KR101166722B1 - 이미지 검색을 위한 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체 - Google Patents

이미지 검색을 위한 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체 Download PDF

Info

Publication number
KR101166722B1
KR101166722B1 KR1020110023930A KR20110023930A KR101166722B1 KR 101166722 B1 KR101166722 B1 KR 101166722B1 KR 1020110023930 A KR1020110023930 A KR 1020110023930A KR 20110023930 A KR20110023930 A KR 20110023930A KR 101166722 B1 KR101166722 B1 KR 101166722B1
Authority
KR
South Korea
Prior art keywords
point
interest
image
color change
high frequency
Prior art date
Application number
KR1020110023930A
Other languages
English (en)
Inventor
김덕환
Original Assignee
인하대학교 산학협력단
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 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020110023930A priority Critical patent/KR101166722B1/ko
Application granted granted Critical
Publication of KR101166722B1 publication Critical patent/KR101166722B1/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
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • G06V10/446—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 using Haar-like filters, e.g. using integral image techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Abstract

디지털 이미지에 웨이블릿 변환과 박스 필터를 적용하여 관심점(interest point)들을 검출하고, 관심점을 중심으로 한 색변화(variation)를 이용하여 디지털 이미지의 디스크립터(descriptor)를 생성하는 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체에 있어서, (a) 디지털 이미지를 웨이블릿 변환하여 얻은 고주파 이미지로부터 박스 필터를 적용하여 스케일 공간을 형성하고, 스케일 공간의 스무딩 이미지들로부터 관심점을 추출하는 단계; (b) 관심점을 중심으로 색변화(variation)가 가장 큰 방향을 관심점의 방위(orientation)로 구하는 단계; (c) 관심점을 중심으로 한 영역을 반경 및 방향으로 분할하고, 색변화 수준별로, 분할된 영역(이하 분할 영역)으로 구분되는 히스토그램을 구하여, 관심점의 히스토그램 벡터를 생성하는 단계; 및, (d) 관심점의 히스토그램 벡터들을 합하여 이미지의 디스크립터를 생성하는 단계를 포함하는 구성을 마련한다.
상기와 같은 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체에 의하여, 웨이블릿 변환에 의한 색변화(variation)를 이용함으로써, 더 적은 수의 뚜렷한 관심점을 검출하고 더 적은 차원의 디스크립터를 생성할 수 있고, 이로 인해, 이미지의 매칭 정확도와 매칭 속도를 향상시킬 수 있다.

Description

이미지 검색을 위한 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체 { A method of detecting interest points and finding an image descriptor based on local variation for image retrieval and the recording medium thereof }
본 발명은 디지털 이미지에 웨이블릿 변환과 박스 필터를 적용하여 관심점(interest point)들을 검출하고, 상기 관심점을 중심으로 한 색변화(variation)를 이용하여 상기 디지털 이미지의 디스크립터(descriptor)를 생성하는 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체에 관한 것이다.
일반적으로, 이미지 국부 특성을 이용한 방법들이 CBIR(content based image retrieval)에 유용한 것으로 증명되어 왔다. 이들 방법 중 가장 관심을 받는 방법은 SIFT(scale invariant feature transform)이다.
SIFT 방법은 이미지 국부 특성의 특징들을 나타내기 위하여, 이미지에서 키포인트(keypoint)들을 검출하여 각 키포인트에 대한 디스크립터를 계산한다. 상기 키포인트들을 검출하기 위해, 블롭(blob) 디텍터인 가우시안 차분법(DoG)이 적용되었다. SIFT 디스크립터, PCA-SIFT(Principal Component Analysis based SIFT) 디스크립터, GLOH(Gradient Location and Orientation Histogram) 디스크립터와 같은 그라디언트(gradient) 크기 및 방위(orientation)에 기반한 디스크립터들은 상기 키포인트를 둘러싼 이미지 국부 영역으로부터 계산된다.
하지만, 상기 DoG 디텍터에 의하면 수백에서 수천에 이르는 상당히 많은 수의 키포인트들이 검출되기 때문에, 실시간 응용에는 제약이 많다. 또한, 이미지에서 의미 있는 부분들이 항상 브롭(blob) 같은 영역들이 아닌 경우가 많다. 상기 SIFT 디스크립터는 이미지 매칭에 효과적이나, 디스크립터의 차원이 높기 때문에, 매칭 연산의 효율을 저하시킨다.
한편, 디스크립터의 차원을 줄이고 매칭 정확도를 개선하기 위해, PCA-SIFT 디스크립터가 제안되었다. 하지만, 실험에 따르면 PCA-SIFT 디스크립터는 일부 상황에 있어서 그 매칭 정확도가 떨어진다.
또한, 웨이블릿 기반의 돌출 포인트(salient point) 디텍터가 다중 해상도 분석을 위한 수단으로서 사용되었다. 이 디텍터는 국부적인 색변화(variation)들뿐 아니라 전역적인 색변화(variation)를 검출하기 위해 웨이블릿 변환을 기반으로 한다. 상기 돌출 포인트 검출은 절대적인 웨이블릿 계수의 합계를 기반으로 하므로 오직 블롭 영역들에 대한 문제만을 해결할 수 있다. 하지만, 이러한 방법들은 상기 돌출 포인트의 스케일을 계산하는데 있어서는 실패하였다.
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 웨이블릿 변환을 이용하여 국부적인 최대 색변화를 갖는 영역들을 나타내는 관심점들을 검출하고, 색변화 수준에 기반하여 이미지의 국부 특성을 나타내는 디스크립터를 생성하는 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체를 제공하는 것이다.
또한, 본 발명의 목적은 웨이블릿 변환을 통해 얻은 고주파 이미지에 박스 필터를 이용하여 스케일 공간을 형성하고, 스케일 공간에서 이웃하는 영역들 중 그 색변화가 최고인 영역을 구함으로써 관심점을 검출하는 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체를 제공하는 것이다.
또한, 본 발명의 목적은 이미지 회전에 대한 강인성을 얻기 위하여 관심점에 방위(orientation)를 할당하고, 국부 영역의 형상정보를 검출하기 위하여 색변화 수준과 로그-극 좌표에 기반한 디스크립터를 생성하는 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체를 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 디지털 이미지에서 관심점(interest point)들을 검출하고, 상기 관심점들에 대한 디스크립터(descriptor)를 생성하는 국부적 색변화 기반 디스크립터 생성 방법에 관한 것으로서, (a) 상기 디지털 이미지를 웨이블릿 변환하여 얻은 고주파 이미지로부터 박스 필터를 적용하여 스케일 공간을 형성하고, 상기 스케일 공간의 스무딩 이미지들로부터 관심점을 추출하는 단계; (b) 상기 관심점을 중심으로 색변화(variation)가 가장 큰 방향을 상기 관심점의 방위(orientation)로 구하는 단계; (c) 상기 관심점을 중심으로 한 영역을 반경 및 방향으로 분할하고, 색변화 수준별로, 분할된 영역(이하 분할 영역)으로 구분되는 히스토그램을 구하여, 상기 관심점의 히스토그램 벡터를 생성하는 단계; 및, (d) 상기 관심점의 히스토그램 벡터들을 합하여 상기 이미지의 디스크립터를 생성하는 단계를 포함하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 고주파 이미지는 웨이블릿 변환을 통해 얻은 서브 이미지 LH, HL, 및, HH를 합한 이미지인 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 서브 이미지 LH, HL, 및, HH의 픽설값들을 점 대 점으로 합산하여, 상기 고주파 이미지의 픽셀값을 구하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 웨이블릿 변환은 Haar 웨이블릿 변환인 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 (a)단계에서, 상기 고주파 이미지를 적분 이미지(integral image)로 변환한 후, 상기 박스 필터를 적용하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 (a)단계에서, 상기 박스 필터의 크기를 순차적으로 증가시키면서 상기 고주파 이미지에 적용하여, 스케일이 증가하는 일련의 스무딩 이미지를 생성하고, 상기 일련의 스무딩 이미지로 상기 스케일 공간을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 관심점은 상기 스무딩 이미지의 포인트 중 하나(이하 대상 포인트)에 대응되는 포인트로서, 상기 대상 포인트와 이웃하는 상기 스케일 공간 상의 포인트들과 비교하여 최대값 또는 최소값을 갖는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 (a)단계에서, 웨이블릿 변환을 통해 얻은 저주파 이미지에 웨이블릿 변환을 반복 적용하여 각 옥타브의 고주파 이미지를 구하고, 각 옥타브의 고주파 이미지로부터 해당 옥타브의 스케일 공간을 생성하여 해당 스케일 공간에서의 관심점을 구하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 (b)단계에서, 상기 관심점을 중심점으로 하는 영역을 각도에 따라 섹터로 분할하여, 가장 큰 색변화(variation)를 갖는 섹터의 방향을 상기 관심점의 방위(orientation)로 정하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 영역은 원형이고, 상기 섹터는 동일한 각도에 의해 분할되는 것을 특징으로 하는 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 색변화 수준은 색변화(variation) 분포를 균일한 면적으로 분할하여 얻은 색변화의 구간으로 구분되되, 상기 색변화 분포는 샘플링된 다수의 디지털 이미지에서 추출한 관심점의 색변화(variation)로부터 구한 분포인 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 (c)단계에서, 상기 분할 영역의 크기가 동일하도록 영역을 분할하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 (c)단계에서, 상기 관심점을 중심으로 한 영역은 원형 영역인 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 (c)단계에서, 상기 관심점을 중심으로 한 영역은 상기 관심점의 방위(orientation)의 방향으로 회전되는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 (c)단계에서, 상기 관심점의 중심에 있는 분할 영역은 방향으로 분할되지 않는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 관심점의 히스토그램 벡터는 색변화 수준 및 분할 영역에 의해 구분되는 히스토그램으로 구성되는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법에 있어서, 상기 이미지의 디스크립터는 모드 관심점의 히스토그램 벡터와 색변화(variation)를 합한 벡터인 것을 특징으로 한다.
또한, 본 발명은 국부적 색변화 기반 디스크립터 생성 방법을 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다.
또한, 웨이블릿 변환 및 박스 필터를 이용하여 디지털 이미지로부터 색변화(variation)를 구하고, 상기 색변화에 의하여 디지털 이미지의 관심점(keypoint)들을 검출하는 국부적 색변화 기반 관심점 검출 방법에 관한 것으로서, (a1) 상기 디지털 이미지를 웨이블릿 변환하여 고주파 이미지를 구하는 단계; (a2) 상기 고주파 이미지에 박스 필터를 적용하여, 스무딩 이미지로 구성되는 스케일 공간을 형성하는 단계; 및, (a3) 상기 스케일 공간에서의 극점(extrema)을 관심점으로 검출하는 단계를 포함하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 관심점 검출 방법에 있어서, 상기 (a1)단계에서, 웨이블릿 변환을 통해 얻은 서브 이미지 LH, HL, 및, HH를 합하여, 상기 고주파 이미지를 구하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 관심점 검출 방법에 있어서, 상기 (a2)단계에서, 상기 박스 필터의 크기를 순차적으로 증가시키면서 상기 고주파 이미지에 적용하여, 스케일이 증가하는 일련의 스무딩 이미지를 생성하고, 상기 일련의 스무딩 이미지로 상기 스케일 공간을 형성하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 관심점 검출 방법에 있어서, 상기 (a3)단계에서, 상기 스무딩 이미지의 각 포인트(이하 대상 포인트)에 대하여, 상기 대상 포인트의 값을 상기 대상 포인트와 이웃하는 상기 스케일 공간 상의 포인트들의 값들과 비교하여 최대값이면, 상기 대상 포인트를 관심점으로 검출하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 관심점 검출 방법에 있어서, 상기 방법은, (a4) 웨이블릿 변환을 통해 얻은 저주파 이미지에 웨이블릿 변환을 반복 적용하여 각 옥타브의 고주파 이미지를 구하는 단계; 및, (a5) 각 옥타브의 고주파 이미지에 대하여, 상기 (a2)단계 및 (a3)단계를 반복하여, 해당 옥타브의 스케일 공간을 생성하여 해당 스케일 공간에서의 관심점을 구하는 단계를 더 포함하는 것을 특징으로 한다.
또, 본 발명은 국부적 색변화 기반 관심점 검출 방법에 있어서, 상기 (a2)단계에서, 상기 고주파 이미지를 적분 이미지(integral image)로 변환한 후, 상기 박스 필터를 적용하는 것을 특징으로 한다.
또한, 본 발명은 국부적 색변화 기반 관심점 검출 방법을 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다.
상술한 바와 같이, 본 발명에 따른 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체에 의하면, 웨이블릿 변환에 의한 색변화(variation)를 이용함으로써, 더 적은 수의 뚜렷한 관심점을 검출하고 더 적은 차원의 디스크립터를 생성할 수 있고, 이로 인해, 이미지의 매칭 정확도와 매칭 속도를 향상시킬 수 있는 효과가 얻어진다.
즉, 제안된 디텍터에 의해 특색있는 정보를 갖는 보다 적은 수의 관심 포인트들이 검출되고, 낮은 차원을 갖는 효과적인 디스크립터가 생성되어, 종래의 디스크립터보다 더 높은 이미지 매칭 정확도와 더 좋은 효율을 보여준다.
또한, 본 발명에 따른 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체에 의하면, 색변화(variation)가 최고인 영역에서 검출한 관심점에 방위(orientation)를 할당함으로써, 이미지 회전에 강인성을 갖는 디스크립터를 생성할 수 있는 효과가 얻어진다.
또한, 본 발명에 따른 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체에 의하면, 색변화 수준과 로그-극 좌표에 기반한 디스크립터를 생성함으로써, 국부 영역의 형상정보를 검출할 수 있고, 텍스쳐 처리된 장면들이나 잘못 정의된 에지 이미지들의 문제를 극복할 수 있는 효과가 얻어진다.
도 1은 본 발명을 실시하기 위한 전체 시스템 구성의 일례를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 국부적 색변화 기반 디스크립터 생성 방법을 설명하는 흐름도이다.
도 3과 4는 본 발명의 일실시예에 따른 관심점을 검출하는 방법을 설명하는 흐름도이다.
도 5는 본 발명에 따른 웨이블릿 변환을 하여 4개의 서브 이미지를 구하는 일례를 도시한 것이다.
도 6은 본 발명에 따른 관심점의 방위(orientation)를 구하는 일례를 도시한 것이다.
도 7은 본 발명의 일실시예에 따른 관심점의 히스토그램 벡터를 구하는 방법을 설명하는 흐름도이다.
도 8은 본 발명에 따른 샘플링 이미지의 관심점 색변화(variation) 분포의 일례를 도시한 것이다.
도 9는 본 발명에 따른 관심점의 주위 영역을 색변화 수준으로 그룹핑하는 일례를 도시한 것이다.
도 10은 본 발명에 따른 히스토그램을 구하기 위해 관심점의 원형 영역을 분할하는 일례를 도시한 것이다.
도 11은 본 발명에 따른 관심점의 히스토그램의 일례를 도시한 것이다.
* 도면의 주요 부분에 대한 부호의 설명 *
10 : 디지털 이미지 20 : 컴퓨터 단말
30 : 디스크립터 생성 장치
이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.
또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
먼저, 본 발명을 실시하기 위한 전체 시스템의 구성의 예들에 대하여 도 1을 참조하여 설명한다.
도 1에서 보는 바와 같이, 본 발명에 따른 디스크립터 생성 방법(또는 관심점 검출 방법)은 디지털 이미지(10)를 입력받아 관심점(interest point)을 검출하고, 관심점들의 디스크립터(descriptor)를 생성하는 컴퓨터 단말(20) 상의 프로그램 시스템으로 실시될 수 있다. 즉, 국부적 색변화 기반 디스크립터 생성 방법(또는 관심점 검출 방법)은 프로그램으로 구성되어 컴퓨터 단말(20)에 설치되어 실행될 수 있다. 컴퓨터 단말(20)에 설치된 프로그램은 하나의 시스템(30)과 같이 동작할 수 있다.
한편, 다른 실시예로서, 국부적 색변화 기반 디스크립터 생성 방법(또는 관심점 검출 방법)은 프로그램으로 구성되어 범용 컴퓨터에서 동작하는 것 외에 ASIC(주문형 반도체) 등 하나의 전자회로로 구성되어 실시될 수 있다. 또는 디지털 이미지의 인식 또는 매칭 등만을 전용으로 처리하는 전용 컴퓨터 단말(20)로 개발될 수도 있다. 이를 국부적 색변화 기반 디스크립터 생성 장치라 부르기로 한다. 그 외 가능한 다른 형태도 실시될 수 있다. 그러나 이하에서 설명의 편의를 위해 컴퓨터 단말(20)에 구현된 시각적 형상 디스크립터 생성 장치(30)로 설명하기로 한다.
다음으로, 본 발명의 일실시예에 따른 국부적 색변화 기반 디스크립터 생성 방법을 도 2를 참조하여 설명한다.
도 2에서 보는 바와 같이, 본 발명의 일실시예에 따른 국부적 색변화 기반 디스크립터 생성 방법은 (a) 디지털 이미지의 관심점을 검출하는 단계(S10); (b) 상기 관심점의 방위(orientation)를 구하는 단계(S20); (c) 상기 관심점에서의 히스토그램 벡터를 생성하는 단계(S30); 및, (d) 상기 이미지의 디스크립터를 생성하는 단계(S40)로 구성된다.
먼저, 디지털 이미지의 관심점(interest point)을 검출하는 단계(S10)를 설명한다. 도 3은 본 발명의 일실시예에 따른 관심점 검출단계(S10)를 설명하기 위한 흐름도이다.
이 단계(S10)는 스케일 변화, 조명 변화 및 어파인 변환에 대해 불변성과 특색을 가지고 있는 의미있는 포인트들을 검출하는 것을 목적으로 한다. 이를 위해, 이미지의 색변화(variation)를 나타내는 웨이블릿 계수들이 사용된다.
도 3에서 보는 바와 같이, 디지털 이미지를 웨이블릿 변환하여 얻은 고주파 이미지로부터 박스 필터를 적용하여 스케일 공간을 형성하고, 상기 스케일 공간의 스무딩 이미지들로부터 관심점을 추출한다(S10).
먼저, 디지털 이미지를 웨이블릿 변환하여 고주파 이미지를 구한다(S11).
도 5와 같이, 원래 입력된 디지털 이미지는 먼저 Haar 웨이블릿 변환에 의해 4개의 서브 이미지 LL, LH, HL, HH 들로 분해된다. 서브 이미지 LL은 상기 디지털 이미지(원 영상)를 개략적으로 나타낸다. 서브 이미지 LL의 픽셀들은 저주파 계수들로 구성된 것으로서, 이하에서 웨이블릿 변환을 통해 얻은 서브 이미지 LL을 저주파 이미지라고 부르기로 한다.
서브 이미지들 LH, HL, HH는 수평 방향, 수직 방향 및 대각선 방향의 색변화(variation)를 각각 나타낸다. 즉, LH, HL 및 HH 이미지들의 픽셀들은 원래 이미지(또는 디지털 이미지, 원 영상)의 인접한 픽셀들의 국부적 색변화(variation)를 나타내는 고주파 계수들로 구성된다.
이때, 3개 모두의 이미지들에 있어서의 픽셀들은 하나의 고주파 이미지를 형성하기 위하여 융합된다. 이러한 3개의 이미지들의 융합은 점 대 점으로 상기 이미지들의 픽셀 수치들을 합산하는 단순한 과정으로 이루어진다. 즉, LH, HL 및 HH 이미지들의 픽셀값을 점 대 점으로 합하여, 고주파 이미지를 생성한다. 고주파 이미지들의 픽셀값이 색변화(variation)를 나타낸다. 그리고 상기 고주파 이미지는 이후 정규화된다.
다음으로, 고주파 이미지에 박스 필터를 적용하여, 스무딩 이미지로 구성되는 스케일 공간을 형성한다(S12). 이때, 상기 고주파 이미지를 적분 이미지(integral image)로 변환한 후, 상기 박스 필터를 적용한다.
적분 이미지(integral image)는 x축과 y축 방향으로 원본 이미지 픽셀값을 누적하여 계산한 이미지이다. 적분 이미지(integral image)를 이용하면 임의의 크기의 사각형에 대한 픽셀값의 합을 크기에 상관없이 일정시간 내에 계산할 수 있다. 따라서 박스 내의 평균이미지를 구하는 박스 필터(또는 평균 박스 필터)를 적용할 때, 연산속도를 향상시킬 수 있다. 즉, 적분 이미지 기술과 평균 박스 필터의 성질들을 이용하여, 고주파 이미지를 보다 빠른 계산이 가능한 적분 이미지로 변환한다.
그리고 박스 필터의 크기를 순차적으로 증가시키면서 고주파 이미지(또는 적분 이미지)에 적용하여, 스케일이 증가하는 일련의 스무딩 이미지를 생성한다. 이때, 일련의 스무딩 이미지로 스케일 공간을 형성한다.
즉, 다양한 스케일로 표현된 원래 이미지의 국부 영역들의 색변화(variation)를 계산하기 위해, 옥타브를 구성할 수 있도록 크기가 증가하는 순서로 평균 박스 필터들이 적분 이미지에 적용된다.
적분 이미지에 박스 필터를 적용시킴으로써 이미지가 스무딩 처리된다. 상기 스무딩 처리된 이미지의 각 포인트의 값이 상기 포인트를 둘러싸는 영역의 색변화(variation) 정보를 나타내고, 상기 영역의 크기는 상기 필터의 크기와 동일하게 된다. 스무딩 이미지들의 픽셀값도 색변화(variation)를 나타낸다.
도 4에서 보는 바와 같이, 박스 필터의 크기를 N1, N2, N3 으로 순차적으로 증가시키고, 그 필터들을 적분 이미지에 순차적으로 적용시킨다. 예를 들어, 박스 필터 N1, N2, N3 을 적분 이미지에 적용하여 얻은 스무딩 이미지를 각각 S1, S2, S3 이라고 하자. 이때, 일련의 스무딩 이미지 S1, S2, S3 가 곧 스케일 공간(scale space)을 형성한다. 특히, 원 영상(디지털 이미지)로부터 웨이블릿 변환을 한 번만 적용하여 형성한 스케일 공간이 곧 "옥타브 1(또는 1번째 옥타브)의 스케일 공간"이다.
다음으로, 스케일 공간에서의 극점(extrema)을 관심점(interest point)으로 검출한다(S13). 즉, 관심점(interest point)은 스무딩 이미지의 포인트 중 하나(이하 대상 포인트)에 대응되는 포인트로서, 자신(대상 포인트)과 이웃하는 스케일 공간 상의 포인트들과 비교하여 최대값(또는 최소값)을 갖는다.
관심점은 국부적인 극대점(또는 극소점)이다. 웨이블릿 변환의 특성상 극대점으로 관심점(또는 관심점 후보)을 선정하는 것이 바람직하다. 극대점은 관심점의 후보들이고, 후보점들의 주변 픽셀을 이용하여 안정성을 검사하고, 그로부터 최종 관심점으로 결정할 수 있다.
도 4의 예에서, 스케일 공간은 스무딩 이미지 S1, S2, S3 로 구성된다. 하나의 포인트(또는 대상 포인트)가 스무딩 이미지 S2 의 가운데 픽셀인 "x"라 하면, "x"와 이웃하는 스무딩 이미지 S2 의 점과, 스무딩 이미지 S2 의 상하에 위치하는 스무딩 이미지 S1, S3 상의 이웃하는 점들이 곧 대상 포인트의 이웃하는 점들이다. 즉, 현재 위치의 포인트(대상 포인트)를 중심으로 이웃한 8개 픽셀과 인접한 상위, 하위 레벨에서 대응하는 9개 포인트인, 총 26개 포인트와 비교하여 선택하게 된다.
한편, 웨이블릿 변환을 통해 얻은 저주파 이미지에 웨이블릿 변환을 반복 적용하여 각 옥타브의 고주파 이미지를 구하여(S14), 옥타브를 증가시켜 관심점(interest point)을 검출할 수 있다(S15).
즉, 저주파 이미지(또는 LL 이미지) 상에서 Haar 웨이블릿 변환을 반복함으로써, 멀티 해상도 분석에 대하여 이미지 피라미드가 구성될 수 있다.
도 4에서 원 영상에서 웨이블릿 변환을 통해 얻은 저주파 이미지를 다시 웨이블릿 변환을 적용한다. 이때, 4개의 서브 이미지를 얻고, 이 중에서 LH, HL, HH 서브 이미지를 고주파 이미지로 형성하고, 이 고주파 이미지에 박스 필터를 적용하여, 스케일 공간을 형성한다. 이때의 스케일 공간을 옥타브 2(또는 2번째 옥타브)의 스케일 공간이다. 2번째 옥타브의 스케일 공간에서 관심점을 검출한다. 이 과정은 앞서 1번째 옥타브의 스케일 공간에서 관심점을 검출하는 과정과 동일하다.
다음으로, 관심점의 방위(orientation)를 구하는 단계(S20)를 설명한다.
이미지 회전에 대한 불변성을 달성하기 위해서, 각 관심점에 대해 방위(orientation)가 할당된다.
관심점을 중심으로 색변화(variation)가 가장 큰 방향을 관심점의 방위(orientation)로 구한다. 보다 구체적으로, 관심점을 중심점으로 하는 영역을 각도에 따라 섹터로 분할하여, 가장 큰 색변화(variation)를 갖는 섹터의 방향을 관심점의 방위(orientation)로 정한다.
도 6에서 보는 바와 같이, 고주파 이미지의 관심점를 중심으로 하는 반경(R)을 갖는 원형 영역을 구성한다. 원형 영역은 고주파 이미지에서의 관심점을 중심으로 하는 영역이다.
상기 원형 영역은 이후 로그-극 좌표에 기반한 다수의 섹터들로 분리되고, 따라서 다수의 방향들이 얻어진다. 섹터는 동일한 각도에 의해 분할된다. 섹터(또는 방향)의 수는 12개로 정하는 것이 바람직하다.
각 방향에 대해, 섹터에서의 색변화(variation)의 합계가 계산된다. 마지막으로, 최대 색변화(variation)를 갖는 방향이 상기 관심점의 방위(orientation)로 결정된다. 도 6은 이러한 방향의 예를 보여 준다.
다음으로, 관심점에서의 히스토그램 벡터를 생성하는 단계(S30) 및 이미지의 디스크립터를 생성하는 단계(S40)를 설명한다.
국부 영역의 특색있는 정보를 나타내기 위해서 효과적인 디스크립터를 계산하는 것은 매칭 정확도를 위해 뿐 아니라 매칭 효율을 위해서도 중요하다. 상술한 바와 같이, 고주파 이미지는 원래 이미지의 색변화(variation)을 나타낸다. 색변화(variation)가 심할수록, 이웃하는 픽셀의 변이가 더 높게 나타난다.
결국, 고주파 이미지는 또한 디지털 이미지(또는 원 영상)의 형상 정보를 제공한다. 따라서 본 단계는 관심점 주위의 국부 영역으로부터 형상 정보를 추출하기 위해 이미지 색변화(variation) 수준(level)들에 기반한 디스크립터를 만든다. 상기 색변화(variation)는 다양한 레벨들로 그룹핑되고, 상기 형상 정보는 색변화(variation) 레벨들과 로그-극 좌표들에 기반하여 추출된다.
도 2와 같이, 각 관심점에서의 히스토그램 벡터를 구하고(S30), 이들 히스토그램 벡터를 합함으로써 최종 이미지 디스크립터를 생성한다(S40).
도 7에서 보는 바와 같이, 히스토그램 벡터를 구하는 단계(S30)는 색변화 수준을 정하는 단계(S31), 색변화를 색변화 수준으로 그룹핑하는 단계(S32), 관심점을 중심으로 영역을 분할하는 단계(S33), 및, 수준별 분할영역으로 구분되는 히스토그램 벡터를 구하는 단계(S34)로 구분된다.
즉, 관심점을 중심으로 한 영역을 반경 및 방향으로 분할하고, 색변화 수준별로, 분할된 영역(이하 분할 영역)으로 구분되는 히스토그램을 구하여, 상기 관심점의 히스토그램 벡터를 생성한다.
먼저, 색변화 수준을 정하는 단계(S31)를 설명한다.
색변화 수준은 색변화(variation) 분포를 균일한 면적으로 분할하여 얻은 색변화의 구간으로 구분된다. 이때, 색변화 분포는 샘플링된 다수의 디지털 이미지에서 추출한 관심점의 색변화(variation)로부터 구해진다.
도 8은 200개의 다른 이미지들에 있는 관심점들 주위의 27,387개의 영역들로부터 계산된 이미지 색변화(variation)의 분포를 도시한다. 이 분포에 있어서 낮은 색변화(variation)(21 미만)는 버려졌다.
도 8에 도시된 바와 같이, 낮은 색변화(variation)는 높은 색변화보다 더 많은 포인트들을 가진다. 디스크립터를 보다 특색이 있도록 하기 위해, 색변화를 각 레벨(또는 색변화 수준)에서의 포인트들의 수가 균일하도록, 색변화 수준으로 그룹핑된다.
F(x)를 도 3에 도시된 분포에 대응하는 함수라 하자. 색변화(variation)가 L개의 레벨(또는 색변화 수준)들로 그룹핑된다고 할 때, 각 레벨에 대한 포인트들의 평균 수는 다음 [수학식 1]과 같이 계산된다.
[수학식 1]
Figure 112011019605412-pat00001
레벨(i)의 범위를 [Gi,Gi+I)라고 할 때, 다음 [수학식 2]를 풀어서 각 레벨(또는 색변화 수준)의 범위를 얻을 수 있다.
[수학식 2]
Figure 112011019605412-pat00002
다음으로, 색변화(variation)를 색변화 수준(레벨)으로 그룹핑한다(S32).
도 9는 상기 색변화(variation)가 7개의 레벨들로 그룹핑될 때, 관심점 주위의 국부 영역을 보여준다.
그리고 관심점 주위의 국부 영역을 분할한다(S33). 국부 영역은 원형 영역으로 설정하는 것이 바람직하다. 또한, 분할 영역의 크기가 동일하도록 영역을 분할한다.
색변화(variation)를 L개의 레벨들로 그룹핑한 후에, 관심점에 중심을 둔 원형 영역이 히스토그램 벡터를 계산하도록 설정된다. 원형 영역은 로그-극 좌표에 기반한 그리드들로 분리된다.
도 10a에 도시된 바와 같이, 상기 원형 영역은 반경 방향의 3개의 빈(bins)과 각 방향의 8개의 빈으로써 분리된다. GLOH와 유사하게, 중앙 빈(관심점의 중심에 있는 분할 영역)은 각 방향으로 분할되지 않는다. 반경들의 값은 상기 영역의 각각의 그리드들이 동일한 넓이를 갖도록 조정 가능하게 설정된다.
따라서 상기 원형 영역은 17개의 그리드들로 분할된다. 이때 분할되는 영역을 분할영역이라고 부르기로 한다. 즉, 각 분할영역이 하나의 빈(bin)에 해당된다. 관심점의 색변화 영역을 분할영역으로 구분된 일례가 도 10b에서 도시된다.
바람직하게는, 관심점에 중심을 둔 원형 영역은 관심점의 방위(orientation)로 회전된다. 즉, 각 관심점의 원형영역은 그 방위가 동일한 방향을 갖도록 회전되고, 회전된 원형영역이 분할되어 분할영역이 형성된다. 이것은 이미지 회전의 강인성을 얻기 위해, 포인트의 위치가 관심점의 방위(orientation)로 회전되는 것이다.
다음으로, 색변화 수분별로 분할영역으로 구분되는 히스토그램을 구하여, 관심점의 히스토그램 벡터를 구한다(S34).
각각의 색변화(variation) 레벨에 대해, 색변화(variation)와 포인트 위치에 기반한 히스토그램을 생성한다.
도 11에 도시된 바와 같이, y축은 축적 색변화(variation)를 나타내고 x축은 포인트의 위치를 나타낸다. 예를 들어, 도 11의 첫 번째 히스토그램은 색변화가 레벨 1인 픽셀의 개수를 분할영역의 빈(bin)으로 구분하여 도시한 것이다. 따라서 각 레벨에 대해, 색변화(variation)들과 포인트들의 위치에 따른 히스토그램을 구성할 수 있다.
모든 레벨들에 대한 모든 히스토그램들은 특징 벡터를 형성하도록 합성된다. 즉, 색변화 레벨 및 분할 영역에 의해 구분되는 히스토그램으로 구성하여, 관심점의 히스토그램 벡터를 생성한다. 따라서 히스토그램의 빈(bins) 개수는 레벨의 수와 분할영역의 수를 곱한 것과 같다. 그 빈 개수가 곧 히스토그램 벡터의 차원이 된다. 도 11의 예에서, 히스토그램의 빈 개수는 119(7*17)이고, 관심점의 히스토그램 벡터는 119차원이다.
마지막으로, 관심점의 히스토그램 벡터들을 합하여 이미지의 디스크립터를 생성한다(S40).
이미지의 디스크립터는 모든 관심점의 히스토그램 벡터를 합하여 구성된다. 바람직하게는, 관심점의 색변화(variation)도 상기 디스크립터에 부가된다. 앞서의 예에서, 결국 7개의 수준과 17개의 분할영역에 의해, 디스크립터에 대해 총 120(7*17+1=120)개의 차원을 가져온다.
이상, 본 발명자에 의해서 이루어진 발명을 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
본 발명은 디지털 이미지에 웨이블릿 변환과 박스 필터를 적용하여 관심점(interest point)들을 검출하고, 상기 관심점을 중심으로 한 색변화(variation)를 이용하여 상기 디지털 이미지의 디스크립터(descriptor)를 생성하는 국부적 색변화 기반 관심점 검출과 디스크립터 생성 장치를 개발하는 데 적용이 가능하다.

Claims (25)

  1. 디지털 이미지에서 관심점(interest point)들을 검출하고, 상기 관심점들에 대한 디스크립터(descriptor)를 생성하는 국부적 색변화 기반 디스크립터 생성 방법에 있어서,
    (a) 상기 디지털 이미지를 웨이블릿 변환하여 얻은 고주파 이미지로부터 박스 필터를 적용하여 스케일 공간을 형성하고, 상기 스케일 공간의 스무딩 이미지들로부터 관심점을 추출하는 단계;
    (b) 상기 관심점을 중심으로 색변화(variation)가 가장 큰 방향을 상기 관심점의 방위(orientation)로 구하는 단계;
    (c) 관심점을 중심으로 하고 미리 정해진 반경을 가지는 원형 영역(이하 관심 영역)을 반경 및 방향으로 분할하여 분할된 영역(이하 분할 영역)을 구하고, 상기 관심 영역의 각 픽셀에 대하여 상기 픽셀이 가지는 색변화 수준과 상기 픽셀이 속하는 분할 영역으로 구분되는 히스토그램을 구하여, 상기 관심점의 히스토그램 벡터를 생성하는 단계; 및,
    (d) 상기 관심점의 히스토그램 벡터들을 합하여 상기 이미지의 디스크립터를 생성하는 단계를 포함하는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  2. 제1항에 있어서,
    상기 고주파 이미지는 웨이블릿 변환을 통해 얻은 서브 이미지 LH, HL, 및, HH를 합한 이미지인 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  3. 제2항에 있어서,
    상기 서브 이미지 LH, HL, 및, HH의 동일한 위치의 픽셀값들을 합산하여, 상기 고주파 이미지의 픽셀값을 구하는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  4. 제1항에 있어서,
    상기 웨이블릿 변환은 Haar 웨이블릿 변환인 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  5. 제1항에 있어서,
    상기 (a)단계에서, 상기 고주파 이미지를 적분 이미지(integral image)로 변환한 후, 상기 박스 필터를 적용하는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  6. 제1항에 있어서,
    상기 (a)단계에서, 상기 박스 필터의 크기를 순차적으로 증가시키면서 상기 고주파 이미지에 적용하여, 스케일이 증가하는 일련의 스무딩 이미지를 생성하고, 상기 일련의 스무딩 이미지로 상기 스케일 공간을 형성하는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  7. 제1항에 있어서,
    상기 관심점은 상기 스무딩 이미지의 포인트 중 하나(이하 대상 포인트)에 대응되는 포인트로서, 상기 대상 포인트와 이웃하는 상기 스케일 공간 상의 포인트들과 비교하여 최대값 또는 최소값을 갖는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  8. 제1항에 있어서,
    상기 (a)단계에서, 웨이블릿 변환을 통해 얻은 저주파 이미지에 웨이블릿 변환을 반복 적용하여 각 옥타브의 고주파 이미지를 구하고, 각 옥타브의 고주파 이미지로부터 해당 옥타브의 스케일 공간을 생성하여 해당 스케일 공간에서의 관심점을 구하는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  9. 제1항에 있어서,
    상기 (b)단계에서, 상기 관심점을 중심점으로 하는 영역을 각도에 따라 섹터로 분할하여, 가장 큰 색변화(variation)를 갖는 섹터의 방향을 상기 관심점의 방위(orientation)로 정하는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  10. 제9항에 있어서,
    상기 영역은 원형이고, 상기 섹터는 동일한 각도에 의해 분할되는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  11. 제1항에 있어서,
    상기 색변화 수준은 색변화(variation) 분포를 균일한 면적으로 분할하여 얻은 색변화의 구간으로 구분되되, 상기 색변화 분포는 샘플링된 다수의 디지털 이미지에서 추출한 관심점의 색변화(variation)로부터 구한 분포인 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  12. 제1항에 있어서,
    상기 (c)단계에서, 상기 분할 영역의 크기가 동일하도록 영역을 분할하는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  13. 제1항에 있어서,
    상기 (c)단계에서, 상기 관심점을 중심으로 한 영역은 원형 영역인 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  14. 제1항에 있어서,
    상기 (c)단계에서, 상기 관심점을 중심으로 한 영역은 상기 관심점의 방위(orientation)의 방향으로 회전되는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  15. 제1항에 있어서,
    상기 (c)단계에서, 상기 관심점을 포함하는 분할 영역은 방향으로 분할되지 않는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  16. 제1항에 있어서,
    상기 관심점의 히스토그램 벡터는 색변화 수준 및 분할 영역에 의해 구분되는 히스토그램으로 구성되는 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  17. 제16항에 있어서,
    상기 이미지의 디스크립터는 모든 관심점의 히스토그램 벡터와 색변화(variation)를 합한 벡터인 것을 특징으로 하는 국부적 색변화 기반 디스크립터 생성 방법.
  18. 제1항 내지 제17항 중 어느 한 항의 국부적 색변화 기반 디스크립터 생성 방법을 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  19. 웨이블릿 변환 및 박스 필터를 이용하여 디지털 이미지로부터 색변화(variation)를 구하고, 상기 색변화에 의하여 디지털 이미지의 관심점(keypoint)들을 검출하는 국부적 색변화 기반 관심점 검출 방법에 있어서,
    (a1) 상기 디지털 이미지를 웨이블릿 변환하여 고주파 이미지를 구하는 단계;
    (a2) 상기 고주파 이미지에 박스 필터를 적용하여, 스무딩 이미지로 구성되는 스케일 공간을 형성하는 단계;
    (a3) 상기 스케일 공간에서의 극점(extrema)을 관심점으로 검출하는 단계;
    (a4) 웨이블릿 변환을 통해 얻은 저주파 이미지에 웨이블릿 변환을 반복 적용하여 각 옥타브의 고주파 이미지를 구하는 단계; 및,
    (a5) 각 옥타브의 고주파 이미지에 대하여, 상기 (a2)단계 및 (a3)단계를 반복하여, 해당 옥타브의 스케일 공간을 생성하여 해당 스케일 공간에서의 관심점을 구하는 단계를 포함하는 것을 특징으로 하는 국부적 색변화 기반 관심점 검출 방법.
  20. 제19항에 있어서,
    상기 (a1)단계에서, 웨이블릿 변환을 통해 얻은 서브 이미지 LH, HL, 및, HH를 합하여, 상기 고주파 이미지를 구하는 것을 특징으로 하는 국부적 색변화 기반 관심점 검출 방법.
  21. 제19항에 있어서,
    상기 (a2)단계에서, 상기 박스 필터의 크기를 순차적으로 증가시키면서 상기 고주파 이미지에 적용하여, 스케일이 증가하는 일련의 스무딩 이미지를 생성하고, 상기 일련의 스무딩 이미지로 상기 스케일 공간을 형성하는 것을 특징으로 하는 국부적 색변화 기반 관심점 검출 방법.
  22. 제19항에 있어서,
    상기 (a3)단계에서, 상기 스무딩 이미지의 각 포인트(이하 대상 포인트)에 대하여, 상기 대상 포인트의 값을 상기 대상 포인트와 이웃하는 상기 스케일 공간 상의 포인트들의 값들과 비교하여 최대값이면, 상기 대상 포인트를 관심점으로 검출하는 것을 특징으로 하는 국부적 색변화 기반 관심점 검출 방법.
  23. 삭제
  24. 제19항에 있어서,
    상기 (a2)단계에서, 상기 고주파 이미지를 적분 이미지(integral image)로 변환한 후, 상기 박스 필터를 적용하는 것을 특징으로 하는 국부적 색변화 기반 관심점 검출 방법.
  25. 제19항 내지 제22항, 제24항 중 어느 한 항의 국부적 색변화 기반 관심점 검출 방법을 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020110023930A 2011-03-17 2011-03-17 이미지 검색을 위한 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체 KR101166722B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110023930A KR101166722B1 (ko) 2011-03-17 2011-03-17 이미지 검색을 위한 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110023930A KR101166722B1 (ko) 2011-03-17 2011-03-17 이미지 검색을 위한 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체

Publications (1)

Publication Number Publication Date
KR101166722B1 true KR101166722B1 (ko) 2012-07-19

Family

ID=46717053

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110023930A KR101166722B1 (ko) 2011-03-17 2011-03-17 이미지 검색을 위한 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체

Country Status (1)

Country Link
KR (1) KR101166722B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014175481A1 (ko) * 2013-04-24 2014-10-30 전자부품연구원 서술자 생성 방법 및 이를 구현하는 하드웨어 장치
KR20160001896A (ko) 2014-06-27 2016-01-07 서강대학교산학협력단 스케일 공간 고차 미분을 이용한 특징점 추출 방법 및 이를 이용한 이미지 검색 방법
KR20160054151A (ko) 2014-11-05 2016-05-16 한밭대학교 산학협력단 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100874382B1 (ko) 2007-07-09 2008-12-18 중앙대학교 산학협력단 생체정보를 이용한 워터마크 삽입 및 추출 장치, 그리고 그방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100874382B1 (ko) 2007-07-09 2008-12-18 중앙대학교 산학협력단 생체정보를 이용한 워터마크 삽입 및 추출 장치, 그리고 그방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014175481A1 (ko) * 2013-04-24 2014-10-30 전자부품연구원 서술자 생성 방법 및 이를 구현하는 하드웨어 장치
KR20160001896A (ko) 2014-06-27 2016-01-07 서강대학교산학협력단 스케일 공간 고차 미분을 이용한 특징점 추출 방법 및 이를 이용한 이미지 검색 방법
KR20160054151A (ko) 2014-11-05 2016-05-16 한밭대학교 산학협력단 웨이블릿 변환에서 마스크 필터링을 이용한 얼룩 결함 자동 검출 시스템 및 방법

Similar Documents

Publication Publication Date Title
Huang et al. Copy-move forgery detection for image forensics using the superpixel segmentation and the Helmert transformation
KR101617681B1 (ko) 히스토그램들을 갖는 다중 층 연결 요소들을 사용하는 텍스트 검출
US9619733B2 (en) Method for generating a hierarchical structured pattern based descriptor and method and device for recognizing object using the same
CN102713938B (zh) 用于均匀和非均匀照明变化中的改善的特征检测的尺度空间正规化技术
JP5703312B2 (ja) 特徴点の効率的なスケールスペース抽出及び記述
JP2014056572A (ja) 勾配方位のヒストグラムによるテンプレート・マッチング
CN106650580B (zh) 基于图像处理的货架快速清点方法
KR101182683B1 (ko) 시각적 형상 디스크립터 생성 방법 및 그 기록매체
KR101166722B1 (ko) 이미지 검색을 위한 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체
Gao et al. Attention model based sift keypoints filtration for image retrieval
Fan et al. Color-SURF: A surf descriptor with local kernel color histograms
Bosilj et al. Beyond MSER: Maximally stable regions using tree of shapes
Agarwal et al. A comparative study of SIFT and SURF algorithms under different object and background conditions
Rathi et al. Copy move forgery detection by using integration of SLIC and SIFT
JP5986681B2 (ja) モデルの形状記述子を生成する方法及び装置
CN104156696B (zh) 基于双方向图的快速局部不变特征描述子的构造方法
Peng et al. Robust feature detection based on local variation for image retrieval
Li et al. Reliable and fast mapping of keypoints on large-size remote sensing images by use of multiresolution and global information
Guan et al. Robust Image Matching with Line Context.
Gbash et al. Scale-invariant feature transform algorithm with fast approximate nearest neighbor
Hong et al. A scale and rotational invariant key-point detector based on sparse coding
Lakemond et al. A feature clustering algorithm for scale-space analysis of image structures
Isnanto et al. Determination of the optimal threshold value and number of keypoints in scale invariant feature transform-based copy-move forgery detection
Zhang et al. RGB-D saliency detection with multi-feature-fused optimization
WO2018033699A1 (en) Method of line detection

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20150626

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160602

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20170626

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20181029

Year of fee payment: 7