최근 휴대폰 카메라로 촬영한 영상을 입력으로 사용하는 시스템에 대한 연구가 활발히 이루어지고 있다. 본 논문에서는 와인라벨의 문자를 인식한 후, 데이터베이스내의 와인이미지들 중에서 입력 와인라벨 이미지와 유사한 순서대로 사용자에게 보여주는 시스템을 제안한다. 이미지의 유사도 계산을 위해 본 논문에서는 이미지의 각 영역별 대표색상, 텍스트 영역의 텍스트 색상과 배경색상, 그리고 특징점의 분포를 특징으로 사용한다. 이미지의 색상차를 계산하기 위해 RGB색상을 CIE-Lab색상으로 변환하여 사용하고, 특징점은 해리스코너 검출 알고리즘을 사용하여 추출한다. 각 셀의 대표 색상차와 텍스트 색상차 및 배경 색상차는 가중치를 적용하여 색상차 유사도를 계산하고 색상차 유사도와 특징점 분포 유사도를 정규화하여 최종 이미지 유사도를 구한다. 본 논문에서는 입력 이미지와 데이터베이스내의 이미지 간의 유사도를 계산하여 유사도 순으로 사용자에게 검색 결과를 보여줌으로써 검색 결과로부터 다시 최대 유사 와인라벨을 수동으로 찾는 노력을 줄일 수 있다.
최근 휴대폰 카메라로 촬영한 영상을 입력으로 사용하는 시스템에 대한 연구가 활발히 이루어지고 있다. 본 논문에서는 와인라벨의 문자를 인식한 후, 데이터베이스내의 와인이미지들 중에서 입력 와인라벨 이미지와 유사한 순서대로 사용자에게 보여주는 시스템을 제안한다. 이미지의 유사도 계산을 위해 본 논문에서는 이미지의 각 영역별 대표색상, 텍스트 영역의 텍스트 색상과 배경색상, 그리고 특징점의 분포를 특징으로 사용한다. 이미지의 색상차를 계산하기 위해 RGB색상을 CIE-Lab색상으로 변환하여 사용하고, 특징점은 해리스코너 검출 알고리즘을 사용하여 추출한다. 각 셀의 대표 색상차와 텍스트 색상차 및 배경 색상차는 가중치를 적용하여 색상차 유사도를 계산하고 색상차 유사도와 특징점 분포 유사도를 정규화하여 최종 이미지 유사도를 구한다. 본 논문에서는 입력 이미지와 데이터베이스내의 이미지 간의 유사도를 계산하여 유사도 순으로 사용자에게 검색 결과를 보여줌으로써 검색 결과로부터 다시 최대 유사 와인라벨을 수동으로 찾는 노력을 줄일 수 있다.
Recently the research on the system using images taken from camera phones as input is actively conducted. This paper proposed a system that shows wine pictures which are similar to the input wine label in order. For the calculation of the similarity of images, the representative color of each cell o...
Recently the research on the system using images taken from camera phones as input is actively conducted. This paper proposed a system that shows wine pictures which are similar to the input wine label in order. For the calculation of the similarity of images, the representative color of each cell of the image, the recognized text color, background color and distribution of feature points are used as the features. In order to calculate the difference of the colors, RGB is converted into CIE-Lab and the feature points are extracted by using Harris Corner Detection Algorithm. The weights of representative color of each cell of image, text color and background color are applied. The image similarity is calculated by normalizing the difference of color similarity and distribution of feature points. After calculating the similarity between the input image and the images in the database, the images in Database are shown in the descent order of the similarity so that the effort of users to search for similar wine labels again from the searched result is reduced.
Recently the research on the system using images taken from camera phones as input is actively conducted. This paper proposed a system that shows wine pictures which are similar to the input wine label in order. For the calculation of the similarity of images, the representative color of each cell of the image, the recognized text color, background color and distribution of feature points are used as the features. In order to calculate the difference of the colors, RGB is converted into CIE-Lab and the feature points are extracted by using Harris Corner Detection Algorithm. The weights of representative color of each cell of image, text color and background color are applied. The image similarity is calculated by normalizing the difference of color similarity and distribution of feature points. After calculating the similarity between the input image and the images in the database, the images in Database are shown in the descent order of the similarity so that the effort of users to search for similar wine labels again from the searched result is reduced.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 와인 라벨에 있는 문자를 인식하여 와인의 정보를 검색하는 시스템에서 와인의 특성으로 인해 텍스트 검색만으로는 정확한 와인정보를 검색할 수 없기에, 와인라벨 이미지를 이용한 내용기반 이미지 검색을 추가하여 와인라벨 이미지와 유사한 와인 정보를 상위에 표시하는 방법을 제안한다. 와인의 이름은 대부분 원산지, 포도 품종, 와인의 종류, 생산자명, 생산농장 이름 등으로 이루어져 있다.
따라서 와인라벨에 있는 특정 텍스트를 인식하여 와인정보 데이터베이스의 내용을 검색할 경우 중복되는 정보가 검색되게 된다. 본 논문에서는 많은 양의 와인라벨 검색 결과 중에 사용자가 입력한 와인과 유사한 와인 정보를 상위에 표시할 수 있도록 와인 라벨 이미지와 데이터베이스에 저장되어있는 와인라벨 이미지와의 유사도를 계산하여 유사도가 높은 순으로 표시한다.
본 장에서는 휴대폰 와인 정보 검색 시스템의 구성과 각 단계별 기능을 소개하고 마지막 검색 결과에서의 문제점과 그 문제점을 해결하기 위한 제안방법을 소개한다.
따라서 사용자는 검색 결과 중에서 어떤 와인 정보가 원하는 와인 정보인지를 수동으로 판별해야한다. 이를 해결하기 위해 본 논문에서는 검색어에 의한 다수의 와인정보 검색결과를 사용자에게 제공할 때 휴대폰 카메라로 촬영한 와인영상과 데이터베이스에 저장되어있는 와인영상을 비교하여 이미지의 유사도에 따라 와인 정보를 제공함으로써 사용자의 수동 검색 시간을 줄이고자 한다.
이미지 유사도 측정을 위해서는 이미지를 구분할 수 있는 특징을 추출하여 각 특징의 유사도를 계산해야 한다. 본 논문에서는 와인 이미지의 텍스트 영역검출 단계에서 구한 텍스트 영역을 기준으로 이미지의 특징을 추출한다. 이미지를 여러 개의 셀로 나누어 위치정보를 포함한 색상 특징, 이진화된 텍스트 이미지를 사용한 텍스트 색과 배경색 특징 그리고 이미지의 특징점 분포를 특징으로 사용하여 이미지의 유사도를 계산한다.
이미지 특징 데이터베이스로는 총 1473개를 생성하였다. 본 논문에서의 실험은 카메라로 촬영한 입력영상에서 텍스트 영역을 검출하고 텍스트 인식을 완료한 후 텍스트 검색 결과 이후의 상황에 대한 실험이다. 실험에서 데이터베이스로 사용할 이미지들은 실험 전에 특징추출 모듈을 통해 모든 특징이 추출되어 데이터베이스에 저장되어 있다.
이와 같은 한계점을 해결하고 와인 라벨 검색의 특성을 반영하고자, 본 논문에서는 휴대폰 기반 와인라벨 검색 시스템에서 텍스트 검색 후 다수의 후보 이미지군에서 이미지의 유사도를 계산하여 유사도가 높은 순으로 정렬하여 사용자에게 보여주는 시스템을 제안하였다. 이미지의 유사도를 계산하기 위해 이미지의 특징으로 이미지를 여러 개의 셀로 나누어 각 셀의 대표색상을 추출하고, 텍스트 영역의 이진화 된 결과를 이용하여 텍스트 색과 배경색을 추출하였다.
제안 방법
모양기반 이미지 매칭으로 [27]은 인덱스를 사용하여 매칭 성능을 향상시키는 방법을 제안하였다. 이 연구에서는 DFT의 진폭이 회전 불변의 특성을 가짐을 보이고, 이를 인덱스 구축 및 필터링에 사용하였다. Keogh은 회전-불변 이미지 매칭에 LB_Keogh[28]가 적용됨을 보이고, 이를 사용하여 회전-불변 거리계산이 필요한 후보개수를 크게 줄이는 방법을 제안하였다[29].
사용자는 와인라벨에서 검색하고자 하는 텍스트를 화면의 중앙에 위치하도록 휴대폰 카메라로 촬영하여 이미지를 와인 검색 시스템에 입력한다. 입력된 이미지에서 사용자가 검색하고자하는 텍스트의 영역을 검출하기 위해 이미지를 웨이블릿 변환을 하여 수평, 수직, 대각선의 주파수 변환 성분을 분석한다. 세 가지의 주파수 성분에서 주파수 변화가 큰 부분이 텍스트 영역이라 할 수 있다.
이처럼 다중의 필드 정보를 검색할 경우 휴대폰 환경에서 실행되어야 한다는 조건 때문에 실행시간이 길어 질 수 있다. 이를 해결하기 위해 와인 데이터베이스에 키워드라는 컬럼을 추가하고 와인데이터베이스에 해당하는 와인라벨에서 주요 단어를 키워드 컬럼에 추가한다. 와인 데이터베이스는 키워드를 기준으로 인덱싱하여 텍스트 검색 시 와인데이터베이스 전체를 탐색하지 않고 인덱싱된 문서만을 탐색하여 빠르게 검색결과를 출력할 수 있다.
본 논문에서는 와인 이미지의 텍스트 영역검출 단계에서 구한 텍스트 영역을 기준으로 이미지의 특징을 추출한다. 이미지를 여러 개의 셀로 나누어 위치정보를 포함한 색상 특징, 이진화된 텍스트 이미지를 사용한 텍스트 색과 배경색 특징 그리고 이미지의 특징점 분포를 특징으로 사용하여 이미지의 유사도를 계산한다.
이미지의 유사도는 비교이미지의 셀과 대응되는 셀의 색상차에 의해서 계산된다. 보다 정확한 색상차를 계산하기 위해 RGB를 CIE-L*a*b* 색상공간으로 변환하여 색상차를 계산한다.
[그림 8]은 해리스 코너 검출 알고리즘을 사용하여 검출된 특징점들을 나타낸 그림이다. 각각의 특징점의 위치 분포를 알기위해 이미지를 여러 개의 셀로 나누어 각 셀에 포함되는 특징점의 비율을 사용한다.
본 논문에서 사용한 와인 데이터베이스는 1184개의 와인정보를 가지고 있고, 755개의 키워드에 대해 와인 데이터베이스가 인덱싱되었다. 이미지 검색을 위해서 와인정보 데이터베이스에 있는 이미지의 특징정보를 미리 추출하여 저장해 놓는다. 이미지의 특징은 이미지의 각 영역별 대표 색상, 텍스트 색상, 배경색상, 특징점 분포를 사용하였다.
이미지 검색을 위해서 와인정보 데이터베이스에 있는 이미지의 특징정보를 미리 추출하여 저장해 놓는다. 이미지의 특징은 이미지의 각 영역별 대표 색상, 텍스트 색상, 배경색상, 특징점 분포를 사용하였다. 이미지 특징 데이터베이스로는 총 1473개를 생성하였다.
와인 라벨 인식시스템에 입력 영상과 텍스트 영역정보가 전달되면, 입력 영상의 텍스트 영역으로부터 4장에서 설명한 특징들을 추출한다. 추출된 특징은 텍스트 검색에 의해 선택된 데이터베이스의 후보군들과의 유사도를 계산하고 유사도가 높은 순으로 데이터베이스이미지를 정렬하여 보여준다.
[그림 13]의 (a)처럼 입력영상과 텍스트 영역이 입력으로 들어오면 (b)의 그림처럼 텍스트 영역의 크기를 데이터베이스이미지의 크기에 맞게 변형한다. 입력영상의 이미지와 데이터베이스에 정의되어있는 이미지를 상관도를 이용하는 방법과 상관계수를 이용하는 방법 두 가지로 이미지의 유사도를 계산한다. 각각의 결과는 정규화 하여 0~1사이의 값을 갖도록 하였다.
실험은 59가지의 텍스트 검색 결과에 대해서 이미지 검색을 실행하였다. 텍스트 검색 결과로 나온 여러 와인 정보의 이미지와 입력 영상과의 이미지 매칭을 통하여 유사한 순으로 정렬하고, 정답인 와인정보가 몇 번째 순위로 나왔는지를 보여준다.
텍스트 검색 결과로 나온 여러 와인 정보의 이미지와 입력 영상과의 이미지 매칭을 통하여 유사한 순으로 정렬하고, 정답인 와인정보가 몇 번째 순위로 나왔는지를 보여준다. 제안한 방법과 템플릿 매칭의 유사도 계산 방법 2가지에 대해 각각 실험을 진행하였다.
이와 같은 한계점을 해결하고 와인 라벨 검색의 특성을 반영하고자, 본 논문에서는 휴대폰 기반 와인라벨 검색 시스템에서 텍스트 검색 후 다수의 후보 이미지군에서 이미지의 유사도를 계산하여 유사도가 높은 순으로 정렬하여 사용자에게 보여주는 시스템을 제안하였다. 이미지의 유사도를 계산하기 위해 이미지의 특징으로 이미지를 여러 개의 셀로 나누어 각 셀의 대표색상을 추출하고, 텍스트 영역의 이진화 된 결과를 이용하여 텍스트 색과 배경색을 추출하였다. 또한 특징 점을 검출하여 특징 점의 분포를 이미지의 특징으로 사용하였다.
이미지의 유사도를 계산하기 위해 이미지의 특징으로 이미지를 여러 개의 셀로 나누어 각 셀의 대표색상을 추출하고, 텍스트 영역의 이진화 된 결과를 이용하여 텍스트 색과 배경색을 추출하였다. 또한 특징 점을 검출하여 특징 점의 분포를 이미지의 특징으로 사용하였다. 이 세 가지 특징들의 유사도 값을 합산하여 이미지의 유사도를 계산하였다.
또한 특징 점을 검출하여 특징 점의 분포를 이미지의 특징으로 사용하였다. 이 세 가지 특징들의 유사도 값을 합산하여 이미지의 유사도를 계산하였다. 본 논문에서는 이렇게 계산된 유사도에 의해 검색 결과를 정렬하여 와인 정보와 함께 디스플레이함으로써 사용자는 검색 결과에서 다시 유사 이미지를 찾아야하는 수동 작업을 줄일 수 있었다.
대상 데이터
[그림 1]은 MUIFIN의 검색 결과로서 키워드 검색을 이용하여 이미지를 찾고 찾은 이미지 중에서 한 이미지를 선택하여 선택한 이미지와 유사한 이미지들을 검색하여 보여준다. 데이터베이스의 자료는 CoPhIR(Content-based Photo Image Retrieval)에서 제공하는 데이터와 Flickr 이미지 검색 사이트의 이미지 데이터를 사용한다[19]. 이미지 유사도 검색을 위해 사용하는 특징은 MPEG-7에서 정의하는 특징 기술자 중에서 ColorStructure, ColorLayout, ScalableColor, EdgeHistogram, HomogeneousTexture를 사용한다.
본 논문에서 사용한 와인 데이터베이스는 1184개의 와인정보를 가지고 있고, 755개의 키워드에 대해 와인 데이터베이스가 인덱싱되었다. 이미지 검색을 위해서 와인정보 데이터베이스에 있는 이미지의 특징정보를 미리 추출하여 저장해 놓는다.
이미지의 특징은 이미지의 각 영역별 대표 색상, 텍스트 색상, 배경색상, 특징점 분포를 사용하였다. 이미지 특징 데이터베이스로는 총 1473개를 생성하였다. 본 논문에서의 실험은 카메라로 촬영한 입력영상에서 텍스트 영역을 검출하고 텍스트 인식을 완료한 후 텍스트 검색 결과 이후의 상황에 대한 실험이다.
이론/모형
각각의 특징들에 가중치를 두어 유사도를 계산한다. 데이터베이스는 M-Chord, M-Tree 인덱싱 방법을 이용하여 구축하고 검색에 사용한다.
MiPai는 텍스트 검색과 이미지 검색을 모두 지원하며 이미지 검색 입력으로 URL이나 파일을 사용할 수 있다. MiPai 검색 서비스에서 사용하는 데이터베이스는 Flickr의 이미지를 사용하여 구축하였으며, Permutatio Prefix Index방법으로 데이터베이스를 구축하고 검색에 사용한다. [그림 2]는 MiPai의 검색 결과를 보여준다.
위에서 추출한 색상 특징을 살펴보면 대표색상을 사용한 특징 추출이기 때문에 이미지의 정보가 많이 손실 되어있다. 색상 이외에 형태적인 특징을 이용하기 위해 해리스 코너 검출 알고리즘을 사용하여 특징점을 추출한다. 해리스 코너검출 알고리즘은 수식 (1)과 같이 표현된다.
색상특징들의 유사도는 CIE-L*a*b*의 색차식을 사용하여 유사도를 계산한다. 색차식은 수식 (2)와 같다.
제안방법의 성능을 비교하기 위하여 OpenCV에서 제공하는 템플릿 매칭 함수를 사용한 이미지 매칭 방법으로 실험을 하였다. OpenCV는 인텔(Intel)사가 제작한 Open Source Computer Vision Library의 약자로 영상 처리를 위한 저수준의 함수를 표준 Dynamic Link Library 또는 Static Library형으로 제공한다[31-33].
성능/효과
제안방법의 결과는 정답이 1순위인 것은 59개의 실험 중 37개로 62.71%이고 템플릿 매칭을 사용한 결과는 각각 28개 47.46%, 26개 44.07%로 나타났다. 2순위나 3순위로 나타난 경우는 제안방법이 13개 22.
시스템에서 이미지 검색의 결과는 와인정보가 3개씩 페이지 별로 보이게 된다. 첫 번째 페이지에 보일 3순위까지의 누적 결과를 보면 제안방법이 84.74%, 템플릿 매칭이 각각 81.44%, 83.05%로 제안방법의 결과가 더 우수하다.
이 세 가지 특징들의 유사도 값을 합산하여 이미지의 유사도를 계산하였다. 본 논문에서는 이렇게 계산된 유사도에 의해 검색 결과를 정렬하여 와인 정보와 함께 디스플레이함으로써 사용자는 검색 결과에서 다시 유사 이미지를 찾아야하는 수동 작업을 줄일 수 있었다.
후속연구
따라서 보르도(BORDEAUX)를 검색어로 검색하게 되면 와인라벨에 “BORDEAUX”가 표기 되지 않은 와인을 포함하여 매우 많은 종류의 와인에 대한 정보가 사용자에게 제공 될 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
색상 공간상의 양자화를 통하여 색상 수를 줄이고 라벨링(labeling)하여 공간 특징을 추출하는 방법의 단점은 무엇인가?
[23]는 색상 공간상의 양자화를 통하여 색상 수를 줄이고 라벨링(labeling)하여 공간 특징을 추출하였다. 그러나 양자화하는 과정에서 구간 경계에 있는 색상의 경우 오차가 발생하게 되는 단점과, 양자화 하여 얻은 이미지를 각색상별로 라벨링하여 공간 특징을 도출해 내므로 비용이 높은 단점이 있다. 이러한 문제를 해결하기 위해 T.
이미지 인식 기술은 무엇을 기반으로 발전하고 있는가?
이미지 인식 기술은 영상의 입력, 추출, 해석 기능을 기반으로 주어진 패턴을 탐색, 식별, 판독하여 인식한다[3]. 이미지 인식 기술은 이러한 패턴 인식 알고리즘과 인식엔진을 기반으로 발전하고 있다. 휴대폰 카메라에서 이미지 인식을 위해서는 특징 이미지 영역을 추출하거나 처리 속도 및 다양한 이미지를 인식하는 기술들이 필요하다[4].
이미지 인식 기술은 어떤 기능을 기반으로 주어진 패턴을 탐색, 식별, 판독하여 인식하는가?
뿐만 아니라 휴대폰 카메라를 통한 커뮤니케이션 비중이 증가하여 텍스트 대비 정보 전달 수단으로 사진이나 동영상 비중이 높아지고 있다[2]. 이미지 인식 기술은 영상의 입력, 추출, 해석 기능을 기반으로 주어진 패턴을 탐색, 식별, 판독하여 인식한다[3]. 이미지 인식 기술은 이러한 패턴 인식 알고리즘과 인식엔진을 기반으로 발전하고 있다.
참고문헌 (34)
E. Bruns and O. Bimber, "Adaptive training of video sets for image recognition on mobile phones," Personal and Ubiquitous Computing, Vol.13, pp.165-178, 2009.
K. Liu, Y. Q. Cheng, and J. Y. Yang, "Algebraic feature extraction for image recognition based on an optimal discriminant criterion," Pattern Recognition, Vol.26, pp.903-911, 1993.
J. Gausemeier, J. Fruend, G, Matysczok, B, Fruederlin, and D, Beier, "Development of a real time image based object recognition method for mobile AR-devices," In Proceedings of Afrigraph, pp.133-139, 2003.
J. R. Smith and S. F. Chang, "VisualSEEk : A Fully Automated Content-Based Image Query System," ACM Multimedia Conference, pp.87-98, 1996.
M. Carson, S. Thomas, J. M. Belongie, and J. Malik, "Blobworld : A system for region-based image indexing and retrieval," International Conference on Visual Information Systems, pp.509-516, 1999.
L. Zhang, F. Lin, and B. Zhang, "A CBIR method based on color-spatial feature," Proceedings of the IEEE Region 10 Conference, Vol.1, pp.166-169, 1999.
B. G.Prasad, K. K. Biswas, and S. K. Gupta, "Region -based image retrieval using integrated color,shape, and location index," Computer Vision and Image Understanding, Vol.94, pp.193-233, 2004.
A. F. Smeaton, "Content vs. context for multimedia semantics: The case of SenseCam image structuring," 1st Int. Conf. on Semantics and Digital Media Technologies, pp.1-10, 2006.
J. Lim, J. H. Lim, and Q. Tian, "Automatic summarization for personal digital photos," Communications and Signal Processing, and the 4th Pacific Rim Conf. on Multimedia, Vol.3, pp.1536-1540, 2003.
J. H. Lim and Q. Tian, "Home photo content modeling for personalized event-based retrieval," IEEE Multimedia, Vol.10, No.4, pp.28-37, 2003.
D. Gavilan, "Mobile Image Categorization and Retrieval using Color Blobs," Tokyo Institute of Technology, 2005.
P. J. Kuo, T. Aoki, and H. Yasuda, "Building personal digital photograph libraries: An approach with ontology-based MPEG7 dozen dimensional digital content architecture," IEEE Proc. Computer Graphics International, pp.482-489, 2004.
C. C. Venters and M. Cooper, "A Review of Content-based Image Retrieval Systems," Manchester Visualization Centre, JISC Technology Applications, 2000.
J. Eakins and M. Graham, "Content-based Image Retrieval," Tech. Rep. Technical Report TAP-039, JISC Technology Application, 2000.
이현운, 전준철, "Wavelet 변환과 질감 특성을 이용한 내용기반 영상검색," 한국정보처리학회 춘계 학술발표논문집, 제7권, 제1호, pp.13-14, 2000.
M. Batko, F. Falchi, C. Lucchese, D. Novak, R. Perego, F. Rabitti, J. Sedmidubsky, and P. Zezula. "Crawling, Indexing, and Similarity Searching Images on the Web," In Proceedings of the Sixteenth Italian Symposium on Advanced Database Systems, pp.382-389. 2008.
M. Batko, D. Novak, V. Dohnal, and P. Zezula. "Scaling up the Image Content-based Retrieval," In Second DELOS Conference - Working Notes. Pisa, Italy: DELOS Network of Excellence, pp.1-10, 2007.
P. Bolettieri, A. Esuli, F. Falchi, C. Lucchese, R. Perego, T. Piccioli, and F. Rabitti, "CoPhIR: a test collection for content-based image retrieval," CoRR, 2009.
A Esuli, C. N. delle Ricerche-Italy, "MiPai: using the PP-Index to build an efficient and scalable similarity search system," Second International Workshop on Similarity Search and Applications, pp.146-148, 2009.
강문주, 김덕은, 양동일, 최형진, "관심영역 이미지 검색을 위한 ROI 시스템 구현," 전자상거래학회지, 제6권, 제3호, pp.41-60, 2006.
J. Hafner, H. S. Sawhney, W. Equitz, M. Flickner and W. Niblack, "Efficient Color Histogram Indexing for Quadratic Form Distance Functions," IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol.17, pp,729-736, 1995.
J. R. Smith and S. F. Chang, "VisualSeek: a fully automated content-based image query system," Proceedings of ACM Multimedia, pp.87-98, 1996.
T. S. Chua, K. L. Tan and B. C. Qoi, "Fast Signature-based Color-Spatial Image Retrieval," proceedings of the IEEE International Conference on Multimedia Computing and System, pp.362-369, 1997.
Y. Gong, G. Proietti and C. Faloutsos, "Image Indexing and Retrieval Based on Human Perceptual Color Clustering," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp.578-583, 1998.
W. K. Pratt, Digital Image Processing, 4th Ed., Eastman Kodak Company, Rochester, New York, 2007.
M. Vlachos, Z. Vagena, P. S. Yu, and V. Athitsos, "Rotation Invariant Indexing of Shapes and Line Drawings," In Proc. of ACM Conf. on Information and Knowledge Management, Bremen, Germany, pp.131-138, Oct. 2005.
E. Keogh, "Exact Indexing of Dynamic Time Warping," In Proc. the 28th Int'l Conf. on Very Large Data Bases, Hong Kong, pp.406-417, 2002(8).
E. J. Keogh, L. Wei, X. Xi, M. Vlachos, S. H. Lee, and P. Protopapas, "Supporting Exact Indexing of Arbitrarily Rotated Shapes and Periodic Time Series under Euclidean and Warping Distance Measures," The VLDB Journal, Vol.18, No.3, pp.611-630, 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.