에 투영된 점들간의 거리에 대한 미소 변이량(Δs)의 곱에 의해 얻어지므로 보다 안정성있는 결과를 얻을 수 있다. 이에 따라 영상의 방향성 예측이 보다 효과적이게 된다.
2. 재수정된 이산 라돈 변환
다음으로, 모든 참조 라인에 대한 Φr,t의 집합
Figure 112007004354029-pat00011
에 대한 연속적 합성(successive concatenation)의 집합을 Ψt 라 정의하면, Ψt 는 수학식 11과 같이 나타낼 수 있다.
Figure 112007004354029-pat00012
결과적으로, 임의의 방향 θt에 대한 집합 Ψt의 원소의 총 개수는 영상에 포함된 모든 픽셀의 수와 동일하게 된다. 만약 주어진 영상이 2-D 스퀘어 영상이고 디멘젼(dimension)이 M이라면, Ψt의 원소의 수는 M2가 될 것이다.
이러한 값을 이용하여 재수정된 라돈 변환을 다음의 수학식 12와 같이 정의 한다.
Figure 112007004354029-pat00013
여기서, ψj t는 Ψt의 M 개 원소를 가진 부분집합 중 j 번째 부분집합을 나타낸다. 만약, 영상의 크기가 M×N이라면, ψj t는 Ψt의 N 개 원소를 가진 부분집합 중 j 번째 부분집합을 나타낸다.
또한, λj는 수학식 13과 같이 정의된다.
Figure 112007004354029-pat00014
재수정된 이산 라돈 변환에 있어서는 동일한 수로 할당된 픽셀의 집합에 대해 평균값을 구하여 결과치를 얻게 되므로 보다 안정적인 결과를 얻을 수 있게 된다. 또한, 종래의 라돈 변환에서는 서로 다른 원소의 개수를 가진 부분집합에 대해 변환을 수행하였으나 재수정된 이산 라돈 변환에 있어서는 동일한 원소의 개수를 가진 부분집합에 대해 변환을 수행하게 되므로 더 빠른 연산 수행 능력을 발휘할 수 있게 된다.
도 2는 본 발명에서 사용되는 수정된 이산 라돈 변환 및 재수정된 이산 라돈 변환을 영상 픽셀에 적용하기 위한 일례를 도시한 도면이다. 도 2에 있어서, (a)는 참조 라인의 각도(θ)가 120°인 경우이고, (b)는 참조 라인의 각도(θ)가 135°인 경우이다.
도 2의 (a), (b)에 대해 특정 참조 라인에 할당되는 2-D 디지털 영상 g(m,n)의 픽셀의 집합 Φr,t와 모든 참조 라인에 대한 Φr,t의 집합의 연속적 합성의 집합인 Ψt의 ψj t를 구하는 예는 도 3에 나타내었다.
도 3은 본 발명에서 사용되는 수정된 이산 라돈 변환 및 재수정된 이산 라돈 변환을 영상 픽셀에 적용하기 위한 픽셀 집합을 형성하는 예를 도시한 도면이다.
도 3의 (a)는 도 2의 (a)에 표시된 픽셀에 대한 Φr,t와 ψj t를 구성한 결과를 도시하며, 도 3의 (b)는 도 2의 (b)에 표시된 픽셀에 대한 Φr,t와 ψj t를 구성한 결과를 도시한다.
도 2와 도 3을 참조하여, 두 개의 다른 방향에 따른 Φr,t와 ψj t의 집합을 비교하면, Φr,t의 경우에는 각각의 ρ에 대해 별도로 합산 연산이 수행되어야 하는 반면에 ψj t의 경우에는 모든 λ에 대해 행렬 합산 연산을 수행함으로써 보다 빠른 시간내에 계산을 할 수 있는 장점이 있다.
실시예
도 4는 본 발명의 바람직한 제 1 실시예에 따른 영상 분석 장치의 블록도이다.
본 발명의 바람직한 제 1 실시예에 따른 영상 분석 장치(100)는, 영상 입력부(110), 참조라인 설정부(120), 픽셀 할당부(130), 제 1 라돈 변환부(140), 분산 계산부(150), 및 영상 텍스쳐 분석부(160)를 포함한다.
영상 입력부(110)는 다수의 픽셀로 이루어진 영상을 입력받는다. 영상 입력부(110)에 입력되는 영상이 픽셀 단위로 처리되지 않은 경우에는 영상 입력부(110)는 입력된 영상을 픽셀 단위로 처리한다. 한편, 영상 입력부(110)는 입력된 영상에서 영상 정보 분석에 활용될 픽셀을 일정한 비율로 추출하는 기능을 수행하는 것도 가능하도록 함이 바람직하다. 즉, 입력된 영상의 모든 픽셀 정보를 이용하여 영상 정보 분석을 하는 것도 가능하나 빠른 분석을 위해 입력된 영상에서 일정 비율로 필요한 픽셀을 추출하여 또는 영상의 픽셀 크기를 감축시킴으로써 영상 정보 분석 시간을 단축하도록 하는 것이 필요할 수 있다.
참조라인 설정부(120)는, 정해진 참조 라인의 각도(θ)에 따라 참조 라인을 설정하는 기능을 수행한다. 참조 라인은 영상을 x-y 평면에 위치시킬 때 원점을 통과하는 직선 및 이 직선과 평행한 다수의 직선으로 이루어진다. 각각의 참조 라인간의 거리를 Δρ, 참조 라인의 개수를 Pθ, 최하단의 참조 라인을 ρmin이라 할 경우, r=0,1,...,Pθ-1에 대해서, r번째 참조 라인 ρr은 전술한 수학식 3 및 4에 의해 설정된다.
픽셀 할당부(130)는 영상의 픽셀을 다수의 참조 라인 중 해당되는 참조 라인에 할당하는 기능을 수행한다. 영상의 픽셀들은 거리상으로 가장 가까운 참조 라인에 할당되도록 하는데, 수학식 5와 같이 근사화하여 설정할 수 있다.
제 1 라돈 변환부(140)는 각 참조라인에 할당된 픽셀에 대한 평균값을 이용하여 수학식 10에 따라 수정된 이산 라돈 변환을 수행한다. 즉, 제 1 라돈 변환부(140)는 각 참조라인에 할당된 픽셀의 인텐시티 값의 샘플 평균값에 참조 라인에 투영된 픽셀의 위치간의 거리의 미소 변이량의 곱으로부터 수정된 이산 라돈 변환을 산출한다.
분산 계산부(150)는, 제 1 라돈 변환부(140)에서 계산된 각 참조 라인에 대한 수정된 이산 라돈 변환의 분산값을 계산한다.
영상 텍스쳐 분석부(160)는 모든 방향, 즉 0°이상 180°미만의 각도에 대한 분산 계산부(150)의 이산 라돈 변환의 분산값을 이용하여 영상의 방향 정보를 분석한다. 이산 라돈 변환의 분산값은 영상의 텍스쳐의 주된 방향에 직각인 각도에서 피크를 형성하는 특성을 갖는다. 이에 따라 영상 텍스쳐 분석부(160)는 분산 계산부(150)에서 계산된 분산값이 어떤 패턴을 갖는가에 따라 영상 텍스쳐의 방향성을 분석하게 된다.
도 4에 따른 영상 분석 장치를 이용한 영상 분석 방법을 설명하면 다음과 같다.
도 5는 본 발명의 바람직한 제 1 실시예에 따른 영상 분석 방법을 나타낸 순서도이다.
먼저, 영상 입력부(110)는 영상 정보를 입력받는다(S200). 이때, 영상 입력부(110)는 입력된 영상을 처리하여 분석에 필요한 데이터를 수집한다.
참조 라인 설정부(120)는 참조 라인의 방향(θ)에 따라 참조 라인을 설정한다(S202). 참조 라인의 설정은 수학식 3 및 4에 따라 이루어질 수 있다.
픽셀 할당부(130)는 각 참조 라인에 영상 픽셀을 할당한다(S204). 영상 픽셀을 참조 라인에 할당함에 있어서 영상 픽셀은 거리가 가장 가까운 참조 라인에 할당됨을 원칙으로 한다. 픽셀 할당부(130)는 영상의 모든 픽셀을 참조 라인에 할당하고, 참조 라인별로 할당된 픽셀 어레이 정보를 저장할 수 있도록 함이 바람직하다.
제 1 라돈 변환부(140)는 각 참조 라인에 할당된 픽셀의 인텐시티에 대한 평균값을 이용하여 수정된 이산 라돈 변환을 수행한다(S206). 제 1 라돈 변환부(140)에서 사용되는 수정된 이산 라돈 변환은 수학식 10과 같이 정의된다.
분산 계산부(150)는 각 참조 라인별로 계산된 수정된 이산 라돈 변환의 결과를 이용하여 주어진 방향(θ)에서의 분산값을 계산한다.
이상에서 설명된 S202 단계 내지 S208 단계는 입력된 영상의 모든 방향에 대해 이루어져야 한다. 이를 위해 θ는 수학식 3에 의해 결정할 수 있으며, 0°내지 180°의 범위내의 방향에 대해 모두(실질적으로는, 일정한 간격에 따라) 수행되면 충분하다.
따라서 범위 내의 모든 θ에 대해 상기 S202 단계 내지 S208단계가 수행되었는지 여부를 확인하고(S210), 그렇지 않은 경우 θ를 재설정한 후(S212), 상기 S202 단계 내지 S208 단계를 수행한다.
모든 방향에 대하여 수정된 이산 라돈 변환의 분산값이 계산된 경우, 영상 텍스쳐 분석부(160)는 모든 방향에 대한 수정된 이산 라돈 변환의 분산값의 추이로부터 영상의 텍스쳐를 분석한다(S214).
다음으로 본 발명의 제 2 실시예에 따른 영상 분석 장치 및 방법을 설명한다.
도 6은 본 발명의 바람직한 제 2 실시예에 따른 영상 분석 장치의 블록도이고, 도 7은 본 발명의 바람직한 제 2 실시예에 따른 영상 분석 방법의 순서도이다.
본 발명의 바람직한 제 2 실시예에 따른 영상 분석 장치(300)는 제 1 실시예에 따른 영상 분석 장치(100)에서의 영상 입력부(110), 참조 라인 설정부(120), 픽셀 할당부(130), 분산 계산부(150) 및 영상 텍스쳐 분석부(160)를 포함하고, 픽셀 재할당부(310) 및 제 2 라돈 변환부(320)를 추가로 포함한다. 이러한 본 발명의 바람직한 제 2 실시예에 따른 영상 분석 장치(300)는 재수정된 라돈 변환을 이용함을 특징으로 한다.
픽셀 재할당부(310)는, 픽셀 할당부(130)에서 각 참조라인에 할당한 픽셀에 대해 수학식 11과 같은 연속적 합성을 수행한 후 각 그룹이 동일한 개수의 픽셀 정보를 갖도록 재조정하는 기능을 수행한다. 즉, 픽셀 할당부(130)에서 각 참조라인에 할당한 픽셀은 도 3의 (a)와 같은 형태를 이루어 각 그룹이 동일한 개수의 픽셀을 포함하지 않은 상태인데, 픽셀 재할당부(310)는 픽셀 할당부(130)에서 각 참조라인에 할당한 픽셀에 대하여 연속적 합성을 수행한 후 도 3의 (b)와 같이 각 그룹 이 동일한 개수의 픽셀을 갖도록 조정한다.
제 2 라돈 변환부(320)는 픽셀 재할당부(310)에서 재할당된 픽셀의 그룹별로 픽셀의 인텐시티 값를 이용하여 샘플 평균값을 구한 후 수학식 12에 따라 재수정된 이산 라돈 변환을 수행한다.
이에 따라 본 발명의 바람직한 제 2 실시예에 따른 영상 분석 방법은, 제 1 실시예에 따른 영상 분석 방법의 단계에 각 참조라인에 할당된 픽셀에 대한 연속적 합성을 수행하고 픽셀 그룹을 재조정하는 단계, 및 이에 대하여 재수정된 이산 라돈 변환을 수행한 후 분산값을 계산하는 단계를 포함하게 된다. 도 7을 참고하여 이를 상세히 설명하면 다음과 같다.
먼저, 영상 입력부(110)는 영상 정보를 입력받는다(S400).
참조 라인 설정부(120)는 참조 라인의 방향(θ)에 따라 참조 라인을 설정한다(S402).
픽셀 할당부(130)는 각 참조 라인에 영상 픽셀을 할당한다(S404).
픽셀 재할당부(310)는 각 참조 라인에 할당된 영상 픽셀에 대해 연속적 합성을 수행한 후 이를 동일한 원소 개수를 갖는 다수의 픽셀 그룹으로 설정한다(S406). 이러한 S406 단계는 수학식 11과 수학식 13에 따라 이루어질 수 있다.
제 2 라돈 변환부(320)는 픽셀 재할당부(310)에서 설정된 픽셀 그룹에 대해 재수정된 이산 라돈 변환을 수행한다(S408). 재수정된 이산 라돈 변환은 픽셀 재할당부(310)에서 설정된 픽셀 그룹 각각에 대해 해당 그룹의 픽셀의 인텐시티에 대한 샘플 평균값을 이용하여 수학식 12에 의해 수행된다.
분산 계산부(150)는 각 참조 라인별로 계산된 수정된 이산 라돈 변환의 결과를 이용하여 주어진 방향(θ)에서의 분산값을 계산한다(S410).
S402 단계 내지 S410 단계는 입력된 영상의 모든 방향에 대해 이루어져야 하므로, 범위 내의 모든 θ에 대해 상기 S402 단계 내지 S410단계가 수행되었는지 여부를 확인하고(S412), 그렇지 않은 경우 θ를 재설정한 후(S414), 상기 S402 단계 내지 S410 단계를 반복 수행한다.
모든 방향에 대하여 수정된 이산 라돈 변환의 분산값이 계산된 경우, 영상 텍스쳐 분석부(160)는 모든 방향에 대한 수정된 이산 라돈 변환의 분산값의 추이로부터 영상의 텍스쳐를 분석한다(S416).
이상에서 설명한 본 발명의 바람직한 제1, 2 실시예에 따른 영상 분석 장치와 영상 분석 방법을 실제 적용한 결과를 설명하면 다음과 같다.
도 8 내지 11은 본 발명의 종래 라돈 변환을 이용한 영상 분석 결과, 본 발명의 바람직한 제 1 실시예에 따른 영상 분석 결과, 및 본 발명의 바람직한 제 2 실시예에 따른 영상 분석 결과를 나타낸 도면이다.
도 8 내지 도 11에 있어서, 각각 (a)는 원 영상, (b)는 (a)에 대한 종래 라돈 변환에 따른 분석 결과, (c)는 (a)에 대한 본 발명의 제 1 실시예에 따른 분석 결과, (d)는 (a)에 대한 본 발명의 제 2 실시예에 따른 분석 결과, (e)는 원 영상을 30° 회전시킨 영상, (f)는 (e)에 대한 종래 라돈 변환에 따른 분석 결과, (g)는 (e)에 대한 본 발명의 제 1 실시예에 따른 분석 결과, (h)는 (e)에 대한 본 발 명의 제 2 실시예에 따른 분석 결과를 각각 나타낸다. 또한, 도 8 내지 도 11에 있어서 (b) 내지 (d), (f) 내지 (h)의 그래프에서 x축은 참조 라인의 각도를 표시하고 y축은 참조 라인 각도에 따른 라돈 변환의 분산값을 표시한다.
이들 결과를 살펴보면 본 발명의 제 1 실시예 및 제 2 실시예에 따른 결과가 기존 라돈 변환을 이용한 경우에 비해 더욱 정확한 것임을 알 수 있다. 도 8, 도 9, 도 11의 경우에는 종래 라돈 변환을 이용하는 경우에도 어느 정도의 예측은 가능할 수 있으나, 도 10과 같이 주된 방향이 존재하지 않는 경우에는 종래 라돈 변환을 이용해서는 정확한 예측이 곤란함을 그래프를 통해 알 수 있다.
보다 구체적인 실험으로서, 우리는 브로다츠 앨범(Brodatz Album)으로부터 60개의 512×512 크기의 이미지를 선택하여 종래 방법과 본 발명에서 제안된 방법을 비교하였다.
도 12는 본 발명에 따른 영상 분석 장치 및 방법을 적용하기 위해 선택한 브로다츠 앨범의 이미지이다.
도 12에서 각 줄의 이미지 번호는 다음의 표 1과 같다.
이미지 번호
첫번째 줄 D1, D4, D5, D6, D08, D9, D10, D11, D15, D16
두번째 줄 D17, D18, D19, D20, D21, D22, D23, D24, D25, D26
세번째 줄 D27, D28, D34, D37, D46, D47, D48, D49, D50, D51
네번째 줄 D52, D53, D55, D56, D57, D64, D65, D66, D68, D74
다섯번째 줄 D75, D76, D77, D78, D81, D82, D83, D84, D85, D86
여섯번째 줄 D87, D92, D93, D94, D98, D101, D103, D105, D110, D111
도 12에 있어서, D16, D49, D50, D51, D68, D76, D77, 및 D105는 일 방향성 텍스쳐(One-Directional Texture)이고, D4, D5, D9, D23, D24, D27, D28, D48, D66, D74, D75, D98, 및 D110는 등방성 텍스쳐(Isotropic Texture)이고, D8, D10, D11, D19, D25, D37, D46, D57, D81, D83, D84, D85, D86, D87, D92, D101, 및 D111는 혼합 텍스쳐(mixed texture)이며, 나머지는 다방향성 텍스쳐(Multi-directional Texture)이다.
도 12에 도시된 이미지를 이용하여 이미지를 적절한 크기로 추출한 후 각 이미지를 일정 각도씩 회전시켜 이미지 데이터를 생성하고 회전 전의 이미지와 회전 후의 이미지에서 각각 계산된 각 이미지의 텍스쳐 분석 결과를 비교하여 정확성을 측정하였다. 각 이미지의 회전 각도를 αR, 회전 전 이미지의 주된 방향을 D0, 회전 후 이미지의 주된 방향을 DαR이라고 하여 다음의 수학식 14에 따른 값이 기준값 이내인 경우 방향성 판단이 정확한 것으로 하였다.
Figure 112007004354029-pat00015
기준값을 5로 설정한 경우에 있어서 이미지의 텍스쳐 분류에 따른 종래 라돈 변환을 이용한 방법과 본 발명을 적용한 경우의 정확도는 다음의 표와 같다.
구 분 기존 방법 본 발명 제1실시예 본 발명 제2 실시예
일방향성 텍스쳐 77.1% 99.2% 99.0%
다방향성 텍스쳐 74.5% 90.3% 91.3%
혼합 텍스쳐 66.7% 80.6% 80.1%
등방성 텍스쳐 56.4% 68.6% 71.4%
표 2에 따르면, 기존 방법에 비해 본 발명의 제 1 실시예 및 제 2 실시예에 따른 영상 분석 방법에 의할 경우 그 정확도가 매우 높음을 알 수 있다.
한편, 표 3은 각각의 경우에 있어서 128×128 크기의 이미지에 대해 3.60 GHz의 CPU와 2 GB RAM을 장착한 워크스테이션에서 소요되는 연산 시간을 나타낸다.
기존 방법 본 발명 제1실시예 본 발명 제2실시예
연산 시간 482 ms 543 ms 159 ms
표 3에서 보는 바와 같이 본 발명의 제2실시예에 따른 영상 분석 방법은 그 처리 속도가 다른 방법에 비해 매우 빠름을 알 수 있다.
다음으로 본 발명의 바람직한 실시예에 따른 텍스쳐 기반 영상 분류 장치 및 방법에 대해 설명한다.
도 13은 본 발명의 바람직한 실시예에 따른 텍스쳐 기반 영상 분류 장치의 블록도이고, 도 14는 본 발명의 바람직한 실시예에 따른 텍스쳐 기반 영상 분류 방법의 순서도이다.
영상의 텍스쳐는 크게 방향성이 있는 경우(anisotropic, 즉 directional)와 방향성이 없는 경우(isotropic, 즉 non-directional)로 나눌 수 있다. 이러한 관점에서 영상의 텍스쳐는 (ⅰ)하나의 주된 방향이 있는 경우(일방향성), (ⅱ)다수의 방향성이 있는 경우(다방향성), (ⅲ)방향성이 없는 경우(등방성), 및 (ⅳ)혼합된 경우로 구분할 수 있다. 여기서 주된 방향이라 함은 더 많은 직선을 가진 방향으로 정의된다.
도 8 내지 도 11을 참조하면, 영상 텍스쳐를 기반으로 한 영상의 분류를 쉽게 이해할 수 있다. 도 8과 도 9를 참조하면, 형성된 피크 중에서 가장 두드러진 피크를 확인함으로써 주된 방향을 결정할 수 있다. 또한 도 10과 같이 방향성이 없는 등방성의 텍스쳐의 경우에는 노이즈가 많은 형태의 분산 곡선을 나타낸다. 한편, 도 11과 같이 혼합된 경우의 텍스쳐에 있어서는 영상 분석이 복잡하며 주된 텍스쳐에 따라 결과가 달라진다.
이러한 사실을 바탕으로 하여 본 발명은 보다 효율적인 텍스쳐 기반의 영상 분류 방법 및 장치를 제안한다.
도 13을 참조하면, 본 발명의 바람직한 실시예에 따른 텍스쳐 기반의 영상 분류 장치(500)는, 전술한 본 발명에 따른 영상 분석 장치(100 or 300), 카테고리 결정부(510), 가버 필터부(520), 영상 특성 산출부(530), 영상 분류부(540)를 포함한다. 카테고리 결정부(510)는 영상의 텍스쳐 분석을 통해 영상 분류를 위한 대분류인 카테고리(category)를 결정하는 기능을 수행하고, 가버 필터부(520) 및 영상 특성 산출부(530)는 영상의 특성값을 산출하여 영상 분류를 위한 소분류인 클래스(class)를 결정하는 판단 기준을 제공한다.
영상 분석 장치는 전술한 바와 같이 본 발명의 바람직한 제 1 실시예 또는 제 2 실시예에 따른 영상 분석 장치(100, 300)로서, 수정된 이산 라돈 변환 또는 재수정된 이산 라돈 변환을 이용하여 라돈 변환에 따른 분산값을 산출하고, 영상을 분석하는 기능을 수행한다. 이 경우 영상 분석 장치(100, 300)는 영상 텍스쳐에 대한 주된 방향(Dα)을 결정하는데, 라돈 변환에 대한 분산값 중에서 피크의 높이가 가장 큰 방향이 주된 방향으로 결정된다.
카테고리 결정부(510)는 텍스쳐에 따른 영상 분류에 있어서 대분류인 카테고리를 결정하는 기능을 수행한다. 이는 라돈 변환에 대한 분산값의 그래프에서 주된 방향을 나타내는 최대 피크와 이보다 작은 소정의 기준치(threshold) 사이에 존재하는 피크의 수로부터 영상을 일방향성, 다방향성(또는 혼합형), 등방성과 같은 카테고리로 구분하는 기능을 수행한다.
이를 효과적으로 수행하기 위하여 카테고리 결정부(510)는 분산값 평활화부(512), 피크 산출부(514), 주 결정부(516)를 포함한다.
분산값 평활화부(512)는 텍스쳐에 따른 카테고리 결정의 정확도를 높이기 위하여 분산값을 평활화하는 기능을 수행한다. 이러한 평활화는 웨이블렛(wavelet)을 이용하는 표준 스무딩(smoothing) 함수를 이용하여 구현할 수 있다. 분산값 평활화부(512)를 통과함에 따라 노이즈 형태의 작은 피크는 제거된다.
피크 산출부(514)는 분산값 평활화부에서 처리된 분산값으로부터 최대 피크와 기준치 사이에 존재하는 피크의 수를 산출한다.
주 결정부(516)는 피크 산출부에서 산출된 결과를 바탕으로 영상의 카테고리를 분류한다. 예를 들어 피크 산출부에서 산출된 피크 수가 '0'인 경우에는 영상은 주된 방향만을 갖는 것이므로 일방향성 영상으로 분류될 것이고, 피크 수가 소정 값보다 큰 경우에는 등방성 영상으로 분류될 수 있을 것이며, 그 중간에 위치하는 경우에는 다방향성(또는 혼합형) 영상으로 분류될 수 있을 것이다.
한편, 가버 필터부(520)는 영상의 주된 방향에 기반하여 가버 필터링을 수행한다. 이는 회전에 불변한 영상 특성을 생성하기 위함이다. 일반적으로 가버 필터부는 고유의 스케일(scale)과 오리엔테이션(orientation)을 고려한 소정의 계수값을 가지는 필터들로 구성된다. 예를 들어 4개의 스케일과 6개의 오리엔테이션을 조합하는 경우 24개의 필터로 이루어질 수 있다. 영상이 가버 필터부를 거치는 경우 영상은 각기 다른 스케일 계수값과 오리엔테이션 계수값을 계수로써 가지는 24개의 필터들에 의해 필터링된다. 따라서, 각기 다른 필터링 계수값을 가지는 필터에 의하여 필터링된 24개의 영상이 얻어진다.
본 발명에 있어서의 가버 필터부(520)는 상기 영상 분석 장치에서 산정된 주된 방향을 고려하여 생성된다. 주된 방향을 고려하여 가버 필터링을 수행하는 방법의 하나로서 영상을 주된 방향만큼 회전시킨 후 가버 변환을 하는 방법이 있으나 이는 회전에 의해 상대적으로 많은 양의 영상 데이터를 손실하여 분석의 정확성이 감소되는 문제점이 있다. 이에 따라 본 발명은 회전형 가버 변환을 적용한 가버 필터부(520)를 사용한다. 이를 위해 가버 필터부(520)를 생성함에 있어서 영상 텍스쳐의 주된 방향을 고려한다. 이를 간단히 설명하면 다음과 같다.
2차원 가버 함수를 g(x,y)라 할 경우 이는 다음의 수학식 15와 같이 표현된다.
Figure 112007004354029-pat00016
이에 대한 푸리에 변환은 다음의 수학식 16과 같다.
Figure 112007004354029-pat00017
g(x,y)를 모 가버 웨이블렛(mother Garbor wavelet)으로 하면, 이산 가버 웨이블렛을 참조할 때 자기-유사 함수는 g(x,y)를 적절히 치환하고 변화함으로써 얻어진다. 이러한 치환 및 변환은 다음의 수학식 17과 같이 표현될 수 있다.
Figure 112007004354029-pat00018
가버 필터부(520)는 상기 gmn(x,y)를 이용하여 구성할 수 있게 되는데, 상기 수학식 17의 파라미터 중 β를 조정함으로써 영상 텍스쳐의 주된 방향에 따라 회전된 가버 변환을 수행하도록 하는 것으로 설명할 수 있다. 즉, 다음의 수학식 18과 같이 β를 조정하면 주된 방향인 Dα만큼 회전된 가버 필터부(520)를 구현할 수 있다.
Figure 112007004354029-pat00019
영상 특성 산출부(530)는 상기 가버 필터부(520)에서 필터링된 영상으로부터 평균 및 표준편차(또는 분산)를 계산하고, 이 평균 및 표준 편차를 이용하여 영상의 특성을 나타내는 영상 특성값을 산출한다. 예컨대, 가버 필터부(520)의 스케일이 S이고, 오리엔테이션이 K인 경우, 영상 특성 산출부(530)에서 산출되는 영상 특성값(f)은 다음의 수학식 19에 의해 얻어질 수 있다. 이 경우에 있어서, 노이즈에 의해 지배되는 고주파 부대역(high-resolution sub-band)의 계수,(예컨대 S-1 번째 스케일)는 무시하는 것이 바람직하다.
Figure 112007004354029-pat00020
영상 분류부(540)는 카테고리 결정부(510)와 영상 특성 산출부(530)에서 얻은 결과를 이용하여 영상을 세부 분류하는 기능을 수행한다. 이를 위해 영상 분류부(540)는 영상 분류를 위한 세부 클래스에 대한 대표적인 이미지에 대한 카테고리와 영상 특성값에 대한 정보를 저장한다. 영상 분류부(540)는 상기 카테고리 결정부(510)와 상기 영상 특성 산출부(530)에서 결정된 결과를 분류의 기준이 되는 영상의 카테고리와 영상 특성값과 비교함으로써 영상을 세부 분류한다.
도 14를 참조하여 본 발명의 바람직한 실시예에 따른 영상 분류 방법을 설명한다.
영상이 입력되면(S600), 영상 분석 장치(100, 300)에서 영상의 모든 방향에 대하여 수정된 또는 재수정된 이산 라돈 변환을 수행함으로써 분산값을 계산한다(S602).
이 결과를 바탕으로 카테고리 결정부(510)의 분산값 평활화부(512)는 분산 결과를 평활화하고(S604), 피크 산출부(514)는 평활화된 분산값으로부터 최대 피크와 기준치 사이에 존재하는 피크수를 산출한다(S606).
피크 산출부(514)에서 산출된 피크 수를 근거로 주 결정부(516)는 입력된 영상의 카테고리를 결정한다(S608).
한편, 영상 분석 장치(100, 300)는 분산값이 가장 큰 방향을 주된 방향으로 결정하여 이를 가버 필터부(520)로 전달한다(S610).
가버 필터부(520)는 상기 주된 방향에 기초하여 회전된 회전형 가버 필터를 생성한다(S612).
다음으로 가버 필터부(520)는 입력된 영상에 대해 가버 필터 연산을 수행하고, 영상 특성 산출부(530)는 가버 필터부(520)에서 산출된 영상의 평균 및 표준편차를 이용하여 영상 특성값을 산출한다(S614).
마지막으로, 영상 분류부(540)는 카테고리 결정부(510)에서 결정된 카테고리 정보와, 영상 특성 산출부(530)에서 산출된 영상 특성값을 각 클래스를 대표하는 대표적 영상의 영상 특성값들과 비교함으로써 영상을 분류한다(S616).
이러한 본 발명의 바람직한 실시예에 따른 영상 분류 방법 및 장치는 입력된 영상을 사전 훈련없이도 효과적으로 분류할 수 있는 장점이 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것 이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
이상에서 설명한 바와 같이 본 발명에 따른 영상 분석 방법 및 장치에 의하면, 텍스쳐 기반의 영상 분석에 있어서 방향에 무관한 영상 분석 결과를 효과적으로 얻을 수 있으며, 분석의 정확도 및 분석에 소요되는 시간을 단축할 수 있는 장점이 있다.
또한, 본 발명에 따른 영상 분류 방법 및 장치에 의하면, 텍스쳐를 기반으로 한 영상의 카테고리화 및 분류를 매우 정확하게 수행할 수 있는 장점이 있다.
이에 따라 본 발명은 텍스쳐 기반의 영상 특성을 추출하는 다양한 분야에서 폭넓게 활용될 수 있으며, MPEG-7에서의 텍스쳐 기술자의 인덱싱 과정에 효과적으로 적용할 수 있다.

Claims (20)

  1. 영상의 텍스쳐를 분석하는 영상 분석 장치에 있어서,
    상기 영상을 입력받는 영상 입력부;
    주어진 방향에 따라 상기 영상에 다수의 참조 라인을 설정하는 참조라인 설정부;
    상기 영상의 픽셀을 상기 참조 라인 중 해당되는 참조 라인에 할당하는 픽셀 할당부;
    상기 각 참조 라인에 할당된 픽셀의 인텐시티 값에 대한 샘플 평균값을 구한 후 상기 픽셀 간 거리의 미소 변이량의 곱을 이용하여 수정된 이산 라돈 변환을 산출하는 제 1 라돈 변환부;
    상기 제 1 라돈 변환부에서 산출된 각 참조 라인에 대한 수정된 이산 라돈 변환의 분산값을 계산하는 분산 계산부; 및
    상기 참조 라인이 모든 방향에 대해 설정되도록 하여 상기 수정된 이산 라돈 변환 및 상기 분산값 계산이 수행되도록 하고, 상기 참조 라인의 설정 방향에 따른 상기 분산값들을 이용하여 상기 영상 텍스쳐의 방향 정보를 분석하는 영상 텍스쳐 분석부
    를 포함하는 것을 특징으로 하는 영상 분석 장치.
  2. 제 1 항에 있어서,
    상기 영상 입력부는, 입력된 영상에서 영상 정보 분석에 활용될 픽셀을 일정한 비율로 추출하는 것을 특징으로 하는 영상 분석 장치.
  3. 제 1 항에 있어서,
    상기 제 1 라돈 변환부에서의 상기 수정된 이산 라돈 변환은,
    변환 대상이 되는 상기 참조 라인의 파라미터를 ρr, 상기 참조 라인의 방향을 θt, 상기 참조 라인에 할당된 픽셀의 집합을 Φr,t, 그리고 상기 참조 라인에 할당된 픽셀 간 거리의 미소 변이량을 Δs라 할 경우,
    Figure 112007004354029-pat00021
    의 수학식에 의해 정의되는 것을 특징으로 하는 영상 분석 장치.
  4. 영상의 텍스쳐를 분석하는 영상 분석 방법에 있어서,
    (a) 상기 영상을 입력받는 단계;
    (b) 주어진 방향에 따라 상기 영상에 참조 라인을 설정하는 단계;
    (c) 상기 참조 라인에 상기 영상의 픽셀을 할당하는 단계;
    (d) 상기 참조 라인에 할당된 픽셀의 인텐시티에 대한 평균값을 이용하여 각 참조 라인별로 수정된 이산 라돈 변환을 수행하는 단계;
    (e) 각 참조 라인별로 수행된 상기 수정된 이산 라돈 변환의 분산값을 계산 하는 단계;
    (f) 상기 (b) 내지 상기 (e) 단계를 상기 영상의 모든 방향에 대해 수행하는 단계; 및
    (g) 모든 방향에 대한 상기 분산값들을 이용하여 상기 영상의 텍스쳐를 분석하는 단계
    를 포함하는 것을 특징으로 하는 영상 분석 방법.
  5. 제 4 항에 있어서,
    상기 수정된 이산 라돈 변환은, 상기 참조 라인의 파라미터를 ρr, 상기 참조 라인의 방향을 θt, 상기 참조 라인에 할당된 픽셀의 집합을 Φr,t, 그리고 상기 참조 라인에 할당된 픽셀 간 거리의 미소 변이량을 Δs라 할 경우,
    Figure 112007004354029-pat00022
    의 수학식에 의해 정의되는 것을 특징으로 하는 영상 분석 방법.
  6. 영상의 텍스쳐를 분석하는 영상 분석 장치에 있어서,
    상기 영상을 입력받는 영상 입력부;
    주어진 방향에 따라 상기 영상에 다수의 참조 라인을 설정하는 참조라인 설정부;
    상기 영상의 픽셀을 상기 참조 라인 중 해당되는 참조 라인에 할당하는 픽셀 할당부;
    각 참조 라인에 할당된 픽셀 전체에 대해 연속적 합성을 수행한 후 동일한 개수를 가진 픽셀의 그룹으로 재조정하는 픽셀 재할당부;
    상기 픽셀 재할당부에서 재할당된 픽셀 그룹별로 픽셀의 인텐시티 값에 대한 샘플 평균값을 구한 후 상기 픽셀 간 거리의 미소 변이량을 이용하여 재수정된 이산 라돈 변환을 산출하는 제 2 라돈 변환부;
    상기 제 2 라돈 변환부에서 산출된 각 픽셀 그룹에 대한 재수정된 이산 라돈 변환의 분산값을 계산하는 분산 계산부; 및
    상기 참조 라인이 모든 방향에 대해 설정되도록 하여 상기 재수정된 이산 라돈 변환 및 상기 분산값 계산이 수행되도록 하고, 상기 참조 라인의 설정 방향에 따른 상기 분산값들을 이용하여 상기 영상 텍스쳐의 방향 정보를 분석하는 영상 텍스쳐 분석부
    를 포함하는 것을 특징으로 하는 영상 분석 장치.
  7. 제 6 항에 있어서,
    상기 영상 입력부는, 입력된 영상에서 영상 정보 분석에 활용될 픽셀을 일정한 비율로 추출하는 것을 특징으로 하는 영상 분석 장치.
  8. 제 6 항에 있어서,
    상기 픽셀 할당부에서 각 참조 라인에 할당한 픽셀의 집합을 Φr,t(여기서, 참조 라인의 방향은 θt이고 참조 라인의 파라미터가 ρr)라 할 경우, 모든 픽셀의 집합은
    Figure 112007004354029-pat00023
    (여기서 Pθ는 참조 라인의 수)가 되고, 모든 픽셀의 집합에 대한 연속적 합성은,
    Figure 112007004354029-pat00024
    로 이루어지는 것을 특징으로 하는 영상 분석 장치.
  9. 제 6 항에 있어서,
    상기 영상이 M×N의 픽셀로 이루어진 경우, 상기 픽셀 재할당부에서 재조정된 상기 픽셀 그룹은 각각 N개의 원소를 가진 집합인 것을 특징으로 하는 영상 분석 장치.
  10. 제 6 항에 있어서,
    상기 재수정된 이산 라돈 변환은,
    상기 픽셀 그룹 중 j번째 그룹을 λj, λj의 픽셀 그룹의 픽셀 집합을 ψj t, 상기 참조 라인의 방향을 θt, 픽셀 간 거리의 미소 변이량을 Δs라 할 경우,
    Figure 112007004354029-pat00025
    의 수학식으로 표현되는 것 을 특징으로 하는 영상 분석 장치.
  11. 영상의 텍스쳐를 분석하는 영상 분석 방법에 있어서,
    (a) 상기 영상을 입력받는 단계;
    (b) 주어진 방향에 따라 상기 영상에 참조 라인을 설정하는 단계;
    (c) 상기 참조 라인에 상기 영상의 픽셀을 할당하는 단계;
    (d) 상기 참조 라인에 할당된 픽셀에 대해 연속적 합성을 수행한 후 이를 동일한 원소 개수를 갖는 다수의 픽셀 그룹을 조정하는 단계;
    (e) 상기 픽셀 그룹에 속하는 픽셀의 인텐시티에 대한 평균값을 이용하여 각 픽셀 그룹별로 재수정된 이산 라돈 변환을 수행하는 단계;
    (f) 각 픽셀 그룹별로 수행된 상기 재수정된 이산 라돈 변환의 분산값을 계산하는 단계;
    (g) 상기 (b) 내지 상기 (f) 단계를 상기 영상의 모든 방향에 대해 수행하는 단계; 및
    (h) 모든 방향에 대한 상기 분산값들을 이용하여 상기 영상의 텍스쳐를 분석하는 단계
    를 포함하는 것을 특징으로 하는 영상 분석 방법.
  12. 제 11 항에 있어서,
    상기 (c) 단계에서 각 참조 라인에 할당한 픽셀의 집합을 Φr,t(여기서, 참조 라인의 방향은 θt이고 참조 라인의 파라미터가 ρr)라 할 경우, 모든 픽셀의 집합은
    Figure 112007004354029-pat00026
    (여기서 Pθ는 참조 라인의 수)가 되고, 상기 (d) 단계에서 이루어지는 모든 픽셀의 집합에 대한 연속적 합성은,
    Figure 112007004354029-pat00027
    의 수학식에 의해 정의되는 것을 특징으로 하는 영상 분석 방법.
  13. 제 11 항에 있어서,
    상기 (e) 단계에서의 상기 재수정된 이산 라돈 변환은,
    상기 픽셀 그룹 중 j번째 그룹을 λj, λj의 픽셀 그룹의 픽셀 집합을 ψj t, 상기 참조 라인의 방향을 θt, 픽셀 간 거리의 미소 변이량을 Δs라 할 경우,
    Figure 112007004354029-pat00028
    의 수학식으로 표현되는 것을 특징으로 하는 영상 분석 방법.
  14. 영상의 텍스쳐를 기반으로 하여 영상을 분류하는 장치에 있어서,
    제 1 항 내지 제 3 항 및 제 6 항 내지 제 10 항 중 어느 한 항에 따른 영상 분석 장치;
    상기 영상 분석 장치에서 획득한 상기 영상에 대한 수정된 또는 재수정된 이산 라돈 변환의 분산값들의 추이로부터 상기 영상의 대분류 카테고리를 결정하는 카테고리 결정부;
    상기 영상 분석 장치의 분산값들의 추이로부터 최대 피크로 나타내는 주된 방향을 기반으로 하여 가버 필터링을 수행하는 가버 필터부;
    상기 가버 필터부에서 필터링된 영상으로부터 평균 및 표준편차(또는 분산)을 계산하고 이를 이용하여 상기 영상의 소분류 클래스를 결정하기 위한 영상 특성값을 산출하는 영상 특성 산출부; 및
    상기 카테고리 결정부에서 결정된 카테고리와 상기 영상 특성 산출부에서 산출된 상기 영상 특성값을 기준이 되는 영상의 카테고리 및 기준 영상 특성값과 비교하여 상기 영상을 분류하는 영상 분류부
    를 포함하는 것을 특징으로 하는 영상 분류 장치.
  15. 제 14 항에 있어서,
    상기 카테고리 결정부는, 상기 라돈 변환의 분산값들의 추이로부터 주된 방향을 나타내는 최대 피크와 상기 최대 피크 이외의 피크의 수로부터 영상을 일방향성, 다방형성, 등방성과 같은 카테고리로 구분하는 것을 특징으로 하는 영상 분류 장치.
  16. 제 15 항에 있어서,
    상기 카테고리 결정부는, 상기 분산값들을 평활화하여 노이즈 형태의 작은 피크를 제거하는 분산값 평활화부, 상기 분산값 평활화부에서 처리된 분산값으로부터 상기 피크의 수를 산출하는 피크 산출부, 상기 피크 산출부의 결과에 따라 상기 영상의 카테고리를 결정하는 주 결정부를 포함하는 것을 특징으로 하는 영상 분류 장치.
  17. 제 14 항에 있어서,
    상기 가버 필터부는, 상기 주된 방향에 따라 회전된 회전형 가버 변환을 수행하는 것을 특징으로 하는 영상 분류 장치.
  18. 제 14 항에 있어서,
    상기 영상 특성 산출부는 상기 영상 특성값을 산출시 상기 가버 필터부의 고주파 부대역의 계수는 무시하는 것을 특징으로 하는 영상 분류 장치.
  19. 영상의 텍스쳐를 기반으로 하여 영상을 분류하는 방법에 있어서,
    (a) 입력된 영상의 모든 방향에 대해 수정된 또는 재수정된 이산 라돈 변환을 수행하여 분산값을 계산하는 단계;
    (b) 상기 분산값으로부터 주된 방향을 나타내는 최대 피크와 상기 최대 피크보다 낮은 기준치 사이의 피크수를 산출하여 상기 영상의 대분류 카테고리를 결정하는 단계;
    (c) 가버 필터부에서 상기 주된 방향에 기초하여 회전된 회전형 가버 필터를 생성하고 가버 필터링을 수행하는 단계;
    (d) 상기 가버 필터부에서 산출된 영상의 평균 및 표준편차(또는 분산)를 이용하여 영상 특성값을 산출하는 단계; 및
    (e) 상기 (b)단계에서 결정된 카테고리와 상기 (d)단계에서 산출된 영상 특성값을 기준이 되는 영상의 카테고리 및 영상 특성값과 비교하여 영상을 분류하는 단계
    를 포함하는 것을 특징으로 하는 영상 분류 방법.
  20. 제 19 항에 있어서,
    상기 (b) 단계는 상기 분산값들을 평활화하여 노이즈 형태의 작은 피크를 제거하는 과정을 포함하는 것을 특징으로 하는 영상 분류 방법.
KR1020070004709A 2007-01-16 2007-01-16 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치 KR100849691B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070004709A KR100849691B1 (ko) 2007-01-16 2007-01-16 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070004709A KR100849691B1 (ko) 2007-01-16 2007-01-16 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치

Publications (2)

Publication Number Publication Date
KR20080067434A KR20080067434A (ko) 2008-07-21
KR100849691B1 true KR100849691B1 (ko) 2008-07-31

Family

ID=39821694

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070004709A KR100849691B1 (ko) 2007-01-16 2007-01-16 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치

Country Status (1)

Country Link
KR (1) KR100849691B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862335A (zh) * 2017-11-07 2018-03-30 河南科技大学 一种基于多尺度反馈度量学习的纹理图像分类方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2503691B (en) * 2012-07-04 2019-08-14 Advanced Risc Mach Ltd Methods of and apparatus for encoding and decoding data
CN106651933A (zh) * 2016-12-27 2017-05-10 西安邮电大学 一种基于Radon变换的改进型纹理特征提取算法
KR102176787B1 (ko) 2018-08-31 2020-11-10 한국항공대학교산학협력단 영상분류 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000031751A (en) * 1998-11-10 2000-06-05 Korea Electronics Telecomm Method for extracting and indexing multimedia characteristic in multimedia indexing system
JP2002074362A (ja) 2000-08-31 2002-03-15 Kansai Tlo Kk 物体識別計測装置、物体識別計測方法及びコンピュータ読取可能な記録媒体
KR20050094228A (ko) * 2004-03-22 2005-09-27 엘지전자 주식회사 지문 인식 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000031751A (en) * 1998-11-10 2000-06-05 Korea Electronics Telecomm Method for extracting and indexing multimedia characteristic in multimedia indexing system
JP2002074362A (ja) 2000-08-31 2002-03-15 Kansai Tlo Kk 物体識別計測装置、物体識別計測方法及びコンピュータ読取可能な記録媒体
KR20050094228A (ko) * 2004-03-22 2005-09-27 엘지전자 주식회사 지문 인식 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862335A (zh) * 2017-11-07 2018-03-30 河南科技大学 一种基于多尺度反馈度量学习的纹理图像分类方法

Also Published As

Publication number Publication date
KR20080067434A (ko) 2008-07-21

Similar Documents

Publication Publication Date Title
Jafari-Khouzani et al. Radon transform orientation estimation for rotation invariant texture analysis
Pietikäinen et al. Rotation-invariant texture classification using feature distributions
Arivazhagan et al. Texture classification using ridgelet transform
Cula et al. 3D texture recognition using bidirectional feature histograms
KR100836740B1 (ko) 영상 데이터 처리 방법 및 그에 따른 시스템
CN110674835B (zh) 一种太赫兹成像方法及系统和一种无损检测方法及系统
Lee et al. Texture classification using dominant wavelet packet energy features
KR100849691B1 (ko) 영상 텍스쳐 분석 방법과 장치, 및 이를 이용한 영상 분류방법과 장치
Alaei et al. A comparative study of different texture features for document image retrieval
Dash et al. Multi-resolution Laws’ Masks based texture classification
Yu et al. A cluster-based wavelet feature extraction method and its application
Masotti et al. Texture classification using invariant ranklet features
DE112021002781T5 (de) Verfahren und Apparate zum Erzeugen von Punktwolkenhistogrammen
Dash et al. Homomorphic normalization-based descriptors for texture classification
EP0593207A2 (en) A method and apparatus for symbol recognition using multidimensional preprocessing at multiple resolutions
Pun et al. Rotation-invariant texture classification using a two-stage wavelet packet feature approach
Chang et al. Binarization of document images using Hadamard multiresolution analysis
Al-Marzouqi et al. Texture retrieval using periodically extended and adaptive curvelets
Shen et al. Texture classification using curvelet transform
CN112818779B (zh) 一种基于特征优选与多种特征融合的人体行为识别方法
Theiler et al. Design issues for hardware implementation of an algorithm for segmenting hyperspectral imagery
Hiremath et al. A novel approach to texture classification using NSCT and LDBP
Wu et al. Image texture classification based on finite gaussian mixture models
Liu et al. Independent filters for texture classification
Garcıa-Sevilla et al. Analysis of irregularly shaped texture regions

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
FPAY Annual fee payment

Payment date: 20130710

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20140703

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20150702

Year of fee payment: 8

LAPS Lapse due to unpaid annual fee