최근 의료 영상 분석(Medical Image Analysis)이나 영상 검색(Image Retrieval)을 위한 전처리(Preprocessing) 단계로 영상 분석(Image Analysis)에 대한 연구가 활발히 진행되고 있다. 본 논문에서는 영상 검색에서 색상 성분(Color Component)의 활용 방법을 제안하고자 한다. 이미지를 검색하기 위해 색상 성분을 기반으로 하고, 색상(Color)을 분석하기 위한 기법으로 CLCM(Color Level Co-occurrence Matrix)과 통계적 기법을 이용하고 있다. CLCM은 기하학적 회전 변환(Geometric Rotate Transform)을 통해서 색상 성분을 3차원 공간상에 투영(Projection)하여 공간 관계(Spatial Relationship)로부터 나타나는 분포를 해석하는 방법으로, 본 논문에서 제안하는 주제이다. CLCM은 색상 모델에서 만들어지는 2차원 히스토그램을 지칭하며 색상 모델의 기하학적인 회전 변환을 통해서 생성된다. 그리고 이를 분석하기 위한 방법으로 통계 기법을 활용하고 있다. CLCM과 유사하게 2차원 분포도를 사용하는 GLCM(Gray Level Co-occurrence Matrix)[1]과 불변 모멘트(Invariant Moment)[2,3] 같은 알고리즘은 2차원적인 데이터를 해석하기 위하여 기본적인 통계 기법을 활용하고 있다. 하지만 GLCM과 불변 모멘트가 각각의 도메인에 최적화되어 있다 하더라도 공간 좌표상에 존재하는 불규칙적인 데이터를 완전히 해석할 수는 없다. 즉 GLCM과 불변 모멘트는 기초 통계 기법만을 사용하고 있기 때문에 추출된 특징들의 신뢰성이 낮다는 것이다. 본 논문에서는 이러한 단점을 보완하여 공간 관계를 해석함과 동시에 데이터의 가중치를 해석하기 위해 전형적인 다변량 통계에서 사용하는 주성분 분석(Principal Component Analysis)[4,5]을 이용하고 있다. 그리고 데이터의 정확도를 높이기 위해서 3차원 공간상에 색상 성분을 투영하여 이를 회전시키면서 데이터의 특성을 다각도에서 추출하는 방법을 제시한다.
최근 의료 영상 분석(Medical Image Analysis)이나 영상 검색(Image Retrieval)을 위한 전처리(Preprocessing) 단계로 영상 분석(Image Analysis)에 대한 연구가 활발히 진행되고 있다. 본 논문에서는 영상 검색에서 색상 성분(Color Component)의 활용 방법을 제안하고자 한다. 이미지를 검색하기 위해 색상 성분을 기반으로 하고, 색상(Color)을 분석하기 위한 기법으로 CLCM(Color Level Co-occurrence Matrix)과 통계적 기법을 이용하고 있다. CLCM은 기하학적 회전 변환(Geometric Rotate Transform)을 통해서 색상 성분을 3차원 공간상에 투영(Projection)하여 공간 관계(Spatial Relationship)로부터 나타나는 분포를 해석하는 방법으로, 본 논문에서 제안하는 주제이다. CLCM은 색상 모델에서 만들어지는 2차원 히스토그램을 지칭하며 색상 모델의 기하학적인 회전 변환을 통해서 생성된다. 그리고 이를 분석하기 위한 방법으로 통계 기법을 활용하고 있다. CLCM과 유사하게 2차원 분포도를 사용하는 GLCM(Gray Level Co-occurrence Matrix)[1]과 불변 모멘트(Invariant Moment)[2,3] 같은 알고리즘은 2차원적인 데이터를 해석하기 위하여 기본적인 통계 기법을 활용하고 있다. 하지만 GLCM과 불변 모멘트가 각각의 도메인에 최적화되어 있다 하더라도 공간 좌표상에 존재하는 불규칙적인 데이터를 완전히 해석할 수는 없다. 즉 GLCM과 불변 모멘트는 기초 통계 기법만을 사용하고 있기 때문에 추출된 특징들의 신뢰성이 낮다는 것이다. 본 논문에서는 이러한 단점을 보완하여 공간 관계를 해석함과 동시에 데이터의 가중치를 해석하기 위해 전형적인 다변량 통계에서 사용하는 주성분 분석(Principal Component Analysis)[4,5]을 이용하고 있다. 그리고 데이터의 정확도를 높이기 위해서 3차원 공간상에 색상 성분을 투영하여 이를 회전시키면서 데이터의 특성을 다각도에서 추출하는 방법을 제시한다.
Recently, studies of image analysis, as the preprocessing stage for medical image analysis or image retrieval, are actively carried out. This paper intends to propose a way of utilizing color components for image retrieval. For image retrieval, it is based on color components, and for analysis of co...
Recently, studies of image analysis, as the preprocessing stage for medical image analysis or image retrieval, are actively carried out. This paper intends to propose a way of utilizing color components for image retrieval. For image retrieval, it is based on color components, and for analysis of color, CLCM (Color Level Co-occurrence Matrix) and statistical techniques are used. CLCM proposed in this paper is to project color components on 3D space through geometric rotate transform and then, to interpret distribution that is made from the spatial relationship. CLCM is 2D histogram that is made in color model, which is created through geometric rotate transform of a color model. In order to analyze it, a statistical technique is used. Like CLCM, GLCM (Gray Level Co-occurrence Matrix)[1] and Invariant Moment [2,3] use 2D distribution chart, which use basic statistical techniques in order to interpret 2D data. However, even though GLCM and Invariant Moment are optimized in each domain, it is impossible to perfectly interpret irregular data available on the spatial coordinates. That is, GLCM and Invariant Moment use only the basic statistical techniques so reliability of the extracted features is low. In order to interpret the spatial relationship and weight of data, this study has used Principal Component Analysis [4,5] that is used in multivariate statistics. In order to increase accuracy of data, it has proposed a way to project color components on 3D space, to rotate it and then, to extract features of data from all angles.
Recently, studies of image analysis, as the preprocessing stage for medical image analysis or image retrieval, are actively carried out. This paper intends to propose a way of utilizing color components for image retrieval. For image retrieval, it is based on color components, and for analysis of color, CLCM (Color Level Co-occurrence Matrix) and statistical techniques are used. CLCM proposed in this paper is to project color components on 3D space through geometric rotate transform and then, to interpret distribution that is made from the spatial relationship. CLCM is 2D histogram that is made in color model, which is created through geometric rotate transform of a color model. In order to analyze it, a statistical technique is used. Like CLCM, GLCM (Gray Level Co-occurrence Matrix)[1] and Invariant Moment [2,3] use 2D distribution chart, which use basic statistical techniques in order to interpret 2D data. However, even though GLCM and Invariant Moment are optimized in each domain, it is impossible to perfectly interpret irregular data available on the spatial coordinates. That is, GLCM and Invariant Moment use only the basic statistical techniques so reliability of the extracted features is low. In order to interpret the spatial relationship and weight of data, this study has used Principal Component Analysis [4,5] that is used in multivariate statistics. In order to increase accuracy of data, it has proposed a way to project color components on 3D space, to rotate it and then, to extract features of data from all angles.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
Turk와 Pentland [13]의 논문에서 얼굴인식을 위한 고유얼굴(Eigen Face) 의활용법을 볼 수 있으며 MarciaHs[14]의 논문에서는 LDA와 PCA를 혼합 사용하는 방법으로 얼굴 인식 알고리즘을 소개하고 있다. 본 논문에서는 PCA를 CLCM의 분석 도구로 활용하고자 한다.
본 논문에서는 색상 성분을 분석하기 위한 시스템의 설계와 방법론을 제안하고 있다. 단순한 색상 비교 만으로는 미세한 섁상의 차이를 분석할 수 없기 때문에 일반적인 색상 비교 기법인 히스토그램 Binning의 기법이나 히스토그램 인터섹션을 이용하는 것이 아니라 보다 정확한 색상 분석 기법인 CLCM을 제안하였다.
이미지가 RGB 색상 모델에 투영되었을 때 3차원적인 관계해석을 위한 방법론을 제안하고 있다.
일반적인 히스토그램의 방법을 알아 보기 위해서 QBIC과 FINDIT에 사용하는 히스토그램 비교법을 살펴 보자.
제안 방법
단순한 색상 비교 만으로는 미세한 섁상의 차이를 분석할 수 없기 때문에 일반적인 색상 비교 기법인 히스토그램 Binning의 기법이나 히스토그램 인터섹션을 이용하는 것이 아니라 보다 정확한 색상 분석 기법인 CLCM을 제안하였다. CLCM의 공간적인 관계(Spatial Relationship)와 반도(Frequency)를 해석함으로써 보다 정확한 정보를 추출할 수 있었고, 보다 정밀한 해석을 위해서 주어진 데이터를 3차원 상에서 회전 변환한 후 다양한 각 도상에서 데이터를 추출하여 비교하였다.
RGB 색상모델을 기반으로 하고 있는 CLCMe 색상 모델에서 존재하는 삼차원적 관계를 이차원으로 투영한 분포도를 말하며 이것을 이용해서 색상성분을 분석하고 패턴 인식을 하고자 한다. 색상 관계를 정확하게 해석하기 위해서 삼차원 공간상의 다양한 각도에서 색상들을 투영하고 있으며 투영된 결과를 이용하여 보다 정확한 이미지의 패턴을 검색하기 위해서 주성분 분석(Principal Component Analysis)을이용하고 있다.
방법론을 제안하고 있다. 단순한 색상 비교 만으로는 미세한 섁상의 차이를 분석할 수 없기 때문에 일반적인 색상 비교 기법인 히스토그램 Binning의 기법이나 히스토그램 인터섹션을 이용하는 것이 아니라 보다 정확한 색상 분석 기법인 CLCM을 제안하였다. CLCM의 공간적인 관계(Spatial Relationship)와 반도(Frequency)를 해석함으로써 보다 정확한 정보를 추출할 수 있었고, 보다 정밀한 해석을 위해서 주어진 데이터를 3차원 상에서 회전 변환한 후 다양한 각 도상에서 데이터를 추출하여 비교하였다.
동적으로 검색하는 경우는 드물다. 따라서, 본 논문에서 적용하려는 색상 검색 시스템은 통계적인 방법으로 1 차 검색을 하게 되며 그 결과를 이용해서 2차적으로 PCA 패턴 인식을 적용하고 있다.
색상 성분을 분석하기 위해서 본 논문에서는 RGB 색상 모델을 기반으로 하고 있으며 RGB 데이터를 3차원 공간에 투영한 후 나타나는 CLCM을 이용하고 있다.
보다 정확하게 색을 분석하기 위해서는 색상모델에서 나타나는 정보를 그대로 이용해야 하며 이것은 다차원적인 데이터 분석 (Multi Dimensional Data Analysis) 이라는 측면이 고려되어야 한다. 이러한 측면에서 본 논문에서는 일차원적인 히스토그램이 아니라 공간적인 관계를 포함하고 있는 이차원적 분포도인 CLCM(Color Level Co-occurrence Matrix) 을 제안하고 있다.
대상 데이터
본 논문에서는 RGB 색상모델을 기반으로 하고 있으며 RGB 공간에 투영된 이차원적인 분포 데이터 그 자체를 이용하고 있다. 그리고 일반적으로 사용되는 히스토그램을 사용하는 것이 아니라 이차원적인 공간좌표상에서 존재하는 분포 그 자체를 이용하여 색상 성분의 특징 값을 분석하고 있다.
이론/모형
있다. 그리고 색상 히스토그램의 비교를 위해서 식 (1) 과같은 히스토그램 인터섹션 (Histogram Intersection) 기법을 사용한다.
본 논문에서는 CLCM의 분포와 모양적인 특징값을 추출하기 위해서 GLCM과 불변모멘트의 알고리즘을웅용하고 있다.
성능/효과
테스트 영상 (그림 10)과 색상의 유사도가 가장 높은 것은 5, 8, 9번인 것을 알 수 있다. 1차적으로 통계적인 기법으로 검색하고 2차적으로 PCA의 방법을 이용할 때 보다 좋은 결과를 얻을 수 있는 것을 볼 수 있다.
데이터의 비교를 위해서 1차적으로 통계적인 모멘트를 이용하였으며 2차적으로 해당 데이터의 패턴을 추출하여 추출된 패턴에 의해서 보다 정확한 색상 패턴을 검색할 수 있었다.
이러한 문제를 개선하기 위해서 본 본문에서는 두 가지 색상을 함께 비교하는 방법론을 사용한다’ 쉽게 생각하면 RG, GB, BR의 관계를 생각해 볼 수 있으며 더 나아가 RGB 모델에서의 3차원적인 관계 해석이라는 측면을 생각할 수 있다.
참고문헌 (15)
R. M. Haralick, I. Dinstein, 'Textural features for image-classification,' IEEE Trans. on System, Man, and Cyber, Vol.3, pp.610-621, Nov., 1973
L. Marcialis and F. Roli, 'Fusion of lda and pca for face verification,' in Biometric Authentication, Vol.LNCS 2359, pp.30-37, Jun., 2002
D. Park, J. Park, T. Kim, and J. Han, 'Image indexing using weighted color histogram,' Proc. loth Int. Conference on Image Analysis and Processing, Sep., 1999
※ AI-Helper는 부적절한 답변을 할 수 있습니다.