다양한 형태 특징 추출 방법 중의 하나인 SIFT는 물체 인식, 모션 추적, 3차원 이미지 재구성과 같은 컴퓨터 비전 응용 분야에서 많이 사용된다. 하지만 SIFT 방법은 많은 특징점들과 고차원의 특징 벡터를 사용하기 때문에 이미지 유사성 검색에 그대로 적용하기에는 많은 어려움이 있다. 본 논문에서는 윤곽선 이미지 피라미드와 관심영역 검출을 이용한 SIFT 기반 이미지 유사성 검색 기법을 제안한다. 제안한 방법은 윤곽선 이미지 피라미드를 이용하여 이미지의 밝기 변화, 크기, 회전등에 불변한 특징을 추출하고, 타원 형태의 허프변환을 이용한 관심영역 검출을 통해 불필요한 많은 특징점들을 제거하여 검색성능을 높인다. 실험 결과에서 제안한 방법의 이미지 검색 성능이 기존의 SIFT의 방법에 비해 평균 재현율이 약 20%정도 좋은 성능을 보이고 있다.
다양한 형태 특징 추출 방법 중의 하나인 SIFT는 물체 인식, 모션 추적, 3차원 이미지 재구성과 같은 컴퓨터 비전 응용 분야에서 많이 사용된다. 하지만 SIFT 방법은 많은 특징점들과 고차원의 특징 벡터를 사용하기 때문에 이미지 유사성 검색에 그대로 적용하기에는 많은 어려움이 있다. 본 논문에서는 윤곽선 이미지 피라미드와 관심영역 검출을 이용한 SIFT 기반 이미지 유사성 검색 기법을 제안한다. 제안한 방법은 윤곽선 이미지 피라미드를 이용하여 이미지의 밝기 변화, 크기, 회전등에 불변한 특징을 추출하고, 타원 형태의 허프변환을 이용한 관심영역 검출을 통해 불필요한 많은 특징점들을 제거하여 검색성능을 높인다. 실험 결과에서 제안한 방법의 이미지 검색 성능이 기존의 SIFT의 방법에 비해 평균 재현율이 약 20%정도 좋은 성능을 보이고 있다.
SIFT is popularly used in computer vision application such as object recognition, motion tracking, and 3D reconstruction among various shape descriptors. However, it is not easy to apply SIFT into the image similarity search as it is since it uses many high dimensional keypoint vectors. In this pape...
SIFT is popularly used in computer vision application such as object recognition, motion tracking, and 3D reconstruction among various shape descriptors. However, it is not easy to apply SIFT into the image similarity search as it is since it uses many high dimensional keypoint vectors. In this paper, we present a SIFT based image similarity search method using an edge image pyramid and an interesting region detection. The proposed method extracts keypoints, which is invariant to contrast, scale, and rotation of image, by using the edge image pyramid and removes many unnecessary keypoints from the image by using the hough transform. The proposed hough transform can detect objects of ellipse type so that it can be used to find interesting regions. Experimental results demonstrate that the retrieval performance of the proposed method is about 20% better than that of traditional SIFT in average recall.
SIFT is popularly used in computer vision application such as object recognition, motion tracking, and 3D reconstruction among various shape descriptors. However, it is not easy to apply SIFT into the image similarity search as it is since it uses many high dimensional keypoint vectors. In this paper, we present a SIFT based image similarity search method using an edge image pyramid and an interesting region detection. The proposed method extracts keypoints, which is invariant to contrast, scale, and rotation of image, by using the edge image pyramid and removes many unnecessary keypoints from the image by using the hough transform. The proposed hough transform can detect objects of ellipse type so that it can be used to find interesting regions. Experimental results demonstrate that the retrieval performance of the proposed method is about 20% better than that of traditional SIFT in average recall.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이미지 내에서 대상 객체를 포함하는 관심영역으로 탐색범위를제한함으로서 정보의 양을 줄일 수 있고, 줄어든 정보는 유사 이미지 매칭을 수행할 때 계산 시간을 줄여주고, 보다 정확한 이미지 매칭을 도와준다. 본 논문에서는 관심 영역의 검출을 위해 타원 형태의 허프변환을 이용한 관심 영역 검출 방법을 제안한다.
본 논문에서는 윤곽선 이미지 피라미드 구성과 관심 영역 검출을 이용한 smT 기반 이미지 유사성 검색 방법을 제안한다. 밝기 변화와 잡음에 강한 특징점을 찾기 위해서 캐니 에지(Canny Edge) 검출 방법을 이용한 윤곽선 이미지를 사용한다.
본 논문에서는 윤곽선 이미지를 사용해서 이미지 피라미드 구성하고 관심영역 검출을 이용한 SIFT 기반 매칭 기법을 이용해 이미지 유사성 검색 방법을 제안하였다. 기존의 SIFT 방법은 이미지 매칭, 물체 인식에서 많이 사용되었으나 많은 특징점들로 인한 계산량의 증가와 특징점 매칭 방법의 제약 때문에 이미지 유사성 검색에 바로 적용하기 어렵다.
본 논문에서는 캐니 에지 검출방법을 이용한 윤곽선 이미지 피라미드 구성 단계와 허프변환을 이용한 관심 영역 검출을 이용한 SIFT 기반의 이미지 유사성 검색 방법을 제안한다. 그림 1은 제안한 방법의 전체적인 구성을 보여준다.
제안 방법
다음으로 캐니 에지 검출방법[18]을 이용하여 이미지에서 윤곽선을 검출하고, 윤곽선 이미지를 이용해서 가우시안 윤곽선 이미지 피라미드를 구성한다. 각 가우시안 윤곽선 이미지의 차이를 이용해서 특징점을 구한다. 이미지에서 관심 영역을 찾기 위해 허프변환을 이용해 타원검출을 한다.
측정한다. 검색된 이미지의 개수 k는 위성 이미지 집합은 40, ALOI는 24로 설정하였고, 각각 10회의 반복 실험을 통한 평균 재현율을 측정하였다.
먼저 특징점을 추출하기 위해 각각 입력된 이미지를 그레이스케일 이미지로 바꾸는 전처리 과정을 거친다. 다음으로 캐니 에지 검출방법[18]을 이용하여 이미지에서 윤곽선을 검출하고, 윤곽선 이미지를 이용해서 가우시안 윤곽선 이미지 피라미드를 구성한다. 각 가우시안 윤곽선 이미지의 차이를 이용해서 특징점을 구한다.
윤곽선 이미지를 사용하여 다양한 해상도를 갖는 윤곽선 이미지들皇 재구성하기 때문에 크기, 회전에 불변할 뿐만 아니라 밝기 변화, 잡음에도 강한 특징점을 찾을 수 있다. 또한 검색 대상을 이미지의 관심 영역으로 축소하기 위하여 허프변환을 이용한 타원 검출 방법을 사용한다. 또한 이미지들 간에 유사하게 매칭 되는 특징점들을 찾기 위해서 임계값 이하의 거리를 가지는 특징점들을 찾는 유사한 특징점 매칭 방법을 이용한다’
또한 캐니 에지 검출방법의 이중 임계값을 (100, 250) 으로 고정시키고 타원의 크기 변화에 따른 성능을 측정하기 위한 실험을 수행하였다. 그림 14는 타원의 크기를 +150으로 크게 한 경우에 CE-SIFT의 평균 재현율이 0.
먼저 본 논문에서 사용된 캐니 에지 검출 방법의 이중 임계값과 관심영역을 검출하기 위한 타원의 크기 변화에 따른 성능을 비교 분석한다. 위성 이미지 집합을 사용하여 타원의 크기를 +60, 유사성 임계값을 110으로 설정한 후 캐니 에지 검출 방법의 이중 임계값의 변화에 따른 성능을 측정하였다.
타원의 크기 보정은 매우 중요하다. 본 논문에서는 두 가지 방법을 이용해 타원의 크기를 보정할 수 있다. 첫 번째로 타원의 크기를 누적 카운트 값의 비율에 따라 보정함으로서 정확한 관심영역을 설정할 수 있다.
두 번째로 타원 형태의 허프변환을 이용하여 관심영역을 추출함으로서특징점의 수를 줄일 수 있다. 세 번째로 제안한 유사한 특징점 매칭 방법을 이용하여 유사한 특징점을 찾을 수 있다. 따라서 밝기 변화, 크기, 위치 및 회전에 불변하고 잡음에 강한 특징점을 추출하고, 관심영역을 이용해서 불필요한 특징점을 제거함으로서 검색 성능은 더 높일 수 있으며, 계산에 소요되는 비용은 줄일 수 있다.
앞의 실험에서 결정된 캐니 에지 검출방법의 두 임계 값(100, 25。), 타원의 크기 +150과 유사성 임계 값(U0)과 유사한 특징점 매칭 방법을 적용한 CE*SIFT와 기존의 SIFT, PCA-SIFT 방법들을 이용하여 평균 재현을 (recall)을 측정한다. 검색된 이미지의 개수 k는 위성 이미지 집합은 40, ALOI는 24로 설정하였고, 각각 10회의 반복 실험을 통한 평균 재현율을 측정하였다.
따른 성능을 비교 분석한다. 위성 이미지 집합을 사용하여 타원의 크기를 +60, 유사성 임계값을 110으로 설정한 후 캐니 에지 검출 방법의 이중 임계값의 변화에 따른 성능을 측정하였다. 그림 13에서 하위 임계값이 100, 상위 임계값이 250일 경우에 CE-SmT는 0.
각각 크기가 다른。의 분산을 적용시킨 두 개의 가우시안 윤곽선 이미지의 차이를 이용하여 DoG이미지를생성한다. 그림 3에서 왼쪽은 가우시안이 적용된 윤곽선 이미지를 나타내며, 오른쪽은 가우시안 이미지의 차이를 이용해서 구한 DoG이미지를 나타낸다.
각 가우시안 윤곽선 이미지의 차이를 이용해서 특징점을 구한다. 이미지에서 관심 영역을 찾기 위해 허프변환을 이용해 타원검출을 한다. 윤곽선 이미지 피라미드를 이용해서 찾은 특징점이 관심 영역 내에 있는 경우 특징점을 서술하며, 유클리디언 거리함수를 두 이미지의 특징점들 사이의 거리 값이 임계값 이하인 특징점을 찾아서 이미지 매칭을 수행하는 과정으로 구성된다.
타원을 구성하는 5가지 요소인 중심 좌표, 방향, 장축과 단축의 길이에서 점에 대해 구한 단축을 구해서 카운트를 누적시킨다. 중심점이 (241, 151)인 타원은 단축의 길이가 106, 92와 88등이 있지만, 단축의 길이가 88인 타원은 누적 카운트 값이 22로 제일 높다.
특징점이 될 수 있는 후보 특징점 (candidate key- point)들을 구하기 위해 가우시안 이미지들의 차를 이용해 DoG 이미지를 생성한다. DoG 이미지 刀(c部<7)는식 ⑵와 같이 두 개의 다른 분산값阮), (如, 硏 7)을가친 가우시안 이미지들의 차를 이용해 구할 수 있다.
2장에서는 관련 연구를 설명하명, 3장에서는 캐니 에지 검출 방법을 이용한 이미지.피라미드 구성과 허프변환을 이용한 타원검출단계 그리고 SIFT를 기반으로 특징점을 찾는 단계, 특징 벡터를 서술하는 단계와 이미지 유사성 검색 단계에 대해서 설평한다. 4장에서는 위성 이미지 집합과 ALOI (Amsterdam Library of Object Images)를 이용한 이미지 유사성 검색 실험을 하고, 5장에서 결론을 기술한다’
대상 데이터
4GHz CPU, 1GB 메모리 사양의 Windows XP환경에서 수행되었다. 또한 실험에 사용된 위성 이미지 집합은 구글어스(google earth) 프로그램을 사용해서 라스베이거스 지역, 도로, 공장지역과 같은 위성이미지롤 저장해서 사용하였다.
총 20개의 카테고리를 사용하였으며, 각 카테고리별로 24개씩 총 552개의 이미지를 사용하였으며, 질의 이미지는 40개를 사용하였다. 이미지의 크기는 384x288이다. 그림 12는 실험에 사용한 AL이를 나타낸다.
얻은 객체 이미지 집합이다[19]. 총 20개의 카테고리를 사용하였으며, 각 카테고리별로 24개씩 총 552개의 이미지를 사용하였으며, 질의 이미지는 40개를 사용하였다. 이미지의 크기는 384x288이다.
700x534의 크기를 가지고 있다. 총 25개의 질의 이미지는 각 카테고리에서 이미지의 일부를 300x300 크기로 잘라서 사용하였다. 그림 11은 실험에 사용된 위성이미지와 질의 이미지를 나타낸다.
데이터처리
위성 이미지 집합과 ALOKAmsterdam Library of Object Images)# 사용하여 본 논문에서 제안한 방법 (이하 CE-SIFT라고 함)과 기존의 SIFT, PCA-SIFT 방법의 성능을 비교하는 실험을 수행하였다. 제안하는 알고리즘의 성능을 분석하기 위혜서 Core2Duo 2.
이론/모형
제안한다. 밝기 변화와 잡음에 강한 특징점을 찾기 위해서 캐니 에지(Canny Edge) 검출 방법을 이용한 윤곽선 이미지를 사용한다. 윤곽선 이미지를 사용하여 다양한 해상도를 갖는 윤곽선 이미지들皇 재구성하기 때문에 크기, 회전에 불변할 뿐만 아니라 밝기 변화, 잡음에도 강한 특징점을 찾을 수 있다.
하지만 Pawel의 방법은 타원을 검출하기 위해 윤곽선 이미지 내의 모든 점들을 계산해야 하므로 많은 계산시간이 소요된다. 본 논문에서는 윤곽선 이미지 내에서 임의로 점들을 뽑아서 사용하는 Ran domized Hough Transform(RHT)[17]을 이용한다. RHT 를 이용한 타원 검출 방법은 모든 점이 아닌 임의로 점들을 선택하기 때문에 PawelS] 방법 보다 계산 시간이 줄어드는 장점이 있다.
재구성 된다. 재구성된 그레이스케일 이미지는 캐니 에지 검출 방법을 사용해서 윤곽선을 검출하기 위해 사용된다. 캐니 에지 검출 방법은 가우시안 마스크를 사용하여 이미지의 잡음을 제거하고, 소벨 마스크를 사용한 윤곽선 검출 방법과 같이 X, y축으로 기울기와 강도를 계산한다.
있다. 특징점과 특징점 사이의 거리 측정을 위해서유클리디언 (euclidean distance) 측정 방법이 사용된다.
성능/효과
1. 밝기변화, 크기, 위치 및 회젼에 불변하고 잡음에 강한 윤곽선 이미지를 사용하여 이미지 피라미드를 구성하므로 적은 수의 특징점들을 사용하여 이미지의 내용을 표현할 수 있으며, 밝기 변화와 잡음에 강한 특징점을 얻을 수 있다.
2. 이미지 내의 대상 객체를 관심 영역으로 포함시켜 이미지 유사성 검색 시 불필요한 연산의 부담을 줄일 수 있다.
3. 유사한 특징점 매칭 방법을 이용해서 두 이미지들 간에 유사하게 매칭 되는 특징점들을 찾을 수 있다.
기존의 SIFT, PCA-SIFT 방법들과 이미지 유사성 검색 성능을 비교한 결과 제안한 CE-SIFT가 기존의 SIFT 방법보다 위성 이미지 집합에서는 약 20% 정도 높은 성능을 보이고, 물체 이미지 집합인 ALOI에서는약 3.4% 정도 성능 향상을 보여준다. 즉, 제안한 방법은 객체 인식 응용뿐만 아니라 이미지 유사성 검색에도 적용할 수 있다는 것을 알 수 있다.
두 번째로 제안한 유사한 특징점 매칭 방법은 특징점퍄 특징점 사이의 거리가 임계값 이하인 점은 모두 매칭 되는 특징점으로 보는 것이다. 각각의 특징점과 특징점 사이의 거리를 구하는 방법은 동일하며, 임계값 (threshold value)이하의 거리 값을 갖는 특징점들은 모두 유사한 특징점으로 결정한다.
제안한 CE-SIFT 방법은 첫 번째로 윤곽선 이미지를 이용해서 이미지 피라미드를 구성하여 밝기 변화, 크기, 위치 및 회전에 불변하고 잡음 등에 강한 특징점을 얻을 수 있다. 두 번째로 타원 형태의 허프변환을 이용하여 관심영역을 추출함으로서특징점의 수를 줄일 수 있다. 세 번째로 제안한 유사한 특징점 매칭 방법을 이용하여 유사한 특징점을 찾을 수 있다.
세 번째로 제안한 유사한 특징점 매칭 방법을 이용하여 유사한 특징점을 찾을 수 있다. 따라서 밝기 변화, 크기, 위치 및 회전에 불변하고 잡음에 강한 특징점을 추출하고, 관심영역을 이용해서 불필요한 특징점을 제거함으로서 검색 성능은 더 높일 수 있으며, 계산에 소요되는 비용은 줄일 수 있다. 또한 유사한 특징점을 찾을 수 있기 때문에 이미지 매칭뿐만 아니라 유사 이미지 검색에서도 사용할 수 있는 장점을 지닌다.
기존의 SIFT 방법은 이미지 매칭, 물체 인식에서 많이 사용되었으나 많은 특징점들로 인한 계산량의 증가와 특징점 매칭 방법의 제약 때문에 이미지 유사성 검색에 바로 적용하기 어렵다. 제안한 CE-SIFT 방법은 첫 번째로 윤곽선 이미지를 이용해서 이미지 피라미드를 구성하여 밝기 변화, 크기, 위치 및 회전에 불변하고 잡음 등에 강한 특징점을 얻을 수 있다. 두 번째로 타원 형태의 허프변환을 이용하여 관심영역을 추출함으로서특징점의 수를 줄일 수 있다.
041 로 매우 낮은 결과를 보이고 있다. 제안한 CE-SIFT 방법이 SIFT 방법과 PCA-SIFT 방법에 비해서 이미지 유사성 검색에서 좋은 성능을 보여주고 있다. 매우 낮은 성능을 보인 PCA-SIFT 방법은 주성분 분석기법(PCA)을 이용했기 때문에 특징점에 대한 많은 정보를 가지고 있는 SIFT나 CE-SIFT방법에 비해 매우 낮은 검색 성능을 보여준다.
제안한 CE-SIFT의 평균 재현율은 유사한 이미지들을 사용한 위성 이미지 집합에서는 SIFT 방법 보다 약 20% 좋은 결과를 보여 주었다. 하지만 ALOI에서는 약 3.
4% 정도 성능 향상을 보여준다. 즉, 제안한 방법은 객체 인식 응용뿐만 아니라 이미지 유사성 검색에도 적용할 수 있다는 것을 알 수 있다. 이미지 유사성 검색의 성능을 더욱 높이기 위해 특징점을 서술하는 방법, 특징점을 색인하는 방법 등이 향후 해결해야할 과제이다.
본 논문에서는 두 가지 방법을 이용해 타원의 크기를 보정할 수 있다. 첫 번째로 타원의 크기를 누적 카운트 값의 비율에 따라 보정함으로서 정확한 관심영역을 설정할 수 있다. 단축의 누적 카운트의 비율에 따라 식 (9)와 같이 타원의 크기를 보정한다.
후속연구
즉, 제안한 방법은 객체 인식 응용뿐만 아니라 이미지 유사성 검색에도 적용할 수 있다는 것을 알 수 있다. 이미지 유사성 검색의 성능을 더욱 높이기 위해 특징점을 서술하는 방법, 특징점을 색인하는 방법 등이 향후 해결해야할 과제이다.
참고문헌 (19)
D. Lowe, "Object Recognition from Local Scale- Invariant Features," In International Conference on Computer Vision, pp. 1150-1157, 1999
D. Lowe, "Distinctive Image Features from Scale- Invariant Keypoints," Int'l J. Computer Vision, Vol.2, No.60, pp. 91-110, 2004
한재선, 이광국, 김회율, "SIFT와 ART를 이용한 지역서술자," 제 19회 신호처리합동학술대회, Vol.19, 2006
K Mikolajczyk, C Schmid, "An affine invariant interest point detector," ECCV, 2002
Y Ke, R Sukthankar, "PCA-SIFT: A more distinctive representation for local image descriptors," IEEE CVPR, 2004
W Cheung, G Hamarneh, "N-SIFT: N-DIMENSIONAL SCALE INVARIANT FEATURE TRANSFORM FOR MATCHING MEDICAL IMAGES," IEEE International Symposium on Biomedical Imaging, 2007
C. Harris, M.J. Stephens, "A combined corner and edge detector," In Alvey Vision Conference, pp. 147-152, 1988
H Bay, T Tuytelaars, L Van Gool, "SURF: Speeded Up Robust Features," ECCV, 2006
Yan Ke, Rahul Sukthankar, Larry Huston, "An efficient parts-based near-duplicate and sub-image retrieval system," Proceedings of the 12th annual ACM international conference on Multimedia, October 10-16, 2004
J. J. Foo, J. Zobel, R. Sinha, and S. Tahaghoghi, "Detection of near-duplicate images for web search," In Proc. Conference On Image And Video Retrieval, July 2007
Duda, R. O. and P. E. Hart, "Use of the Hough Transformation to Detect Lines and Curves in Pictures," Comm. ACM, Vol.15, pp. 11-15, 1972
R.Fergus, P.Perona, A.Zisserman, "Object Class Recognition by Unsupervised Scale-Invariant Learning," IEEE CVPR, 2003
Pawel Janusz Czerwi ski, Ryad Chellali, Vincent Fremont, "Ellipse Detection Using Hough Transform," Warsaw University of Technology and Ecole des Mines de Nantes, 2003
R. C. Gonzalez and R. E.Woods, "Digital Image Processing 3rd edition," Addison-Wesley, 2007
Saburo Tsuji, Fumio Matsumoto, "Detection of Ellipses by a Modified Hough Transformation," IEEE Transactions on Computers, 1978
Dimitrios Ioannoua, Walter Hudab, Andrew F. Laine, "Circle recognition through a 2D Hough Transform and radius histogramming," Image and Vision Computing, 1999
L Xu, E Oja, "Randomized Hough transform (RHT): basic mechanisms, algorithms, and computational complexities," CVGIP: Image Understanding, 1993
John Canny, "A Computational Approach to Edge Detection," IEEE Transactions on PAMI, 1986
※ AI-Helper는 부적절한 답변을 할 수 있습니다.