KR101371657B1 - 이미지 클러스터링 방법 및 이를 적용한 컴퓨터 판독가능 기록 매체 - Google Patents

Abstract

이미지 클러스터링 방법 및 이를 실행하기 위한 프로그램을 포함하는 컴퓨터 판독가능 기록매체가 개시된다. 본 이미지 클러스터링 방법은, 영상을 획득하고, 영상의 클러스터 중심값을 초기화하며, 벡터 미디안 필터링(vector median filtering)을 이용하여, 퍼지 멤버십 함수를 업데이트하고, 픽셀의 위치 정보 및 픽셀값을 고려하여, 가중치를 산출하며, 상기 퍼지 멤버십 함수에 산출된 가중치를 적용하여, 새로운 퍼지 멤버십 함수를 산출한다. 이에 의해, 이미지에 포함된 노이즈를 효과적으로 제거할 수 있다.

Description

이미지 클러스터링 방법 및 이를 적용한 컴퓨터 판독가능 기록 매체{Method for clustering image And computer-readable recording medium}

본 발명은 이미지 클러스터링 방법에 관한 발명으로, 더욱 상세하게는 FCM(Fuzzy C-Mean) 알고리즘을 이용한 이미지 클러스터링 방법에 관한 것이다.

영상 분할은 획득한 영상을 분석하고 이해하기 위해서 중요한 역할을 수행한다. 특히, 영상 내의 영역 및 개체 분할은 실제적인 응용을 위해서 반드시 요구되는 과정이다.

이러한 영상 분할 방법은 텍스쳐(texture) 분석에 따른 분할, 히스토그램 기반의 임계치 결정에 따라 분할, 클러스터링에 의한 분할, 에지 검출 및 영역 분할과 합병에 의한 분할 등이 있다.

특히, 클러스터링에 의한 분할 방법은 분별하기 힘든 히스토그램의 분포를 가지는 영상에 대해서도 영상 분석을 훌륭하게 수행할 수 있어 많은 분야에서 이용되고 있다. 클러스터링 알고리즘으로는 FCM 알고리븜, PCM(Possibilistic C-Means) 알고리즘, 퍼지 ISODATA 알고리즘 등이 있다.

이 중 FCM 알고리즘은 각 데이터와 특정 클러스터 중심과의 거리에 따라 소속정도를 부여하고 데이터를 분류하는 알로기즘으로 데이터의 경계가 명확하지 않더라도 데이터의 소속 정도에 따라 분류할 수 있다.

그러나, FCM 알고리즘은 클러스터링 과정 중에서 공간 정보를 이용하지 않기 때문에 영상 내 포함되어 있는 잡음을 표현한다는 문제점이 발생하였다.

본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 벡터 미디안 필터링을 이용하여, 퍼지 멤버십 함수를 업데이트하고, 픽셀의 위치 정보 및 픽셀값을 이용하여, 가중치를 산출한 후, 산출된 가중치를 업데이트된 퍼지 멤버십 함수에 적용하는 이미지 클러스터링 방법을 제공함에 있다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 이미지 클러스터링 방법은 영상을 획득하는 단계; 상기 영상의 클러스터 중심값을 초기화하는 단계; 벡터 미디안 필터링(vector median filtering)을 이용하여, 퍼지 멤버십 함수를 업데이트하는 단계; 픽셀의 위치 정보 및 픽셀값을 고려하여, 가중치를 산출하는 단계;및 상기 퍼지 멤버십 함수에 산출된 가중치를 적용하여, 새로운 퍼지 멤버십 함수를 산출하는 단계;를 포함한다.

그리고, 상기 새로운 퍼지 멤버십 함수를 이용하여, 새로운 클러스터 중심값을 산출하는 단계; 및 상기 새로운 클러스터 중심값과 상기 초기화된 클러스터 중심값을 비교하여, 퍼지 멤버십 함수를 다시 산출할지 여부를 판단하는 단계;를 포함할 수 있다.

또한, 상기 새로운 클러스터 중심값과 상기 초기화된 클러스터 중심값의 차이가 경계값보다 큰 경우, 새로운 퍼지 멤버십 함수를 산출하기 위해 상기 업데이트하는 단계를 다시 수행할 수 있다.

그리고, 상기 업데이트하는 단계는, 이웃 픽셀들과의 차이값의 합이 가장 작은 값을 상기 클러스터 중심값의 새로운 멤버십 값으로 업데이트할 수 있다.

또한, 상기 업데이트된 퍼지 멤버십 함수(u_ik)는 아래와 같은 식에 의해 표현될 수 있다.

그리고, 상기 가중치(p_ik)를 산출하는 단계는, 아래와 같은 식에 의해 가중치(p_ik)가 산출될 수 있다.

또한, 상기 새로운 퍼지 멤버십 함수(w_ik)를 산출하는 단계는, 아래와 같은 식에 의해 상기 새로운 퍼지 멤버십 함수(w_ik)가 산출될 수 있다.

그리고, 상기 새로운 클러스터 중심값(v_i)을 산출하는 단계는, 아래와 같은 식에 의해 상기 새로운 클러스터 중심값(v_i)이 산출될 수 있다.

한편, 상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 이미지 클러스터링 방법을 실행하기 위한 프로그램을 포함하는 컴퓨터 판독가능 기록매체에서, 상기 이미지 클러스터링 방법은, 영상을 획득하는 단계; 상기 영상의 클러스터 중심값을 초기화하는 단계; 벡터 미디안 필터링(vector median filtering)을 이용하여, 퍼지 멤버십 함수를 업데이트하는 단계; 픽셀의 위치 정보 및 픽셀값을 고려하여, 가중치를 산출하는 단계;및 상기 퍼지 멤버십 함수에 산출된 가중치를 적용하여, 새로운 퍼지 멤버십 함수를 산출하는 단계;를 포함할 수 있다.

상술한 바와 같은 본 발명의 다양한 실시예에 의해, 이미지의 클러스터링 수행시 효과적인 노이즈 제거가 가능해진다.

도 1은 본 발명의 일 실시예에 따른, 영상 처리 장치의 블럭도를 도시한 도면,
도 2는 본 발명의 일 실시예에 따른, 이미지 클러스터링 방법을 설명하기 위한 흐름도,
도 3은 본 발명의 일 실시예에 따른, 이미지 클러스터링 알고리즘을 도시한 도면, 그리고,
도 4 내지 도 9는 본 발명의 일 실시예에 따른, 이미지 클러스터링 방법이 수행된 이미지의 클러스터링 결과를 나타낸 도면이다.

이하에서는 도면을 참조하여 본 발명에 대해 상세히 설명하기로 한다.

도 1는 본 발명의 일 실시예에 따른, 영상 처리 장치(100)의 블럭도를 도시한 도면이다. 도 1에 도시된 바와 같이, 영상 처리 장치(100)는 영상 입력부(110), 영상 처리부(120) 및 영상 출력부(130)를 포함한다.

영상 입력부(110)는 유선 또는 무선을 통해 연결된 외부의 영상 제공 장치(미도시)를 이용하여 영상을 입력받는다.

그리고, 영상 처리부(120)는 영상 입력부(110)를 통해 입력된 영상을 처리한다. 특히, 영상 처리부(120)는 입력된 영상을 개선된 FCM(Fuzzy C-Means) 알고리즘을 이용하여 클러스터링한다.

구체적으로, 영상 처리부(120)는 입력된 영상이 임의로 클러스터링된 클러스터링 중심값을 초기화한다.

그리고, 영상 처리부(120)는 벡터 미디안 필터링(vector median filtering)을 이용하여, 퍼지 멤버십 함수를 업데이트한다. 구체적으로, 영상 처리부(120)는 클러스터링된 픽셀 중 이웃 픽셀들과의 차이값의 합이 가장 작은 픽셀의 멤버십 값을 클러스터 중심값의 새로운 멤버십 값으로 업데이트할 수 있다.

그리고, 영상 처리부(120)는 픽셀의 위치 정보 및 픽셀값을 고려하여, 가중치를 산출하고, 기존의 퍼지 멤버십 함수에 산출된 가중치를 적용하여, 새로운 퍼지 멤버십 함수를 산출할 수 있다.

상술한 바와 같이, 산출된 퍼지 멤버십을 이용하여 이미지를 클러스터링하면, 이미지의 노이즈를 효과적으로 줄일 수 있게 된다.

그리고, 영상 처리부(120)는 상술한 바와 같이 구한 새로운 퍼지 멤버십 함수를 이용하여 새로운 클러스터 중심값을 산출한다.

그리고, 영상 처리부(120)는 새로운 클러스터 중심값과 기존의 클러스터 중심값을 비교하여, 새로운 퍼지 멤버십 함수를 구할지 여부를 판단한다. 구체적으로, 새로운 클러스터 중심값과 기존의 클러스터 중심값이 기 설정된 경계값보다 큰 경우, 영상 처리부(120)는 다시 클러스터 중심값을 새로운 멤버십 값으로 업데이트 하여 새로운 퍼지 멤버십 함수를 구하게 된다. 그러나, 새로운 클러스터 중심값과 기존의 클러스터 중심값이 기 설정된 경계값보다 작은 경우, 영상 처리부(120)는 새롭게 구한 퍼지 멤버십 함수를 이용하여 이미지를 클러스터링하게 된다.

그리고, 영상 출력부(130)는 제어부(미도시)의 제어에 의해 처리된 이미지를 출력한다.

도 2은 본 발명의 일 실시예에 따른, 영상 처리 장치(100)의 이미지 클러스터링 방법을 설명하기 위한 흐름도이다.

우선, 영상 처리 장치(100)는 영상을 입력받는다(S210).

그리고, 영상 처리 장치(100)는 입력된 영상을 이용하여 클러스터링 중심값을 초기화하여 제1 클러스터 중심값을 산출한다(S220). 즉, 영상 처리 장치(100)는 입력된 영상을 랜덤하게 클러스터링하여 제1 클러스터 중심값을 구한다.

이를 아래의 수학식 1과 같다.

그리고, 영상 처리 장치(100)는 벡터 미디안 필터링(vector median filtering)을 이용하여, 제1 퍼지 멤버십 함수를 산출한다(S230). 구체적으로, 이미지의 노이즈에 의해 클러스터링이 제대로 수행되지 못하는 것을 방지하기 위하여, 영상 처리 장치(100)는 아래와 같은 수학식 2에 의해 이웃 픽셀들과의 차이값의 합이 가장 작은 값을 상기 제1 클러스터 중심값의 새로운 멤버십 값을 산출한다.

이때, x_i,x_j는 i,j 번째 픽셀의 픽셀 값을 의미한다.

그리고, 상술한 바와 같이 산출된 새로운 멤버십 값(new_x_k)을 이용하여, 영상 처리 장치(100)는 아래의 수학식 3과 같이 제1 퍼지 멤버십 함수(u_ik)를 산출한다.

그리고, 영상 처리 장치(100)는 픽셀의 위치 정보 및 픽셀값을 고려하여, 가중치(p_k)를 산출한다(S240). 구체적으로, 영상 처리 장치(100)는 아래의 수학식 4를 이용하여 가중치(p_k)를 산출한다.

그리고, 영상 처리 장치(100)는 제1 퍼지 멤버십 함수에 가중치를 적용하여, 제2 퍼지 멤버십 함수(w_ik)를 산출한다(S250). 구체적으로, 영상 처리 장치(100)는 아래와 같은 수학식 5를 이용하여, 제2 퍼지 멤버십 함수(w_ik)를 산출한다.

그리고, 영상 처리 장치(100)는 제2 퍼지 멤버십 함수(w_ik)를 이용하여, 제2 클러스터 중심값(v_i)을 산출한다(S260). 구체적으로, 영상 처리 장치(100)는 아래와 같은 수학식 6을 이용하여, 제2 클러스터 중심값(v_i)을 산출한다.

그리고, 영상 처리 장치(100)는 제2 클러스터 중심값과 제1 클러스터 중심값과의 차이가 기설정된 경계값보다 큰지 여부를 판단한다(S270). 만약 제2 클러스터 중심값과 제1 클러스터 중심값과의 차이가 기설정된 경계값보다 크다면(S270-Y), 영상 처리 장치(100)는 제 클러스터 중심값을 제1 클러스터 중심값으로 업데이트하고(S275) S230단계부터 다시 수행하여 제2 퍼지 멤버십 함수를 재산출하고, 제2 클러스터 중심값과 제1 클러스터 중심값과의 차이가 기설정된 경계값보다 작다면(S270-N), 영상 처리 장치(100)는 산출된 제2 퍼지 멤버십 함수를 이용하여 이미지를 클러스터링하여(S280) 클러스터링 작업을 마친다.

상술한 바와 같은 클러스터링 방법에 의해, 영상 처리 장치(100)는 영상 내에 포함된 노이즈를 효과적으로 제거할 수 있게 된다.

특히, 도 3은 본 발명의 일 실시예에 따른, 이미지 클러스터링 알고리즘을 도시한 도면이다. 즉, 본 발명은 도 3에 도시된 바와 같은 이미지 클러스터링 알고리즘에 의해 이미지 클러스터링을 수행하게 된다.

도 4 내지 도 9는 본 발명의 일 실시예에 따른, 이미지 클러스터링 방법이 수행된 이미지의 클러스터링 결과를 나타낸 도면이다.

구체적으로, 도 4는 기존의 이미지 클러스터링 방법과 비교한 파라미터이다. 즉, 이하에서는 도 4에 도시된 바와 같이, 본 발명에 의한 이미지 클러스터링 방법과 기존의 이미지 클러스터링 방법의 partition coefficient, partition entropy, Xie-Beni function, Fukuyama-Sugeno function 등을 비교한다.

도 5 내지 도 8은 상술한 본 발명에 의한 이미지 클러스터링 방법(SWFCM)과 기존의 이미지 클러스터링 방법(FCM, MFCM, SFCM, FCMSI 및 FGFCM)의 partition coefficient, partition entropy, Xie-Beni function, Fukuyama-Sugeno function를 비교한 결과이다.

즉, 도 5에 도시된 바와 같이, 본 발명에 의한 이미지 클러스터링 방법은 기존의 이미지 클러스터링 방법보다 partition coefficient(V_pc)의 값이 증가함을 알 수 있다. 또한, 도 6에 도시된 바와 같이, 본 발명에 의한 이미지 클러스터링 방법은 기존의 이미지 클러스터링 방법보다 partition entropy(V_pe)의 값이 감소함을 알 수 있다. 또한, 도 7에 도시된 바와 같이, 본 발명에 의한 이미지 클러스터링 방법은 기존의 이미지 클러스터링 방법보다 Xie-Beni function(V_xb)의 값이 감소함을 알 수 있다. 또한, 도 8에 도시된 바와 같이, 본 발명에 의한 이미지 클러스터링 방법은 기존의 이미지 클러스터링 방법보다 Fukuyama-Sugeno function(V_fs)의 값이 감소함을 알 수 있다.

또한 도 9는 본 발명의 일 실시예에 의한, 벡터 메디안 필터링 작업을 수행한 결과와 수행하지 않은 결과를 나타낸 도면이다.

도 9의 (a)는 분할된 이미지를 나타내며, 도 9의 (b)는 벡터 미디안 필터링 작업 없이 클러스터링을 수행한 이미지를 나타내며, 도 9의 (c)는 벡터 미디안 필터링 작업을 포함한 클러스터링을 수행한 이미지를 나타낸다.

도 9에 나타난 바와 같이, 벡터 미디안 필터링 작업을 수행함으로써, 이미지의 노이즈를 효과적으로 제거할 수 있게 된다.

또한, 상술한 바와 같은 이미지 클러스터링 방법은, 상술한 바와 같은 이미지 클러스터링 방법을 실행하기 위한 적어도 하나의 실행 프로그램으로 구현될 수 있으며, 이러한 실행 프로그램은 컴퓨터 판독 기록매체에 저장될 수 있다.

따라서, 본 발명의 각 블록들은 컴퓨터 판독가능한 기록매체 상의 컴퓨터 기록 가능한 코드로써 실시될 수 있다. 컴퓨터 판독가능한 기록매체는 컴퓨터시스템에 의해 판독될 수 있는 데이터를 저장할 수 있는 디바이스가 될 수 있다.

예를 들어, 컴퓨터 판독가능한 기록매체는 롬(ROM), 램(RAM), 씨디-롬(CD-ROMs), 마그네틱 테이프, 플로피 디스크, 광디스크, 광 데이터 저장 디바이스 및 상기 저장 디바이스를 포함하는 텔레비전과 같은 영상디스플레이 장치 등이 될 수 있다. 또한, 컴퓨터 판독가능한 코드는 반송파의 컴퓨터 데이터 신호로 실시될 수 있다.

이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어 져서는 안 될 것이다.

110: 영상 입력부 120: 영상 처리부
130: 영상 출력부

Claims (9)

1. 영상을 획득하는 단계;
   상기 영상의 클러스터 중심값을 초기화하여 제1 클러스터 중심값을 산출하는 단계;
   클러스터링 픽셀 중 이웃 픽셀들과의 차이값의 합이 가장 작은 픽셀의 펨버십 값을 상기 제1 클러스터 중심값의 새로운 멤버십 값으로 산출하고, 상기 새로운 멤버십 값을 이용하여 제1 퍼지 멤버십 함수를 산출하는 단계;
   획득된 영상의 모든 픽셀의 위치 정보 및 픽셀값을 고려하여, 가중치를 산출하는 단계; 상기 제1 퍼지 멤버십 함수에 산출된 가중치를 적용하여, 제2 퍼지 멤버십 함수를 산출하는 단계; 및
   상기 제2 퍼지 멤버십 함수를 이용하여 이미지를 클러스터링하는 단계;
   를 포함하는 이미지 클러스터링 방법.
2. 제1항에 있어서,
   상기 제2 퍼지 멤버십 함수를 이용하여, 제2 클러스터 중심값을 산출하는 단계; 및
   상기 제2 클러스터 중심값과 상기 제1 클러스터 중심값을 비교하여, 제2 퍼지 멤버십 함수를 다시 산출할지 여부를 판단하는 단계;를 더 포함하는 이미지 클러스터링 방법.
3. 제2항에 있어서,
   상기 제2 클러스터 중심값과 상기 제1 클러스터 중심값의 차이가 경계값보다 큰 경우, 제2 퍼지 멤버십 함수를 재산출하기 위해 상기 제2 클러스터 중심값을 제1 클러스터 중심값으로 업데이트하고, 제1 퍼지 멤버십 함수를 산출하는 단계를 다시 수행하는 것을 특징으로 하는 이미지 클러스터링 방법.
   
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 삭제
9. 이미지 클러스터링 방법을 실행하기 위한 프로그램을 포함하는 컴퓨터 판독가능 기록매체에 있어서,
   상기 이미지 클러스터링 방법은,
   영상을 획득하는 단계;
   상기 영상의 클러스터 중심값을 초기화하여 제1 클러스터 중심값을 산출하는 단계;
   클러스터링 픽셀 중 이웃 픽셀들과의 차이값의 합이 가장 작은 픽셀의 펨버십 값을 상기 제1 클러스터 중심값의 새로운 멤버십 값으로 산출하고, 상기 새로운 멤버십 값을 이용하여 제1 퍼지 멤버십 함수를 산출하는 단계;
   획득된 영상의 모든 픽셀의 위치 정보 및 픽셀값을 고려하여, 가중치를 산출하는 단계;
   상기 제1 퍼지 멤버십 함수에 산출된 가중치를 적용하여, 제2 퍼지 멤버십 함수를 산출하는 단계; 및
   상기 제2 퍼지 멤버십 함수를 이용하여 이미지를 클러스터링하는 단계;를 포함하는 컴퓨터 판독가능 기록매체.

Images