KR20160001896A - 스케일 공간 고차 미분을 이용한 특징점 추출 방법 및 이를 이용한 이미지 검색 방법 - Google Patents

스케일 공간 고차 미분을 이용한 특징점 추출 방법 및 이를 이용한 이미지 검색 방법 Download PDF

Info

Publication number
KR20160001896A
KR20160001896A KR1020140079923A KR20140079923A KR20160001896A KR 20160001896 A KR20160001896 A KR 20160001896A KR 1020140079923 A KR1020140079923 A KR 1020140079923A KR 20140079923 A KR20140079923 A KR 20140079923A KR 20160001896 A KR20160001896 A KR 20160001896A
Authority
KR
South Korea
Prior art keywords
images
image
differential
order
points
Prior art date
Application number
KR1020140079923A
Other languages
English (en)
Inventor
박운상
박종승
Original Assignee
서강대학교산학협력단
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 서강대학교산학협력단 filed Critical 서강대학교산학협력단
Priority to KR1020140079923A priority Critical patent/KR20160001896A/ko
Publication of KR20160001896A publication Critical patent/KR20160001896A/ko

Links

Images

Classifications

    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 스케일 불변 특징 변환에서의 특징점 추출 방법에 관한 것이다. 상기 특징점 추출 방법은, 원본 영상에 대하여 스케일 공간 이미지들을 형성하는 단계; 상기 스케일 공간 이미지들에 대하여 1차 미분을 수행하여 가우시안 차(DoG) 영상들을 생성하고, 이들에 대한 특징점을 추출하는 단계; 상기 가우시안 차 영상들을 이용하여 고차 미분을 수행하여 고차 미분 영상들을 생성하고, 이들에 대한 특징점을 추출하는 단계;를 구비한다. 본 발명에 따른 특징점 추출 방법은 종래의 가우시안 스케일 공간에서의 1차 가우시안 차 영상을 사용하는 것을 포함하여 고차 미분 영상들에 대하여 특징점들을 추출함으로써, SIFT의 인식률과 정확도를 높일 수 있게 된다.

Description

스케일 공간 고차 미분을 이용한 특징점 추출 방법 및 이를 이용한 이미지 검색 방법{Keypoint detection method based on higer order scale derivative and Image retrieval method using the keypoint detection method}
본 발명은 스케일 불변 특징 변환(Scale Invariant Feature Transform;SIFT)에서의 특징점 추출 방법에 관한 것으로서, 더욱 구체적으로는, 스케일 불변 특징 변환에 있어서 고차 미분을 이용하여 인식률과 정확도를 향상시킬 수 있는 특징점 추출 방법 및 이를 이용한 이미지 검색 방법에 관한 것이다.
인터넷의 발전과 다양한 매체의 활용으로 인하여 멀티미디어 데이터의 가치는 계속해서 증가하고 있다. 따라서 이를 활용하기 위한 검색 기술의 중요성 또한 점점 커지고 있다. 특히 멀티미디어 데이터의 많은 부분을 차지하는 이미지에 대하여, 기존의 단순한 메타데이터기반 검색 방식이 아닌 내용 기반의 이미지 검색(Content Based Image Retrieval, CBIR) 방식은 해당 방식의 응용 가능성과 발전 가치로 인해 많은 연구가 진행되고 있는 분야이다.
내용 기반 이미지 검색(CBIR)은 주로 이미지의 색상, 텍스쳐, 밝기와 같은 이미지의 특징을 분석하여 유사도 기반으로 검색을 한다. 그러나 이러한 방법은 이미지의 회전, 크기 변화, 색상 변화와 같은 특성 변화에 취약한 단점이 있다. 이를 보완하기 위해 이미지의 변환 중 특히 어파인(Affine) 변환에 강인한 Scale Invariant Feature Transform(SIFT)이 소개되었고 최근까지고 강력한 이미지 검색 방식의 하나로 사용되고 있다.
SIFT(Scale Invariant Feature Transform)알고리즘은 영상의 크기와 회전뿐만 아니라 어파인 변환, 조명에도 불변하는 특징점(Keypoint)을 검출하는 알고리즘으로써, 객체인식, 파노라마 영상 생성, 3D 영상복원, 얼굴 인식 등의 분야에서 활용되고 있다.
도 1은 SIFT에서의 특징점 추출을 위한 DoG 영상을 추출하는 과정을 도시한 것이다. 도 1을 참조하면, SIFT의 특징점 추출은 먼저 도 5의 (a)에 도시된 바와 같이 대상 이미지로부터 가우시안 스무딩을 통해 스케일 공간 이미지들을 형성한다. 이때, 일정 상수를 곱하여 얻어지는 표준편차를 순차적으로 적용하여 얻어진 가우시안 커널을 이용한다. 이렇게 형성된 스케일 공간 이미지들로부터 다시 순차적으로 차 영상을 구하면 가우시안 차(Difference of Gaussian; DoG) 영상이 얻어진다. 해당 가우시안 차 영상은 라플라시안 가우시안(Laplacian of Gaussian) 연산의 근사값으로 수학식 1과 같이 나타낼 수 있다.
Figure pat00001
여기서, G(x,y)는 가우시안 스무딩이 적용된 이미지이고, σ는 가우시안 필터의 스케일이며, kσ는 적용된 표준편차를 의미하며, x, y는 주목 영상 성분의 좌표상 거리를 의미한다.
SIFT는 이 가우시안 차(DoG) 영상에서 x,y,σ 세 방향의 26개 주변 값을 비교해 최대점과 최소점을 찾아내고 이를 특징점으로 사용한다.
종래의 SIFT 는 1차 가우시안 차(DoG) 영상에서만 특징점들을 추출하고, 이를 사용하여 이미지간 유사도 검색을 수행하였다. 하지만, 추출되는 특징점이 이미지의 변화에 강인하게 일정한 위치에서 추출될수록, 그리고 그러한 특징점의 갯수가 더 많아질수록 SIFT의 성능이 더 향상될 수 있을 것이다. 하지만, 종래의 SIFT 는 1차 가우시안 차 영상만을 사용함으로써, 제한된 특징점들을 이용하여 이미지 검색을 수행함에 따라, 이미지 검색의 한계가 발생하게 된다.
한국등록특허공보 제 10-1182683호 한국등록특허공보 제 10-1166722호 한국등록특허공보 제 10-1255729호 미국등록특허공보 US 8,441,489 B2 미국등록특허공보 US 6,711,293 B2
전술한 문제점을 해결하기 위한 본 발명은 스케일 공간의 고차 미분을 이용하여 특징점을 추출함으로써 SIFT의 성능을 향상시킬 수 있는 특징점 추출 방법을 제공하는 것을 목적으로 한다.
본 발명의 다른 목적은 전술한 특징점 추출 방법을 이용하여 추출된 특징점들에 대한 정보를 이용하여 원본 영상과 유사한 이미지를 비교 대상 영상들로부터 보다 정확하게 검색하는 이미지 검색 방법을 제공하는 것이다.
전술한 기술적 과제를 달성하기 위한 본 발명의 제1 특징에 따른 스케일 불변 특징 변환에서의 특징점 추출 방법은, (a) 원본 영상에 대하여 스케일 공간 이미지들을 형성하는 단계; (b) 상기 스케일 공간 이미지들에 대하여 1차 미분을 수행하여 가우시안 차(DoG) 영상들을 생성하는 단계; (c) 상기 가우시안 차 영상들을 이용하여 고차 미분을 수행하여 고차 미분 영상들을 생성하는 단계; (d) 상기 가우시안 차 영상들에 대한 특징점들을 추출하고, 상기 고차 미분 영상들에서의 특징점들을 추출하는 단계; 를 구비한다.
전술한 제1 특징에 따른 스케일 불변 특징 변환에서의 특징점 추출 방법에 있어서, 상기 (c) 단계는 고차 미분을 1회 수행하는 것을 특징으로 하며, 상기 (c) 단계는 (c1) 상기 가우시안 차 영상들에 대하여 2차 미분 수행하여 2차 미분 영상들을 생성하는 단계;를 구비하고, 상기 고차 미분 영상은 2차 미분 영상인 것을 특징으로 하며,
상기 (d) 단계는, (d1) 가우시안 차 영상에 대한 특징점들을 추출하는 단계; (d2) 상기 고차 미분 영상들을 이용하여 2차의 특징점들을 추출하는 단계;를 구비하고, 상기 특징점들은 추출하기 위하여, 각 영상들의 각 화소에 대하여, 해당 화소값과 주변값들을 비교하고, 비교 결과에 따라 해당 화소값이 최소점 또는 최대점인 경우 해당 화소를 특징점으로 설정하는 것이 바람직하다.
전술한 제1 특징에 따른 스케일 불변 특징 변환에서의 특징점 추출 방법에 있어서, 상기 (c) 단계는 고차 미분을 적어도 2회 이상 수행하는 것을 특징으로 하며, 상기 (c) 단계는, (c1) 상기 가우시안 차 영상들에 대하여 미분 수행하여 2차 미분 영상을 생성하는 단계; (c2) 이전 단계에서 생성된 차수의 미분 영상에 대하여 미분 수행하여 다음 차수의 미분 영상들을 생성하는 단계;를 구비하고, 상기 (c2) 단계를 적어도 1회 이상 반복 수행하여, 다수개의 차수에 대한 고차 미분 영상들을 생성하는 것을 특징으로 하며,
상기 (d) 단계는, (d1) 가우시안 차 영상에 대한 특징점들을 추출하는 단계; (d2) 각 차수에 대한 고차 미분 영상들을 이용하여 각 차수에 대한 특징점들을 추출하는 단계;를 구비하고, 상기 특징점들은 추출하기 위하여, 각 영상들의 각 화소에 대하여, 해당 화소값과 주변값들을 비교하고, 비교 결과에 따라 해당 화소값이 최소점 또는 최대점인 경우 해당 화소를 특징점으로 설정하는 것이 바람직하다.
본 발명의 제2 특징에 따른 이미지 검색 방법은, 전술한 특징점 추출 방법을 이용하여, 원본 영상 및 비교 대상 영상들에 대하여 가우시안 차 영상에 대한 특징점들과 각 고차 미분 영상에 대한 특징점들을 추출하고, 원본 영상에 대한 특징점들 및 비교 대상 영상들에 대한 특징점들을 서로 비교하여, 상기 비교 결과를 이용하여 원본 영상과 비교 대상 영상들의 유사도를 검출한다.
전술한 제2 특징에 따른 이미지 검색 방법에 있어서, 상기 원본 영상의 특징점들과 비교 대상 영상들에 대한 특징점들을 비교할 때, 대각선 매칭 방식에 따라 원본 영상과 비교 대상 영상들은 서로 대응되는 차수의 특징점들을 서로 비교하고, 그 비교 결과를 이용하여 원본 영상과 비교 대상 영상들의 유사도를 검출하거나,
전체 매칭 방식에 따라 원본 영상과 비교 대상 영상들은 모든 차수의 특징점들을 서로 비교하고, 그 비교 결과를 이용하여 원본 영상과 비교 대상 영상들의 유사도를 검출하는 것이 바람직하다.
본 발명에 따른 특징점 추출 방법은 종래의 스케일 공간 이미지들에 대한 1차 미분보다 더 강력한 고차 미분을 활용하여 특징점을 추출하게 된다. 따라서, 본 발명에 따른 특징점 추출 방법은 종래의 가우시안 스케일 공간에서의 1차 가우시안 차 영상을 사용하는 것을 포함하여 고차 미분 영상들에 대하여 특징점들을 추출함으로써, SIFT의 인식률과 정확도를 높일 수 있게 된다.
도 6은 본 발명에 따른 이미지 검색 방법과 종래의 이미지 검색 방법들을 이용하여 매칭한 결과들을 예시적으로 도시한 것이다. 도 6을 참조하면, (a) 내지 (e)에서 첫번째 영상은 원본 영상이며, 두번째 영상은 종래의 SIFT에 의한 1차 미분 영상에 따른 특징점을 이용한 매칭 결과이며, 세번째 영상은 본 발명에 따른 고차 미분 영상들에 따른 특징점을 이용한 매칭 결과이다. (a) 내지 (c)에서는 1차 미분에 의한 경우는 실패하였으며 고차 미분에 의한 경우는 매칭이 성공하였으며, (d)는 1차 미분에 의한 경우는 성공하였으며 고차 미분에 의한 경우는 매칭이 실패되었으며, (e)는 두 경우 모두 성공하였음을 알 수 있다. 이로서, 1차 미분에 의한 경우보다 본 발명에 따른 고차 미분을 사용한 경우, 성공 가능성이 더 높음을 쉽게 파악할 수 있다.
도 1은 SIFT에서의 특징점 추출을 위한 DoG 영상을 추출하는 과정을 도시한 것이다.
도 2는 본 발명의 바람직한 실시예에 따른 특징점 추출 방법을 순차적으로 도시한 흐름도이며, 도 3은 본 발명의 바람직한 실시예에 따른 특징점 추출 방법을 설명하기 위하여 도시한 것이다.
도 4는 본 발명의 바람직한 실시예에 따른 특징점 추출 방법을 이용하여 다수 개의 차수에 대하여 검출한 특징점들을 예시적으로 도시한 것이다.
도 5는 본 발명의 제2 실시예에 따른 이미지 검색 방법을 이용한 매칭 결과를 도시한 도표이다.
도 6은 본 발명에 따른 이미지 검색 방법과 종래의 이미지 검색 방법들을 이용하여 매칭한 결과들을 예시적으로 도시한 것이다.
본 발명에 따른 특징점 추출 방법은 스케일 공간 이미지들로부터 1차 가우시안 차 영상뿐만 아니라 순차적으로 고차 미분하여 차 영상을 얻음으로써 부가적인 특징점을 얻어내고, 이를 이미지 검색에 사용하는 것을 특징으로 한다. 본 명세서에 있어서, 1차 가우시안 차 영상을 1차 미분 영상이라 하고, 2차, 3차 등의 차 영상을 고차 미분 영상이라 하며, 이것들을 스케일 공간 고차 미분 영상이라고도 칭한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 특징점 추출 방법에 대하여 보다 구체적으로 설명한다.
도 2는 본 발명의 바람직한 실시예에 따른 특징점 추출 방법을 순차적으로 도시한 흐름도이며, 도 3은 본 발명의 바람직한 실시예에 따른 특징점 추출 방법을 설명하기 위하여 도시한 것이다.
도 2 내지 도 3를 참조하면, 본 발명의 바람직한 실시예에 따른 특징점 추출 방법은, 원본 영상에 대하여 스케일 공간 이미지들을 형성하는 단계(S200); 상기 스케일 공간 이미지들에 대하여 1차 미분하여 가우시안 차(DoG) 영상들을 생성하는 단계(S210); 상기 가우시안 차 영상들에 대한 특징점을 추출하는 단계(S220); 상기 가우시안 차 영상들을 이용하여 고차 미분을 수행하여 고차 미분 영상들을 생성하는 단계(S230); 상기 고차 미분 영상들에서의 특징점을 추출하는 단계(S240);를 구비한다. 이하, 전술한 각 단계들에 대하여 보다 구체적으로 설명한다.
먼저, 원본 영상에 대하여 스케일 공간 이미지들을 형성하는 단계(S200)는, 도 3의 (a)에 도시된 바와 같이, 원본 영상에 대하여 가우시안 필터(Gaussian Filter)를 이용하여 가우시안 스무딩(Gaussian Smothing)을 수행하되, 가우시안 필터의 스케일 계수(σ)를 가변시킴에 따라 다수 개의 스케일 공간 이미지들을 획득하게 된다.
다음, 가우시안 차(DoG) 영상들을 생성하는 단계(S210)는, 도 3의 (b)에 도시된 바와 같이, 상기 다수 개의 스케일 공간 이미지들에 대하여 순차적으로 차 영상을 구하여 가우시안 차 영상인 1차 미분 영상을 생성한다. 여기서, 가우시안 차 영상은 라플라시안 가우시안(Laplacian of Gaussian) 연산의 근사값으로서, 수학식 1과 같이 나타낼 수 있다. 전술한 S200 및 S210은 종래의 SIFT의 특징점 추출 방법과 동일하므로, 이에 대한 구체적인 설명은 생략한다.
다음, 가우시안 차 영상들로부터 특징점들을 추출한다(단계 S220).
다음, 고차 미분 영상들을 생성하는 단계(S230)는, 도 3의 (c)에 도시된 바와 같이, 상기 1차 미분 영상들을 이용하여 적어도 1회 이상의 고차 미분을 반복 수행하여 적어도 2차 이상의 고차 미분 영상들을 생성하게 된다.
상기 고차 미분 영상들을 생성하는 단계는 일 실시형태에 따라 1차 미분 영상들에 대하여 고차 미분을 1회 수행하여 2차 미분 영상들을 생성하거나, 다른 실시 형태에 따라 1차 미분 영상들에 대하여 고차 미분을 수회 반복적으로 수행하여 다수 개의 차수들에 대한 고차 미분 영상들을 각각 생성할 수 있다. 여기서, 고차 미분을 수행하는 방법은 이전 차수의 미분 영상들에 대하여 순차적으로 차 영상을 구하여 다음 차수의 미분 영상들을 생성하게 되는데, 전술한 1차 미분 영상을 생성하는 방법과 동일하게 수행된다.
예컨대, 1차 미분 영상들에 대하여 2차 미분하여 2차 미분 영상들을 생성하게 되며, 2차 미분 영상들에 대하여 3차 미분하여 3차 미분 영상들을 생성하게 되며, 3차 미분 영상들에 대하여 4차 미분하여 4차 미분 영상들을 생성하게 되며, (n-1)차 미분 영상들에 대하여 n차(여기서, n>1임.) 미분하여 n차 미분 영상들을 생성하게 된다. 본 명세서에서는, 편의상, 가우시안 차 영상인 1차 미분 영상을 제외한 나머지 차수의 n차 미분 영상들을 모두 고차 미분 영상들이라 표현한다.
다음, 상기 고차 미분 영상들에서의 특징점을 추출한다(S240).
상기 1차 미분 영상들 및 상기 고차 미분 영상들에서의 특징점을 추출하는 단계(S220, S240)는, 1차 미분 영상 및 각 차수에 대한 고차 미분 영상들에 대하여 특징점들을 설정하기 위하여, 각 미분 영상들을 구성하는 각 화소에 대하여, 해당 화소값과 주변값들을 비교하고, 해당 화소값이 최소점 또는 최대점인 경우 특징점으로 설정하게 된다. 여기서, 주변값들은 해당 화소의 x,y,σ 방향에서의 인접한 26개의 화소들에 대한 화소값들을 의미한다.
도 4는 본 발명의 바람직한 실시예에 따른 특징점 추출 방법을 이용하여 다수 개의 차수에 대하여 검출한 특징점들을 예시적으로 도시한 것이다. 도 4를 참조하면, (a)는 원본 영상이며, (b)는 가우시안 차 영상인 1차 미분 영상을 이용하여 구한 특징점들(25개)을 표시한 것이며, (c)는 2차 미분 영상을 이용하여 구한 특징점들(88개)을 표시한 것이며, (d)는 3차 미분 영상을 이용하여 구한 특징점들(50개)을 표시한 것이며, (e)는 4차 미분 영상을 이용하여 구한 특징점들(15개)을 표시한 것이다. 도 4에 있어서, 각 특징점은 각 박스(box)로 표현되며, 각 박스의 크기(size)는 특징점의 스케일을 나타낸다. 또한 도 4에 있어서, 각 박스의 일 모서리에 표시된 짧은 선은 주요 오리엔테이션(the major orientation)을 나타낸다.
전술한 본 발명의 바람직한 실시예에 따른 특징점 추출 방법을 이용하여, 1차 미분 영상들 및 다수 개의 차수에 대한 고차 미분 영상들을 이용하여 각 차수에 대한 특징점들을 구할 수 있다. 본 발명에 따른 특징점 추출 방법에 의하여 보다 많은 개수의 특징점들을 구할 수 있게 되어 보다 정확한 매칭 결과를 얻을 수 있으나, 이러한 방법은 특징점 추출 및 매칭시 추가의 처리 시간이 소요되기도 한다.
< 이미지 검색 방법 >
본 발명의 다른 실시예에 따른 이미지 검색 방법은 전술한 특징점 추출 방법에 의해 구한 각 차수에 대한 특징점들을 이용하는 것을 특징으로 한다.
본 발명의 제2 실시예에 따른 이미지 검색 방법은, 원본 영상에 대하여 다수 개의 차수에 대한 특징점들을 구하는 단계, 비교 대상 영상들에 대하여 각각 다수 개의 차수에 대한 특징점들을 구하는 단계, 원본 영상에 대한 특징점들과 비교 대상 영상들에 대한 특징점들을 비교하는 단계, 비교 결과를 이용하여 원본 영상과 가장 유사한 비교 대상 영상을 검출하는 단계를 구비한다.
다만, 전술한 단계들 중, 원본 영상에 대한 특징점들과 비교 대상 영상들에 대한 특징점들을 비교하는 단계에 대해서는 보다 구체적으로 설명한다. 먼저, 본 발명의 제1 실시예에 따른 특징점 추출 방법을 이용하여 원본 영상 및 비교 대상 영상들에 대하여 다수 개의 차수에 대한 특징점들을 구한 경우, 일 실시 형태는 원본 영상과 비교 대상 영상들의 서로 대응되는 차수에 대한 특징점들을 비교하여 매칭하는 대각선 매칭 방법(diagonal match)을 사용할 수 있다.
한편, 다른 실시 형태는 원본 영상과 비교 대상 영상들의 모든 차수에 대한 특징점들을 서로 비교하여 매칭하는 전체 매칭 방법(All match)을 사용할 수 있다.
다만, 본 실시예에 따른 이미지 검색 방법에 있어서, 원본 영상과 비교 대상 영상들에 대한 특징점들을 비교하여 매칭하는 방법은 미국 등록 특허 US 6,711,293에 기재된 바와 같기 때문에, 이에 대한 구체적인 설명은 생략한다.
도 5는 본 발명의 제2 실시예에 따른 이미지 검색 방법을 이용한 매칭 결과를 도시한 도표이다. 도 5에 있어서, ∂σi 는 i-th order 스케일 공간에서 미분된 특징점을 나타내며, ∂σ2 는 2차 미분된 특징점들의 평균 개수를 나타내며, ∂σ3 는 3차 미분된 특징점들의 평균 개수를 나타내며, ∂σ4는 4차 미분된 특징점들의 평균 개수를 나타낸다. 한편, 각 경우에 대한 정확도를 나타내는 "Rank-1 Accuracy"의 세부 항목들에 있어서, ∂σ는 1차 미분 영상들로부터 추출된 특징점들을 이용하여 매칭하는 경우를 말하며, "Diag"는 대각선 매칭 방법에 따라 서로 대응되는 차수의 특징점들을 이용하여 매칭하는 경우를 말하며, "All"은 전체 매칭 방법에 따라 모든 차수에 대한 특징점들을 이용하여 매칭하는 경우를 말하며, "off-diag"는 서로 대응되는 차수를 제외한 나머지 차수들에 대한 특징점들을 이용하여 매칭하는 경우를 말한다.
도 5를 참조하면, 본 발명에 따른 특징점 추출 방법을 이용함으로써, 특징점의 개수가 전체적으로 증대됨을 알 수 있으며, 또한 본 발명에 따른 이미지 검색 방법인 "Diag" 방식, "All" 방식에 의한 검색의 정확도가 종래의 이미지 검색 방법인 ∂σ에 의한 검색의 정확도보다 약 5% 정도 더 향상됨을 알 수 있다. 한편, "Off-Diag" 방식에 의한 검색은 그 정확도가 매우 낮음을 알 수 있다.
따라서, 본 발명에 따른 특징점 추출 방법 및 이를 이용한 이미지 검색 방법에 의하여, 검색의 정확도가 증가됨을 알 수 있다.
이상에서 본 발명에 대하여 그 바람직한 실시예를 중심으로 설명하였으나, 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 발명의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 그리고, 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
본 발명에 따른 특징점 추출 방법 및 이미지 검색 방법은 내용 기반 이미지 검색에서 많이 사용되는 SIFT의 성능을 향상시킬 수 있으며, 그 결과 본 발명에 따른 기술은 이미지 검색과 관련된 광범위한 분야에 다양하게 활용될 수 있다.

Claims (8)

  1. (a) 원본 영상에 대하여 스케일 공간 이미지들을 형성하는 단계;
    (b) 상기 스케일 공간 이미지들에 대하여 1차 미분을 수행하여 가우시안 차(DoG) 영상들을 생성하는 단계;
    (c) 상기 가우시안 차 영상들에 대한 특징점을 추출하는 단계;
    (d) 상기 가우시안 차 영상들을 이용하여 고차 미분을 수행하여 고차 미분 영상들을 생성하는 단계;
    (e) 상기 고차 미분 영상들에서의 특징점들을 추출하는 단계;
    를 구비하는 스케일 불변 특징 변환에서의 특징점 추출 방법.
  2. 제1항에 있어서, 상기 (d) 단계는 고차 미분을 1회 수행하는 것을 특징으로 하며,
    상기 (d) 단계는 (d1) 상기 가우시안 차 영상들에 대하여 2차 미분 수행하여 2차 미분 영상들을 생성하는 단계;를 구비하고, 상기 고차 미분 영상은 2차 미분 영상인 것을 특징으로 하는 스케일 불변 특징 변환에서의 특징점 추출 방법.
  3. 제2항에 있어서, 상기 (e) 단계는,
    (e1) 상기 고차 미분 영상들을 이용하여 2차의 특징점들을 추출하는 단계;를 구비하고,
    상기 특징점들은 추출하기 위하여, 각 영상들의 각 화소에 대하여, 해당 화소값과 주변값들을 비교하고, 비교 결과에 따라 해당 화소값이 최소점 또는 최대점인 경우 해당 화소를 특징점으로 설정하는 것을 특징으로 하는 스케일 불변 특징 변환에서의 특징점 추출 방법.
  4. 제1항에 있어서, 상기 (c) 단계는 고차 미분을 적어도 2회 이상 수행하는 것을 특징으로 하며,
    상기 (c) 단계는,
    (c1) 상기 가우시안 차 영상들에 대하여 미분 수행하여 2차 미분 영상을 생성하는 단계;
    (c2) 이전 단계에서 생성된 차수의 미분 영상에 대하여 미분 수행하여 다음 차수의 미분 영상들을 생성하는 단계;
    를 구비하고, 상기 (c2) 단계를 적어도 1회 이상 반복 수행하여, 다수개의 차수에 대한 고차 미분 영상들을 생성하는 것을 특징으로 하는 스케일 불변 특징 변환에서의 특징점 추출 방법.
  5. 제1항에 있어서, 상기 (c) 및 (e) 단계는, 상기 특징점들은 추출하기 위하여, 각 영상들의 각 화소에 대하여, 해당 화소값과 주변값들을 비교하고, 비교 결과에 따라 해당 화소값이 최소점 또는 최대점인 경우 해당 화소를 특징점으로 설정하는 것을 특징으로 하는 스케일 불변 특징 변환에서의 특징점 추출 방법.
  6. 제1항 내지 제5항 중 어느 하나에 따른 스케일 불변 특징 변환에서의 특징점 추출 방법을 이용하여, 원본 영상 및 비교 대상 영상들에 대하여 가우시안 차 영상에 대한 특징점들과 각 고차 미분 영상에 대한 특징점들을 추출하고, 원본 영상에 대한 특징점들 및 비교 대상 영상들에 대한 특징점들을 서로 비교하여, 상기 비교 결과를 이용하여 원본 영상과 비교 대상 영상들의 유사도를 검출하는 것을 특징으로 하는 이미지 검색 방법.
  7. 제6항에 있어서, 상기 원본 영상의 특징점들과 비교 대상 영상들에 대한 특징점들을 비교할 때, 대각선 매칭 방식에 따라 원본 영상과 비교 대상 영상들은 서로 대응되는 차수의 특징점들을 서로 비교하고, 그 비교 결과를 이용하여 원본 영상과 비교 대상 영상들의 유사도를 검출하는 것을 특징으로 하는 이미지 검색 방법.
  8. 제6항에 있어서, 상기 원본 영상의 특징점들과 비교 대상 영상들에 대한 특징점들을 비교할 때, 전체 매칭 방식에 따라 원본 영상과 비교 대상 영상들은 모든 차수의 특징점들을 서로 비교하고, 그 비교 결과를 이용하여 원본 영상과 비교 대상 영상들의 유사도를 검출하는 것을 특징으로 하는 이미지 검색 방법.

KR1020140079923A 2014-06-27 2014-06-27 스케일 공간 고차 미분을 이용한 특징점 추출 방법 및 이를 이용한 이미지 검색 방법 KR20160001896A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140079923A KR20160001896A (ko) 2014-06-27 2014-06-27 스케일 공간 고차 미분을 이용한 특징점 추출 방법 및 이를 이용한 이미지 검색 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140079923A KR20160001896A (ko) 2014-06-27 2014-06-27 스케일 공간 고차 미분을 이용한 특징점 추출 방법 및 이를 이용한 이미지 검색 방법

Publications (1)

Publication Number Publication Date
KR20160001896A true KR20160001896A (ko) 2016-01-07

Family

ID=55168644

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140079923A KR20160001896A (ko) 2014-06-27 2014-06-27 스케일 공간 고차 미분을 이용한 특징점 추출 방법 및 이를 이용한 이미지 검색 방법

Country Status (1)

Country Link
KR (1) KR20160001896A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154107A (zh) * 2017-12-22 2018-06-12 北京航空航天大学 一种确定遥感图像归属的场景类别的方法
CN109872293A (zh) * 2019-03-12 2019-06-11 深圳微品致远信息科技有限公司 一种基于图像识别智能修改图片尺寸的方法、系统及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101166722B1 (ko) 2011-03-17 2012-07-19 인하대학교 산학협력단 이미지 검색을 위한 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체
KR101182683B1 (ko) 2011-02-16 2012-09-17 인하대학교 산학협력단 시각적 형상 디스크립터 생성 방법 및 그 기록매체
KR101255729B1 (ko) 2011-08-03 2013-04-18 부산대학교 산학협력단 지역 정렬을 이용한 부분 이미지 검색 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101182683B1 (ko) 2011-02-16 2012-09-17 인하대학교 산학협력단 시각적 형상 디스크립터 생성 방법 및 그 기록매체
KR101166722B1 (ko) 2011-03-17 2012-07-19 인하대학교 산학협력단 이미지 검색을 위한 국부적 색변화 기반 관심점 검출과 디스크립터 생성 방법 및 그 기록매체
KR101255729B1 (ko) 2011-08-03 2013-04-18 부산대학교 산학협력단 지역 정렬을 이용한 부분 이미지 검색 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
미국등록특허공보 US 6,711,293 B2
미국등록특허공보 US 8,441,489 B2

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154107A (zh) * 2017-12-22 2018-06-12 北京航空航天大学 一种确定遥感图像归属的场景类别的方法
CN108154107B (zh) * 2017-12-22 2021-09-14 北京航空航天大学 一种确定遥感图像归属的场景类别的方法
CN109872293A (zh) * 2019-03-12 2019-06-11 深圳微品致远信息科技有限公司 一种基于图像识别智能修改图片尺寸的方法、系统及存储介质

Similar Documents

Publication Publication Date Title
Li et al. Segmentation-based image copy-move forgery detection scheme
Seo et al. Training-free, generic object detection using locally adaptive regression kernels
Jangyodsuk et al. Sign language recognition using dynamic time warping and hand shape distance based on histogram of oriented gradient features
Chen et al. Region-based object recognition by color segmentation using a simplified PCNN
US9619733B2 (en) Method for generating a hierarchical structured pattern based descriptor and method and device for recognizing object using the same
Kortylewski et al. Unsupervised footwear impression analysis and retrieval from crime scene data
Ma et al. Image feature matching via progressive vector field consensus
Logoglu et al. Cospair: colored histograms of spatial concentric surflet-pairs for 3d object recognition
US9747521B2 (en) Frequency domain interest point descriptor
Tao et al. Performance evaluation of SIFT-based descriptors for object recognition
Napoléon et al. Local binary patterns preprocessing for face identification/verification using the VanderLugt correlator
Hast Robust and invariant phase based local feature matching
Krishnan et al. A survey on image matching methods
KR20160001896A (ko) 스케일 공간 고차 미분을 이용한 특징점 추출 방법 및 이를 이용한 이미지 검색 방법
WO2008003985A2 (en) Method of identifying linear features within an image
Mentzer et al. Self-calibration of wide baseline stereo camera systems for automotive applications
Amiri et al. Copy-move forgery detection using a bat algorithm with mutation
Oji et al. Full object boundary detection by applying scale invariant features in a region merging segmentation algorithm
El-Mashad et al. Evaluating the robustness of feature correspondence using different feature extractors
Debbarma et al. Keypoints based copy-move forgery detection of digital images
Tao et al. Research Progress of the Scale Invariant Feature Transform (SIFT) Descriptors.
Hasheminasab et al. An integrated ransac and graph based mismatch elimination approach for wide-baseline image matching
Ahn et al. Research of object recognition and tracking based on feature matching
Gilani Object recognition by modified scale invariant feature transform
Luo et al. A New Method for Cartridge Case Image Mosaic.

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application