선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 텍스트 영역 추출은 문자 및 단어 단위로 추출할 수 있다. 본 논문에서는 단어 단위 영역 추출을 수행한다. 영역 추출 과정은 다음과 같이 두 단계로 구성된다.
- 첫 번째 연구는 영상 내에 포함된 텍스트 영역의 위치를 찾아서 추출해내는 텍스 트 후보 영역 추출에 관한 연구이고[1-5, 11-14], 두 번째는 추출된 텍스트 영상을 이진화(binarization) 후 OCR(optical character recognition)을 사용하여 인식하는 연구이다[6T0]. 본 논문에서는 스팸메일 영상에서 텍스트 정보를 효과적으로 추출하기 위한 색상 레이어 기반 텍스트 추출 및 텍스트 획 복구 알고리즘을 제안한다. 제안한 시스템은 기존의 시 스템과 비교하여 두 가지의 장점이 있다.
- 영상내의 사각상자는 추출된 텍스트 영역이다. 본 논문에서는 회손된 획 때문에 발생하는 인식 오류나 검색 오류 문제를 색상 정보를 이용한 회손된 획 정보를 복구 하는 알고리즘을 제안하여 CLTE의 단점을 보완하였다.
제안 방법
- 전처리는 색상 히스토그램을 계산한 후에 비슷한 색상 영역별로 분할/합병 알고리즘을 적용하였다. 또한 전처리 부분에서 지워져 버린 텍스트 영역을 복원 한 후에 텍스트 영역을 추출하는 방법을 제안하였다.
- 여기서 CC_H丄는 金번째 연결요소의 세로 크기, QQ 匸4 는 浏째 연결요소의 가로 크기이며, CC_W_H_& 는 S 번째 연결요소의 가로와 세로의 비율을 나타내는데 이것은 연결 요소의 가로와 세로 중 큰 값을 작은 값으로 나누어서 구하게 된다. 본 논문의 실험에서는 4, 4는 2픽셀을 설정하였으며, 马 , 与는 각각 영상의 가로 및 세로 크기의 절반으로 설 정하였으며, 缶는 5로 설정하였다.
- 본 논문에서는.스팸 메일 영상 내의 텍스트 영역을 추출하기 위해서 색상 정보를 이용하는 시스템을 제안하였고, 추출된 텍스트 영상 내에서 획들이 지워지는 단점과 임의의 획이 흑화소로 채워지는 문제를 해결하기 위한 획복구 알고리즘을 제안하였다. 텍스트 추출 실험 결과를 보면 제안한 시스템이 기존의 다른 시스템들보다 10% 이상 우수한 추출 성공률을 보였다.
- 추출된 텍스트 영상의 이진화 방법으로는 픽셀의 명암 값에 의해서 히스토그램을 구한 후에 텍스트 객체와 배경 객체를 구분할 수 있는 임계값(threshold)을 찾아내어 이진화를 수행하였다. 이진화된 텍스트 영상을 인식하기 위해 상용 문 서인식기를 사용하였다. Ohya[7] 등은 입력 영상으로 그레 이 정지 영상(길거리 간판에서 취득한 영상, 자동차 번호판 영상)을 사용하였다.
- 추출된 텍스트 영상의 이진화 방법으로는 픽셀의 명암 값에 의해서 히스토그램을 구한 후에 텍스트 객체와 배경 객체를 구분할 수 있는 임계값(threshold)을 찾아내어 이진화를 수행하였다. 이진화된 텍스트 영상을 인식하기 위해 상용 문 서인식기를 사용하였다. Ohya[7] 등은 입력 영상으로 그레 이 정지 영상(길거리 간판에서 취득한 영상, 자동차 번호판 영상)을 사용하였다.
- 추출된 텍스트 영상의 이진화 방법으로는 픽셀의 명암 값에 의해서 히스토그램을 구한 후에 텍스트 객체와 배경 객체를 구분할 수 있는 임계값(threshold)을 찾아내어 이진화를 수행하였다. 이진화된 텍스트 영상을 인식하기 위해 상용 문 서인식기를 사용하였다. Ohya[7] 등은 입력 영상으로 그레 이 정지 영상(길거리 간판에서 취득한 영상, 자동차 번호판 영상)을 사용하였다.
- Jain[l] 등은 입력 영상으로 자연영상, 웹영상, 동영상을 사용하였다. 전처리는 다중 값(multivalued) 영상 분해에 의한 9단계의 지역적 편차 영상을 구하게 되며, BAG 알고리즘과 연결 요소 분석을 통한 텍스트 영역을 추출하였다. Hoya(2) 등은 입력 영상으로 그레이 정지영상을 사용하였다.
- Lienhart[3] 등은 입력 영상으로 동영상 프레임을 입력 영상으로 사용하였다. 전처리는 분할/병합 알고리즘을 적용하였으며, 블록 매칭과 콘트라스트(contrast) 분석을 이용한 텍스트 영역을 추출하였다. Messelodi[4] 등은 입력 영상으로 이진 정지영상, 그레이 정지영상을 사용하였다.
- Messelodi[4] 등은 입력 영상으로 이진 정지영상, 그레이 정지영상을 사용하였다. 전처리는 지형적 특징, 지역적 대비 특징 및 필터들을 사용하였다. 추출되어진 텍스트 영역 각각의 중심점과 투영된 프 로파일을 이용하여 텍스트의 기울기를 추정하는 방법 등을 제안하였다.
- 제안한 텍스트 추출 알고리즘은 기존의 다른 알고리즘보다 단순하지만 더 좋은 결과를 얻을 수 있도록 설계되었다.
- 실험에서는<표 5>의 스팸메일 영상 중 200개를 선택하 고, 이들을 대상으로 2가지를 측정하였다. 즉, 텍스트 영역 추출 성공률과 텍스트 영역 추출에 걸린 시간을 측정하였다. 텍스트 영역 추출 및 시간 성능의 비교를 위해 제안한 시스 테 Kim[13], Choi[14]을 사용하였다.
- 전처리는 지형적 특징, 지역적 대비 특징 및 필터들을 사용하였다. 추출되어진 텍스트 영역 각각의 중심점과 투영된 프 로파일을 이용하여 텍스트의 기울기를 추정하는 방법 등을 제안하였다. Zhong[5] 등은 입력 영상으로 색상(자연색) 정 지영상을 사용하였다.
- Ohya[7] 등은 입력 영상으로 그레 이 정지 영상(길거리 간판에서 취득한 영상, 자동차 번호판 영상)을 사용하였다. 추출된 텍스트 영상의 이진화 방법으로 는 입력 영상을 8×8 크기의 작은 블록으로 나눈 후 각 영역 의 로컬(local) 임계값을 구하고, 인접 영역의 로컬 임계값과 비교하여 텍스트 객체와 배경 객체를 이진화 하였다. 이진 화된 텍스트 영상을 인식하기 위해 상용 문서인식기를 사용하였다.
- Wu[10] 등은 입력 영상으로 색상 정지영상과 그레이 영상(동영상, 사진, 신문, 잡지)을 사용하였다. 추출된 텍스트 영상의 이진화 방법으로는 그레 이 값에 의해서 히스토그램을 구한 후에 텍스트 객체와 배 경 객체를 구분할 수 있는 임계값을 찾아내어 이진화를 수행하였다. 이진화된 텍스트 영상을 인식하기 위해 상용 인 식기 Caere's Qmnipage Pro 8.
- Wang[8] 등은 입력 영상으로 색상 정지 영상을 사용하였다. 추출된 텍스트 영상의 이진화 방법으로는 위상 학적 특징 (topological feature), 가중치가 부여된 유클라디안 거리(weight-euclidean distance) 및 변형된 코스-파인 퍼지 씨민스(modified coarse-fine fuzzy c-means) 알고리즘을 이용하여 텍스트 객체와 배경 객체를 이진화 하였다. 이진화 된 텍스트 영상을 인식하기 위해 상용 문서인식기를 사용하였다.
- Hori[6] 등은 입력 영상으로 그레이 동영상을 사용하였다. 추출된 텍스트 영상의 이진화 방법으로는 픽셀의 명암 값에 의해서 히스토그램을 구한 후에 텍스트 객체와 배경 객체를 구분할 수 있는 임계값(threshold)을 찾아내어 이진화를 수행하였다. 이진화된 텍스트 영상을 인식하기 위해 상용 문 서인식기를 사용하였다.
대상 데이터
- (그림 4)는 실험에 사용한 원본 영상들을 나타낸다. 본 논 문의 실험에서는 전남대학교 이메일 서버 및 웹메일 서버 (다음, 네이트, 네이버)를 통해서 수집한 200개의 스팸메일 영상을 사용하였다.<표 1>은 실험에 사용한 원본 영상의 크기 및 해상도를 정리하였다.
- 실험 및 평가를 위해 전남대학교 이메일 서버 및 웹메일 서버(다음, 네이트, 네이버)를 통해서 1369개의 스팸메일을 수집하였다.<표 5>는 메일에 영상의 포함 여부를 분류한 결과이다.
- Choi[14] 시스템은 입력 영상의 크기에 제한을 받는 관계로 입력 영상 자체는 그 대로 두고 캔바스(canvas) 크기를 1024 x 768 크기로 재조정 하여 실험에 사용하였다. 실험에 사용한 컴퓨터는 펜티엄41.7GHz CPU, 512M RAM을 사용한 PC이다.
- 실험에서는의 스팸메일 영상 중 200개를 선택하 고, 이들을 대상으로 2가지를 측정하였다.
- Totale 영상내의 전체 텍스트 라인 개수, True는 시스 템에서 정확히 추출한 텍스트 영역 개수, Part는 텍스트 영역의 1/2이상 찾은 개수, Error는 찾지 못한 텍스트 영역 개 수 그리고 False는 비텍스트 영역을 찾은 개수를 말한다. 텍 스트 영역은 영상내에 존재하는 모든 텍스트 영역을 대상으로 실험하였다. Precisione 식 (5)에 의해서 구했으며, Recalle 식 (6)에 의해서 구했다.
이론/모형
- Zhong[5] 등은 입력 영상으로 색상(자연색) 정 지영상을 사용하였다. 전처리는 색상 히스토그램을 계산한 후에 비슷한 색상 영역별로 분할/합병 알고리즘을 적용하였다. 또한 전처리 부분에서 지워져 버린 텍스트 영역을 복원 한 후에 텍스트 영역을 추출하는 방법을 제안하였다.
- Wolf[9] 등은 입력 영상으로 그레이 동영상을 사용하였다. 추출된 텍스트 영상의 이진화 방법으로는 Niblack's 알고리즘을 이용하여 텍스트 객체와 배경 객체를 이진화 하였다. 이진화된 텍스트 영상을 인식하기 위해 상용 인식기 Finereader 5.
- 즉, 텍스트 영역 추출 성공률과 텍스트 영역 추출에 걸린 시간을 측정하였다. 텍스트 영역 추출 및 시간 성능의 비교를 위해 제안한 시스 테 Kim[13], Choi[14]을 사용하였다. Choi[14] 시스템은 입력 영상의 크기에 제한을 받는 관계로 입력 영상 자체는 그 대로 두고 캔바스(canvas) 크기를 1024 x 768 크기로 재조정 하여 실험에 사용하였다.
성능/효과
- 4%를 Recalle 62%를 보였다. 결과에서 알 수 있듯이 제안한 텍스트 추출 시스템이 다른 2개의 시 스템보다 안정적으로 텍스트 영역을 추출하는 것을 알 수가 있다.
- (그림 13)(r)의 영상은 획 복구 전 영상이고(I-)는 획 복구 후 영상이다. 본 논문에서 제안한 획 복구 알고리즘이 회손된 획 복구에 우수한 효과가 있음을 알 수가 있다. 제안한 시스템의 최종 결과는 이진영상 형태의 텍스트 추출 결과 영상이다.
- <표 5>는 메일에 영상의 포함 여부를 분류한 결과이다. 분류 결과를 보면 현재 스팸메일은 텍스트만을 사용하여 보내는 것보다 영상을 포함하여 보내어지는 메일 이 더 많다는 것을 알 수가 있다.
- 색 줄임 연산은 화소의 r, g, b 각 요소의 하위 7비트를 제거하여 상위 1비트만을 남기는 비트 줄임 (bit dropping) 방법을 이용한다. 색줄임 후 결과 영상은 최대 8개의 (0=red, 0=green, 0=blue), (0, 0, 128), (0, 128, 0), (0, 128, 128), (128, 0, 0), (128, 0, 128), (128, 128, 0), (128, 128, 128)으로 표현된다. (그림 5)(「)는 입력 영상을 보여주며, (그림 5) (7는 비트 제거에 의한 색줄임 결과 영상을 보여준다.
- 제안한 시스템은 Presicion이 81.6%를 Recalle 79.3%를, Kim[13] 은 Presicion이 59.4%를 Recalle 64.53%를, Choi[14] 는 Presicion이 84.4%를 Recalle 62%를 보였다. 결과에서 알 수 있듯이 제안한 텍스트 추출 시스템이 다른 2개의 시 스템보다 안정적으로 텍스트 영역을 추출하는 것을 알 수가 있다.
- 텍스트 추출 실험 결과를 보면 제안한 시스템이 기존의 다른 시스템들보다 10% 이상 우수한 추출 성공률을 보였다. 즉, 제안한 알고리즘이 단순하지만 다른 시스템보다 안정적으로 텍스트 영역을 추출해줌을 알 수가 있다. 향후 연구과제로는 텍스트 인식기를 개발하고 제안한 시스템과 결합한 후 스팸메일 필터 시스템을 개발하는 것이다.
- 스팸 메일 영상 내의 텍스트 영역을 추출하기 위해서 색상 정보를 이용하는 시스템을 제안하였고, 추출된 텍스트 영상 내에서 획들이 지워지는 단점과 임의의 획이 흑화소로 채워지는 문제를 해결하기 위한 획복구 알고리즘을 제안하였다. 텍스트 추출 실험 결과를 보면 제안한 시스템이 기존의 다른 시스템들보다 10% 이상 우수한 추출 성공률을 보였다. 즉, 제안한 알고리즘이 단순하지만 다른 시스템보다 안정적으로 텍스트 영역을 추출해줌을 알 수가 있다.
후속연구
- 스팸메일의 해결책으로 텍스트 필터링 기술을 통하여 텍스트 스팸메일을 필터링 할 수 있었지만, 텍스트메일 위주에서 영상메일로 변화된 이후부터 영상(정 지영상, 동영상)과 함께 전달되어져 오는 불법적인 스팸메일 은 정신적 스트레스, 집중도 저하, 정보에 대한 불신 등과 같은 정신적 손실뿐만 아니라 메일 장비의 과부하, 인력 낭 비, 업무 시간 낭비 등 계량적 손실도 매우 커서 기업의 효 율성에 매우 심각한 영향을 주고 있다. 이러한 스팸메일 및 유해정보들을 영상내의 텍스트 정보 인식 연구를 이용하여 텍스트 영역을 추출 및 인식하여 스팸메일인지 여부를 판단 할 수 있다면 스팸메일이나 유해 정보가 사용자에게 전달되 기 전에 미리 차단함으로써 경제적, 정신적 손실을 최소화 하는데 크게 기여할 수 있을 것이다.
- 즉, 제안한 알고리즘이 단순하지만 다른 시스템보다 안정적으로 텍스트 영역을 추출해줌을 알 수가 있다. 향후 연구과제로는 텍스트 인식기를 개발하고 제안한 시스템과 결합한 후 스팸메일 필터 시스템을 개발하는 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.