KR101241983B1 - 정렬된 주변화소 차에 기반한 회전불변 질감 특성 추출 방법 - Google Patents

정렬된 주변화소 차에 기반한 회전불변 질감 특성 추출 방법 Download PDF

Info

Publication number
KR101241983B1
KR101241983B1 KR1020110121054A KR20110121054A KR101241983B1 KR 101241983 B1 KR101241983 B1 KR 101241983B1 KR 1020110121054 A KR1020110121054 A KR 1020110121054A KR 20110121054 A KR20110121054 A KR 20110121054A KR 101241983 B1 KR101241983 B1 KR 101241983B1
Authority
KR
South Korea
Prior art keywords
texture
series
value
pixels
difference
Prior art date
Application number
KR1020110121054A
Other languages
English (en)
Inventor
김덕환
이석룡
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 KR1020110121054A priority Critical patent/KR101241983B1/ko
Application granted granted Critical
Publication of KR101241983B1 publication Critical patent/KR101241983B1/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

Abstract

디지털 이미지에서 이미지의 질감에 대한 특징(이하 질감특성)을 추출하되, 질감특성은 정렬된 주변화소의 차를 이용하여 이미지의 회전에 따라 변하지 않는 특성인, 회전불변 질감특성 추출 방법에 관한 것으로서, ((a) 디지털 이미지의 M×M 픽셀블록(M은 2 이상의 자연수)에서 원형 주변 픽셀을 픽셀값의 크기에 따라 정렬하는 단계; (b) 정렬된 일련의 픽셀들에 대하여, 인접한 픽셀들의 차이 값을 계산하여 일련의 차이값을 생성하는 단계; (c) 문턱값을 이용하여 일련의 차이 값들을 일련의 비트부호로 변환하는 단계; 및, (d) 일련의 비트부호를 십진값으로 변환하여 질감특성값(SND)을 생성하는 단계를 포함하는 구성을 마련한다.
상기와 같은 회전불변 질감특성 추출 방법에 의하여 구한 질감특성값(SND)를 이용하여, 디지털 이미지의 회전에도 불구하고 전체 질감 분류의 정확도를 높일 수 있고, 질감과 코인(coin) 분류 정확도 역시 다양한 회전각도와 조명 수준에서 일관성을 가질 수 있다.

Description

정렬된 주변화소 차에 기반한 회전불변 질감 특성 추출 방법{ A rotation invariant texture feature extraction method based on sorted neighborhood differences }
본 발명은 디지털 이미지에서 상기 이미지의 질감에 대한 특징(이하 질감특성)을 추출하되, 상기 질감특성은 정렬된 주변화소의 차를 이용하여 이미지의 회전에 따라 변하지 않는 특성인, 회전불변 질감특성 추출 방법에 관한 것이다.
일반적으로, 질감은 주변 픽셀 사이의 밝기의 국부적인 변화의 거칠고 통계적인 특징들을 표현하고, 물체 인식, 의료영상 분석, 목표물 검출, 및 원격 감지 등의 수많은 응용분야에서 중요한 역할을 한다. 형상과 색상 특징들은 몇몇 경우에는 인식을 위해 물체를 기술하기에는 부적합하다.
물체의 정보를 증가하기 위하여, 수많은 문헌들은 물체를 표현할 때 질감 특징을 포함한다. 그러나 물체는 움직임이나 변위(위치) 때문에 임의대로 회전될 수 있다. 회전에 민감한 질감 기술어(texture descriptor)를 이용하여 이러한 물체를 기술하는 것은 잘못된 분류와 잘못된 검출을 야기할 수 있다. 이러한 문제를 해결하는 방법 중 하나는 이러한 변화에 불변하는 질감 기술어(texture descriptor)를 적용하는 것이다.
초기 회전 불변 질감 기술어 중 하나는 국부적인 이웃의 자동-상관관계와 동반 변화(covariation)와 같은 국부적인 통계정보를 사용하여 생성되었다. Haley와 Manjunath는 질감의 마이크로 모델을 추출하기 위해 2D Gabor 잔물결의 극좌표 분석형태를 사용하였다. Gabor 필터는 중복성(redundancy)을 줄이고 다중 스케일(multiscale) 접근법을 포함함으로써 개선되었다. 그러나 Gabor 필터에 기반한 질감 기술어는 그 복잡성 때문에 고도의 계산이 요구된다.
Ojala 등은 국소 이진 패턴(local binary patterns; LBS)에 기반한 회전 불면 질감 기술어(LBPriu)를 개발하였다. 최근에, T. Ahonen는 국부 이진 패턴 히스토그램 푸리에(Local Binary Pattern Histogram Fourier: LBP-HF) 특징으로 불리는 LBP 히스토그램의 불연속 푸리에 변환으로부터 계산된 회전 불변 영상 기술어를 제안하였다.
LBPriu와 LBP-HF 모두는 국부적인 이웃의 이진 패턴을 사용하는 질감을 국부적으로 분석함으로써 질감의 텍스톤을 기술하기 때문에 결과적으로 질감을 분류할 수 있는 가능성을 보여주었다. LBP에 기반한 질감 기술어가 잔물결 변환과 같은 고도의 계산을 필요로 하지 않는다. 그러나 다양한 회전 각도로 질감을 분류하는 성능은 3×3과 5×5와 같은 작은 윈도우를 가지는 LBP에서 특히 일관성이 없다. 어떤 각도에서, 분류의 정확도는 높지만 어떤 각도에서는 분류 정확도가 낮다. 이러한 분류 정확도의 불일관성은 결과적으로 불안정한 물체 인식을 야기할 수 있다.
따라서 다양한 회전 각도로 질감을 분류할 수 있고, 3×3과 5×5와 같은 작은 윈도우에서도 일관성을 가질 수 있는 질감 기술어(texture descriptor)가 필요하다.
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 디지털 이미지에서 상기 이미지의 질감에 대한 특징(이하 질감특성)을 추출하되, 상기 질감특성은 정렬된 주변화소의 차를 이용하여 이미지의 회전에 따라 변하지 않는 특성인, 회전불변 질감특성 추출 방법을 제공하는 것이다.
또한, 본 발명의 목적은 정렬된 주변 화소 차(Sorted Neighborhood Difference (SND))로 불리는 정렬된 이웃에 기반한 일관된 회전 불변 질감 기술어를 제시하는 회전불변 질감특성 추출 방법을 제공하는 것이다.
이때, 정렬된 주변 화소 차(Sorted Neighborhood Difference, SND)로 불리는 정렬된 이웃에 기반한 일관된 회전 불변 질감 기술어를 제시한다. SND는 주변 화소들을 정렬함으로써 국부적인 이웃의 회전 의존성을 제거하는 단순한 솔루션을 실현한다.
이에 따라, 정렬된 이웃들 사이의 차이 값은 그 중간값과 평균값들(mean values)의 평균에 대한 문턱값(threshold)이다. 이는 그 십진값이 질감을 기술하는데 사용되는 이진 부호워드(codeword)를 낳는다.
상기 목적을 달성하기 위해 본 발명은 디지털 이미지에서 상기 이미지의 질감에 대한 특징(이하 질감특성)을 추출하는 회전불변 질감특성 추출 방법에 관한 것으로서, (a) 상기 디지털 이미지의 M×M 픽셀블록(M은 2 이상의 자연수)에서 원형 주변 픽셀을 픽셀값의 크기에 따라 정렬하는 단계; (b) 정렬된 일련의 픽셀들에 대하여, 인접한 픽셀들의 차이 값을 계산하여 일련의 차이값을 생성하는 단계; (c) 문턱값을 이용하여 상기 일련의 차이 값들을 일련의 비트부호로 변환하는 단계; 및, (d) 상기 일련의 비트부호를 십진값으로 변환하여 질감특성값(SND)을 생성하는 단계를 포함하는 것을 특징으로 한다.
또, 본 발명은 회전불변 질감특성 추출 방법에 있어서, 상기 (a)단계에서, 상기 픽셀은 픽셀값을 내림차순에 의해 정렬되는 것을 특징으로 한다.
또, 본 발명은 회전불변 질감특성 추출 방법에 있어서, 상기 문턱값은 상기 일련의 차이값들의 중간값, 평균값, 평균값과 중간값의 평균값, 평균값과 중간값들의 벡터 중 어느 하나에 의해 계산되는 것을 특징으로 한다.
또, 본 발명은 회전불변 질감특성 추출 방법에 있어서, 상기 (c)단계에서, 차이값 d(x)에 대한 부호비트 p(x)는 [수식 1]에 의해 변환되는 것을 특징으로 한다.
[수식 1]
Figure 112011091485283-pat00001
단, Td는 문턱값이고, N은 원형 주변 픽셀의 수임.
또, 본 발명은 회전불변 질감특성 추출 방법에 있어서, 상기 (c)단계에서, 상기 문턱값 Td는 [수식 2]에 의해 구해하는 것을 특징으로 한다.
[수식 2]
Figure 112011091485283-pat00002
단, 여기서, ds(n)은 d(n)이 오름차순으로 정렬된 값들이고, C는 일련의 차이값들의 개수임.
또, 본 발명은 회전불변 질감특성 추출 방법에 있어서, 상기 질감특성값 SND는 [수식 3]에 의해 구해하는 것을 특징으로 한다.
[수식 3]
Figure 112011091485283-pat00003
또, 본 발명은 회전불변 질감특성 추출 방법에 있어서, 상기 방법은, (e) 상기 질감특성값(SND)의 히스토그램을 구성하여 질감벡터를 구성하는 단계를 더 포함하는 것을 특징으로 한다.
또, 본 발명은 회전불변 질감특성 추출 방법에 있어서, 상기 M은 3 또는 5인 것을 특징으로 한다.
또한, 본 발명은 상기 회전불변 질감특성 추출 방법을 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다.
상술한 바와 같이, 본 발명에 따른 회전불변 질감특성 추출 방법에 의하면, 디지털 이미지의 회전에도 불구하고 전체 질감 분류의 정확도를 높일 수 있고, 질감과 코인(coin) 분류 정확도 역시 다양한 회전각도와 조명 수준에서 일관성을 가질 수 있는 효과가 얻어진다.
또한, 본 발명에 따른 회전불변 질감특성 추출 방법에 의하면, 주변화소 차를 구하고 이를 정렬함으로써, 정렬 작업의 결과가 픽셀의 강도에 좌우되지 않으므로 단조로운 그레이 스케일에 대하여 불변이고, SND를 단순하게 구현할 수 있으므로 계산의 복잡성이 낮아지고 많은 어플리케이션에서 실행하기에 매우 효율적일 수 있는 효과가 얻어진다.
도 1은 본 발명을 실시하기 위한 전체 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 일실시예에 따라 회전불변 질감특성 추출 방법을 설명하는 흐름도이다.
도 3은 국부적인 원형 이웃에 대한 회전의 효과를 표시한 것이다.
도 4는 본 발명의 일실시예에 따른 주변픽셀을 정렬하는 일례를 도시한 것이다.
도 5는 본 발명의 일실시예에 따른 차이값 및 부호비트를 구하는 일례이다.
도 6은 본 발명의 일실시예에 따른 질감벡터의 일례이다.
도 7은 본 발명의 일실시예에 따른 다양한 문턱값의 항으로 나타낸 엔트로피와 분류 정확도에 관한 표이다.
도 8은 본 발명의 일실시예에 따른 3×3 SND와 5×5 SND에 대하여 사용되는 주변 픽셀을 도시한 것이다.
도 9는 본 발명의 일실시예에 따라 3×3 이웃을 이용하는 경우의 분류 정확도를 도시한 것이다.
도 10은 본 발명의 일실시예에 따라 5×5 이웃을 이용하는 경우의 분류 정확도를 도시한 것이다.
도 11은 본 발명과 종래기술에 따른 다른 각도의 항에서의 표준편차에 대한 비교표이다.
도 12는 본 발명과 종래기술에 따른 다른 각도의 항에서의 분류 정확도의 평균에 대한 비교표이다.
도 13은 본 발명과 종래기술에 따른 시간 소모 결과에 대한 비교표이다.
도 14는 본 발명의 일실시예에 따른 코인 영상의 파티션을 도시한 것이다.
도 15는 본 발명과 종래기술에 따른 코인 분류 정확도에 대한 비교표이다.
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 회전불변 질감특성 추출 방법은 디지털 이미지(또는 영상)(10)를 입력받아 상기 이미지(또는 영상)에 대한 질감특성값(SND)을 계산하는 컴퓨터 단말(20) 상의 프로그램 시스템으로 실시될 수 있다. 즉, 회전불변 질감특성 추출 방법은 프로그램으로 구성되어 컴퓨터 단말(20)에 설치되어 실행될 수 있다. 컴퓨터 단말(20)에 설치된 프로그램은 하나의 프로그램 시스템(30)과 같이 동작할 수 있다.
한편, 다른 실시예로서, 회전불변 질감특성 추출 방법은 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 회전불변 질감특성 추출 장치라 부르기로 한다. 그 외 가능한 다른 형태도 실시될 수 있다.
다음으로, 본 발명의 일실시예에 따른 회전불변 질감특성 추출 방법을 도 2를 참조하여 설명한다.
도 2에서 보는 바와 같이, 본 발명의 일실시예에 따른 회전불변 질감특성 추출 방법은 (a) 디지털 이미지의 픽셀블록에서 원형주변 픽셀을 정렬하는 단계(S10); (b) 정렬된 픽셀로부터 일련의 차이값을 계산하는 단계(S20); (c) 일련의 차이값으로부터 일련의 비트부호로 변환하는 단계(S30); 및, (d) 일련의 비트부호를 질감특성값(SND)을 생성하는 단계(S40)로 구성된다. 추가적으로, 질감특성값(SND)의 히스토그램을 구성하여 질감벡터를 구성한다(S50).
질감 특징의 회전 의존성의 원인 중 하나는 국부적인 이웃에서 픽셀 시퀀스에 대한 특징의 의존성에 의해 야기된다. 도 3에서 보는 바와 같이, 회전된 영상은 회전된 국부적인 원형 이웃들로 나타날 것이다. 이때, 상기 국부적인 이웃들의 주변 픽셀들은 원형으로 이동된다. 만일 질감 특징이 픽셀들의 시퀀스에 의존한다면, 질감 특징은 영상이 회전할 때 변할 것이다. 예를 들어, 도 3(a)의 픽셀들의 시퀀스는 적색 원에서 시작되어 0-4-7-3-6-5-1-2이나, 도 3(a)를 회전한 도 3(b)의 픽셀들의 시퀀스는 2-0-4-7-3-6-5-1이다.
주변 픽셀들을 정렬(S10)함으로써 이러한 회전 의존성을 제거할 수 있다. 주변 픽셀들을 정렬한 후에, 결과적인 국부적인 이웃 픽셀들은 영상이 회전하던 하지 않던 같은 것이다.
그러나 픽셀들을 정렬한 후, 픽셀들은 내림차순이나 오름차순이기 때문에 배타적인 정보를 추출하는 것이 어렵다. 추출할 수 있는 유용한 정보 중 하나는 정렬된 픽셀들 사이의 차이 값이다(S20). 정렬된 픽셀값이 항상 순서대로라 하더라도, 그 차이 값들은 예상할 수 없을 뿐더라 영상의 질감에 의존하게 된다. 이러한 정보는 질감 영상을 기술하는 유용한 특징이 될 수 있다. 이 차이 값의 식별력을 증가시키기 위하여, 이 값들은 이진 패턴으로 변환된다(S30).
이진 패턴을 십진값으로 변환함으로써 질감특성값(SND)을 추출한다(S40).
픽셀에 대한 3×3 SND의 하나의 실시예로 정하여, 보다 상세한 과정을 설명한다. 먼저, 디지털 이미지의 M×M 픽셀블록(또는 픽셀 윈도우)에서 원형 주변 픽셀을 픽셀값의 크기에 따라 정렬한다(S10). 이때, M은 2 이상의 자연수이다. 바람직하게는, 상기 픽셀은 픽셀값을 내림차순에 의해 정렬된다.
도 4에서 보는 바와 같이, 3×3 원형 이웃 내의 8개의 주변 픽셀들은 내림차순으로 정렬되어 회전 의존성을 제거한다. 도 4a는 디지털 이미지(또는 영상)의 3×3 픽셀(픽셀 블록, 픽셀 윈도우)을 표시한 것이고, 도 4b는 상기 3×3 픽셀블록에서 이웃 내의 8개 주변 픽셀들을 표시한 것이다. 도 4c는 도 4b의 픽셀블록의 주변 픽셀을 정렬한 것으로 도시한 것이다.
다음으로, 정렬된 일련의 픽셀들에 대하여, 인접한 픽셀들의 차이 값을 계산하여 일련의 차이값을 생성한다(S20). 즉, 정렬된 픽셀들의 차이 값들은 다음의 [수학식 1]을 이용하여 계산된다.
[수학식 1]
Figure 112011091485283-pat00004
여기서, s(1), s(2), ..., s(8)은 오름차순으로 정렬된 원형 주변 픽셀들이고 N은 3×3의 경우일 때 8이 되는 수 또는 이웃들이다. 도 5a에서 s(1), s(2), ..., s(8)에서 주변 픽셀의 차 d(n)을 구하는 것을 도시하고 있다.
다음으로, 문턱값을 이용하여 상기 일련의 차이 값들을 일련의 비트부호로 변환한다(S30). 이때, 문턱값은 상기 일련의 차이값들의 중간값, 평균값, 평균값과 중간값의 평균값, 평균값과 중간값들의 벡터 중 어느 하나에 의해 계산된다.
이진 패턴을 생성하기 위하여, d(n)은 이진 부호워드(codeword)로 제한될 필요가 있다. 4개의 다른 문턱 값들, 즉 중간 값, 평균값(mean), 평균값(mean)과 중간값의 평균값(average), 및 평균값(mean)과 중간값들의 벡터가 계산된다. 이러한 문턱값들은 결과 히스토그램의 엔트로피를 계산하고 OUTEX_TC_0000 시험 수트를 이용하여 질감 분류를 실행함으로써 평가된다. 분류는 3개의 가장 가까운 분류기를 이용하여 맨하튼 거리 측정법으로 시행되었다. 이러한 평가의 결과는 도 7에 표시되었다. 평균값과 중간값의 평균값이 가장 높은 엔트로피와 분류 정확도를 달성하였으므로, 문턱값으로 선택된다. 7비트의 부호워드는 다음의 수식을 이용하여 계산될 수 있다.
[수학식 2]
Figure 112011091485283-pat00005
단, N은 원형 주변 픽셀의 수이다.
Td는 문턱값이다. 바람직하게는, Td는 중간값과 d(n) 값들의 평균값의 평균이고 다음의 수식을 이용하여 계산된다.
[수학식 3]
Figure 112011091485283-pat00006
여기서, ds(n)은 d(n)이 오름차순으로 정렬된 값들이다.
또한, C는 일련의 차이값들의 개수이다. 특히, C는 3×3 이웃 경우에 대해 7이 되는 d(n)에서의 요소들(elements)의 수이다.
도 5b에 7비트 코드로 형성한 일례를 도시하고 있다.
다음으로, 상기 일련의 비트부호를 십진값으로 변환하여 질감특성값(SND)을 생성한다(S40).
이제 이진 코드 p(x)는 국부적인 질감을 기술하고 다음의 수식을 이용하여 계산될 수 있는 유일한 SND를 형성하기 위하여 십진 값으로 변환된다.
[수학식 4]
Figure 112011091485283-pat00007
여기서, N은 3×3 국부 이웃들 내의 이웃들의 수이다.
마지막으로, 상기 질감특성값(SND)의 히스토그램을 구성하여 질감벡터를 구성한다(S50). 즉, SND 값의 N-1 차원 히스토그램이 구성되고 회전 불변 질감 정보를 기술하는 질감 벡터로서 사용된다. 질감벡터의 일례는 도 6과 같다.
다음으로, 본 발명의 일실시예에 따라 픽셀블록(픽셀 윈도우)을 3×3과 5×5로 정하는 경우에 대하여 도 8을 참조하여 보다 구체적으로 설명한다.
5×5 이웃상의 SND를 생성하는 과정도 설계할 수 있다. 5×5 이웃에 대하여, 이웃의 주변 픽셀들로부터 12개의 픽셀들을 보간한다. 도 8은 3×3과 5×5 이웃들로부터 보간된 픽셀들을 보여준다. 결과적인 이진 코드는 11 비트의 부호워드가 될 것이다. 넓은 범위의 SND 수가 11 비트의 부호워드에 의해 생성되기 때문에, 우리는 SND 수의 분포를 256 빈스(bins) 히스토그램으로 양자화하고 이를 5×5 이웃 SND의 특징 벡터로서 사용한다.
SND는 주변의 픽셀 시퀀스에 대한 국부적인 이웃의 의존성을 제거하는 단순한 접근법을 실현한다. SND는 잔물결과 Gabor 필터와 LBP-HF에 적용된 푸리에 변환과 같은 복잡한 영상 변환을 사용하지 않는다. LBPriu와 비교하면, SND는 그 구조에 있어서 일정한(uniform) 패턴을 활용하지 않는다. SND의 접근법이 종래의 회전 불변 질감 기술어보다 단순하지만 질감 분류에서는 일관되고 효율적으로 수행된다.
다음으로, 본 발명에 따른 회전불변 질감특성 추출 방법의 효과를 도 9 내지 도 12를 참조하여 보다 구체적으로 설명한다.
본 발명의 효과를 알아보기 위하여, 다음과 같이 실험을 통해 종래기술과 비교하여 본다.
실험을 위하여, SND의 분류 정확도는 다양한 회전의 항으로 측정된다. SND의 성능은 각각 3×3과 5×5 이웃들을 사용하여 LBPriu와 LBP-HF와 비교된다. 3×3 이웃에 대하여, 모든 방법들이 8개의 주변 픽셀들을 사용하는 반면 5×5 이웃에 대하여는 LBPriu와 LBP-HF는 16개의 주변 픽셀들을 사용하고 SND는 12개의 주변 픽셀들을 사용한다. OUTEX_TC_0010 시험 수트는 질감 분류에 사용된다. OUTEX_TC_0010 시험 수트는 4,320개의 방향성 질감 영상들을 포괄하고 24개의 종류(class)로 분류된다. 각 종류는 20개의 영상(128×128 픽셀)을 9개의 회전 각도(0, 5, 10, 15, 30, 25, 60, 75, 90도) 그룹화함으로써 180개의 비중첩 영상을 포함한다. 0도의 회전 각도를 가지는 그룹은 훈련을 위해 사용되고 나머지 영상들은 시험을 위해 사용된다. 3개의 가장 가까운 이웃(3-NN) 분류기는 특징 벡터들 사이의 거리가 맨하튼 거리를 이용하여 측정되는 질감 분류에 사용된다. k-NN 분류기는, 질감 분류에 성공적으로 활용되었기 때문에, 이 실험에 사용된다. 이때, 분류 정확도는 다음의 수식을 사용하여 계산될 수 있다.
[수학식 5]
Figure 112011091485283-pat00008
다른 회전 각도를 가지는 분류 정확도의 일관성은 모든 정확도의 표준 편차(SD)를 사용하여 측정될 수 있으며 다음의 수식을 이용하여 계산될 수 있다.
[수학식 6]
Figure 112011091485283-pat00009
여기서, α(i)는 N 수준에서의 분류 정확도, 예를 들면, 회전 각도이고, μ는 평균 정확도이다.
SD가 작으면 작을수록, 여러 회전 각도에서의 정확도의 일관성은 크다. 이웃의 크기의 중요성을 관측하기 위하여, t-시험(t-test)도 계산된다. 3×3과 5×5 이웃을 사용하는 다양한 회전 각도에 따른 상세한 분류 정확도 결과는 도 9와 도 10에 도시되었다. 처음에 분류 정확도의 모든 것이 높은 것을 관측할 수 있다. 회전각도가 한 번 커지면, 분류 정확도는 천천히 낮아지기 시작한다. 그러나, SND의 분류 정확도가 낮아짐은 3×3과 5×5 이웃의 경우 모두에 대하여 LBPriu와 LBP-HF 만큼 심각하지 않다는 것을 알 수 있다. 45도에서 원형 이웃들의 대강의 양자화는 회전하지 않은 원형 이웃에 대하여 낮은 생성을 야기함으로써 분류 정확도를 낮추게 된다. 이러한 문제는 큰 국부적인 이웃을 사용하여 해결될 수 있다. 그 결과로부터, 우리는 큰 윈도우가 분류 정확도에 영향을 준다는 것을 알 수 있다.큰 사이즈의 이웃은 분류 정확도(t = 0.3624, p<0.05)를 증가시킨다.
SND의 분류 정확도가 LBPriu와 LBP-HF와 비교할 때에도 일관성이 있음을 관측할 수 있다. 5×5 이웃의 경우, SND의 분류 정확도는 오직 적은 양으로 감소되고 회전 각도가 크게 되더라도 정확도를 유지한다. 다양한 회전 각도의 항으로 된 분류 정확도의 일관성은 도 11에 나열된 SD 값을 관측하여 측정될 수 있다. 결과는 다양한 회전 각도에 대한 SND의 정확도가 작은 평균 SD 4.2 때문에 일관성이 있는 반면 LBPriu와 LBP-HF의 정확도는 각각 큰 평균 SD인 9.18과 9.61 때문에 매우 일관성이 없음을 나타낸다.
3×3과 5×5 이웃을 사용하는 평균 분류 정확도는 도 12에 나타내었다. 각 회전 각도에서의 SND의 지속적인 성능 때문에, SND는 가장 높은 정확도를 달성한다. 20도보다 큰 회전 각도에 대하여, 분류 정확도는 회전이 20도보다 작을 때의 정확도와 비교하여 급격하게 감소되기 시작한다. 하지만, SND는 이러한 정확도의 감소를 최소화시킨다. 이는 SND가 회전된 질감을 분류함에 있어 순환적으로 강력하고 안정된 질감 기술어임을 나타낸다.
다른 실험이 다른 질감 기술어를 가지는 SND의 효율을 비교하기 위해 실시되었다. 실험은 MATLAB 부호(code)를 실행함으로써 2GB RAM을 이용하는 Intel Core 2 Duo 2.33 GHz에서 진행되었다. OUTEX_TC_0010 시험 수트에서 영상의 질감 특징을 추출하는데 소요된 시간이 계산되었다. 질감 추출은 100회에 걸쳐 시행되었고 그 평균은 도 13에 나타내었다. SND는 44.7s의 가장 짧은 분류 시간을 달성하였다. SND의 시간 소요는 정렬 알고리즘에 좌우된다. LBPriu에 의해 소모되는 시간의 대부분은 양자화와 일정한 패턴의 지정에 소모되고 반면 LBP-HF는 일정한 패턴의 히스토그램의 구축과 그 푸리에 변환에 시간의 대부분을 소모한다.
다음으로, 본 발명의 회전불변 질감특성 추출 방법을 응용하는 일례를 도 14 내지 도 15를 참조하여 보다 구체적으로 설명한다.
제안된 SND 방법의 단순한 응용에 대하여, CIS-벤치마크 데이터세트의 부분집합(subset)에서의 코인 분류에서 SND를 수행하였다. 코인은 임의적인 회전으로 나타날 것이고 분류 성능은 회전 불변 특징에 달려 있다. 이는 코인 분류가 물체 분류에서 SND 성능을 평가하는 완전한 채널이 되게 한다.
코인 세그멘테이션에서, 코인은 Otsu 쓰레스홀딩(thresholding)을 사용하는 이진 영상으로 변환된다. 개방과 확장(dilating)과 같은 형태론 장법을 사용함으로써, 노이즈와 불필요한 영역들은 제거된다. 그러면 Hough 변환을 사용함으로써 코인 영역이 위치된다. 대부분의 코인은 코인의 서술적인 정보를 줄이는 매우 낮은 명도(contrast)를 가진다. 명도를 개선하기 위하여, 명도 제한된 조정 히스토그램 등화(contrast limited adaptive histogram equalization; CLAHE)가 코인 영역에 적용된다.
각 코인에서 식별 질감을 추출하기 위하여, 우리는 코인을 도 14에 나타낸 반지름에 따라 겹치지 않는 5개의 하위 영역으로 나눈다. 각 하위 영역에 대하여, 질감 특징이 추출된다. 그러면, 각 하위 영역의 질감 특징은 하나의 긴 질감 벡터로 연속적으로 결합된다. 성능 평가를 위하여, 우리는 다른 회전과 조명에서의 420개의 코인 영상을 포괄하는 데이터 세트로부터 14개의 코인 유형을 무작위로 선정하였다. 코인은 2개의 그룹으로 나뉘었다. 첫 번째 그룹은 각 종류에 대하여 코인의 정면도와 반전상을 가지며 F-R 동일 그룹으로 명명된 종류(class) 마다 30개의 영상을 가지는 14개의 종류(class)를 포함한다. 두 번째 그룹은 다른 종류 속으로 코인의 정면과 반전상을 분리하고 F-R 다른 그룹으로 명명됨으로써 종류마다 15개의 영상을 가지는 28개의 종류를 포함한다.
SND의 코인 분류 성능을 LBPriu와 LBP-HF와 비교하였다. 코인 분류 성능을 비교하기 위하여 2중 상호 확인 스킴(2-fold cross-validation scheme)이 사용된다. 코인 분류는 부동 측정으로서 맨하튼 거리를 가지는 3-NN 분류기를 사용하여 수행되었다. F-R 동일 및 F-R 다른 그룹 모두는 사용하는 각 방법에 대한 평균 분류 정확도는 도 15에 나타내었다. F-R 동일 그룹에 대한 분류도 크기와 코인의 반대면(opposite views)의 질감 정보에 의해 영향을 받는 반면 F-R 다른 그룹에 대한 분류는 코인의 동일 면으로부터 얻은 정보에 전체적으로 영향을 받는다. 이 결과로부터 SND는 LBPriu와 LBP-HF와 비교할 때 가장 높은 분류 정확도를 달성한다. 이는 다양한 회전 각도에 대한 SND의 일관성 있는 성능 때문이다.
이상, 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
10 : 디지털 이미지 20 : 컴퓨터 단말
30 : 프로그램 시스템

Claims (9)

  1. 디지털 이미지에서 상기 이미지의 질감에 대한 특징(이하 질감특성)을 추출하는 회전불변 질감특성 추출 방법에 있어서,
    (a) 상기 디지털 이미지의 M×M 픽셀블록(M은 2 이상의 자연수)에서 원형 주변 픽셀을 픽셀값의 크기에 따라 정렬하는 단계;
    (b) 정렬된 일련의 픽셀들에 대하여, 인접한 픽셀들의 차이 값을 계산하여 일련의 차이값을 생성하는 단계;
    (c) 문턱값을 이용하여 상기 일련의 차이 값들을 일련의 비트부호로 변환하는 단계; 및,
    (d) 상기 일련의 비트부호를 십진값으로 변환하여 질감특성값(SND)을 계산하는 단계를 포함하는 것을 특징으로 하는 회전불변 질감특성 추출 방법.
  2. 제1항에 있어서,
    상기 (a)단계에서, 상기 픽셀은 픽셀값을 내림차순에 의해 정렬되는 것을 특징으로 하는 회전불변 질감특성 추출 방법.
  3. 제1항에 있어서,
    상기 문턱값은 상기 일련의 차이값들의 중간값, 상기 일련의 차이값들의 평균값(이하 제1 평균값), 상기 제1 평균값과 상기 중간값의 평균값(이하 제2 평균값) 중 어느 하나에 의해 계산되는 것을 특징으로 하는 회전불변 질감특성 추출 방법.
  4. 제1항에 있어서,
    상기 (c)단계에서, 차이값 d(x)에 대한 부호비트 p(x)는 [수식 1]에 의해 변환되는 것을 특징으로 하는 회전불변 질감특성 추출 방법.
    [수식 1]
    Figure 112011091485283-pat00010

    단, Td는 문턱값이고, N은 원형 주변 픽셀의 수임.
  5. 제4항에 있어서,
    상기 (c)단계에서, 상기 문턱값 Td는 [수식 2]에 의해 구해지는 것을 특징으로 하는 회전불변 질감특성 추출 방법.
    [수식 2]
    Figure 112013007985816-pat00011

    단, 여기서, ds(n)은 d(n)이 오름차순으로 정렬된 값들이고, C는 일련의 차이값들의 개수이고, N은 원형 주변 픽셀의 수이고, d(n)은 주변 픽셀의 차임.
  6. 제5항에 있어서,
    상기 질감특성값 SND는 [수식 3]에 의해 구해지는 것을 특징으로 하는 회전불변 질감특성 추출 방법.
    [수식 3]
    Figure 112013007985816-pat00012

    단, N은 원형 주변 픽셀의 수이고, p(k)는 주변 픽셀의 차 d(n)에 대한 이진 부호워드임.
  7. 제1항에 있어서, 상기 방법은,
    (e) 상기 질감특성값(SND)의 히스토그램을 구성하여 질감벡터를 구성하는 단계를 더 포함하는 것을 특징으로 하는 회전불변 질감특성 추출 방법.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서,
    상기 M은 3 또는 5인 것을 특징으로 하는 회전불변 질감특성 추출 방법.
  9. 제1항 내지 제7항 중 어느 한 항의 회전불변 질감특성 추출 방법을 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020110121054A 2011-11-18 2011-11-18 정렬된 주변화소 차에 기반한 회전불변 질감 특성 추출 방법 KR101241983B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110121054A KR101241983B1 (ko) 2011-11-18 2011-11-18 정렬된 주변화소 차에 기반한 회전불변 질감 특성 추출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110121054A KR101241983B1 (ko) 2011-11-18 2011-11-18 정렬된 주변화소 차에 기반한 회전불변 질감 특성 추출 방법

Publications (1)

Publication Number Publication Date
KR101241983B1 true KR101241983B1 (ko) 2013-03-11

Family

ID=48181585

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110121054A KR101241983B1 (ko) 2011-11-18 2011-11-18 정렬된 주변화소 차에 기반한 회전불변 질감 특성 추출 방법

Country Status (1)

Country Link
KR (1) KR101241983B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109302605A (zh) * 2018-10-26 2019-02-01 西安科锐盛创新科技有限公司 基于多核处理器的图像编码方法及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100355404B1 (ko) 1999-12-03 2002-10-11 삼성전자 주식회사 주파수 공간상에서의 가보 필터를 이용한 질감표현방법 및질감기반 영상 검색방법
KR20030005908A (ko) * 2001-07-10 2003-01-23 주식회사 오픈비주얼 영상의 객체 특징 추출과 이를 이용한 내용 기반 영상검색 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100355404B1 (ko) 1999-12-03 2002-10-11 삼성전자 주식회사 주파수 공간상에서의 가보 필터를 이용한 질감표현방법 및질감기반 영상 검색방법
KR20030005908A (ko) * 2001-07-10 2003-01-23 주식회사 오픈비주얼 영상의 객체 특징 추출과 이를 이용한 내용 기반 영상검색 장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
논문1:전자공학회 *
논문2:한국정보과학회 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109302605A (zh) * 2018-10-26 2019-02-01 西安科锐盛创新科技有限公司 基于多核处理器的图像编码方法及设备
CN109302605B (zh) * 2018-10-26 2020-12-22 浙江清华柔性电子技术研究院 基于多核处理器的图像编码方法及设备

Similar Documents

Publication Publication Date Title
Pan et al. Feature based local binary pattern for rotation invariant texture classification
Quan et al. Lacunarity analysis on image patterns for texture classification
Munisami et al. Plant leaf recognition using shape features and colour histogram with K-nearest neighbour classifiers
Chen et al. RLBP: Robust Local Binary Pattern.
Ferreira et al. Behavior knowledge space-based fusion for copy–move forgery detection
Zahran et al. A MODIFIED LBP METHOD TO EXTRACT FEATURES FROM COLOR IMAGES.
CN104778457B (zh) 基于多示例学习的视频人脸识别方法
Alsmadi et al. Fish recognition based on robust features extraction from color texture measurements using back-propagation classifier
Kwak et al. Efficient data mining for local binary pattern in texture image analysis
Nanni et al. General purpose (GenP) bioimage ensemble of handcrafted and learned features with data augmentation
Alpaslan et al. Multi-scale shape index-based local binary patterns for texture classification
Ji et al. Median local ternary patterns optimized with rotation-invariant uniform-three mapping for noisy texture classification
Moh’d Shamaileh et al. A new feature-based wavelet completed local ternary pattern (Feat-WCLTP) for texture image classification
Suruliandi et al. Local texture patterns-a univariate texture model for classification of images
Tralic et al. Copy-move forgery detection using cellular automata
Janney et al. Texture classification using invariant features of local textures
Gani et al. Copy move forgery detection using DCT, PatchMatch and cellular automata
KR101241983B1 (ko) 정렬된 주변화소 차에 기반한 회전불변 질감 특성 추출 방법
Dhar et al. Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation
Salem et al. Rotation invariant texture classification using support vector machines
Partio et al. An ordinal co-occurrence matrix framework for texture retrieval
Suri et al. Robust face detection using circular multi block local binary pattern and integral haar features
Chang et al. Color-texture segmentation of medical images based on local contrast information
Ahmed et al. Facial feature representation with directional ternary pattern (DTP): Application to gender classification
Ranganath et al. Classification of textures using pixel range calculation method

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: 20160211

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20161220

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20171213

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20181121

Year of fee payment: 7