본 논문에서는 약병의 크기와 색상정보 특징을 추출하여 약병영상 분류 기법을 제안한다. 약병영상 분류에 있어 유사한 크기와 모양을 지닌 약병이 다양하게 존재하므로, 약병의 한 가지 특징만으로는 약병을 분류하기가 어렵다. 이러한 약병의 분류 문제를 해결하기 위해 본 논문에서는 약병의 크기와 색상정보의 특징을 추출하여 약병을 분류하였다. 제안된 알고리즘의 첫 번째 단계에서는 약병영상에서 Red, Green, Blue의 이진화문턱치(Binary threshold)를 이용하여 약병 영역의 MBR(Minimum Boundary Rectangle)을 추출하여 크기로 분류하였고, 두 번째 단계에서는 크기로 분류된 약병영상 가운데 조명의 조도 변화에 강인한 색상(Hue)정보와 RGB 각각의 채널에 대한 컬러 평균 비율 정보를 이용하여 약병을 분류하였으며, 마지막 단계에서는 SURF(Speeded Up Robust Features)알고리즘을 사용하여 데이터베이스에서 특징점을 추출한 후보군 약병영상과 입력 약병영상의 유사도가 가장 높은 약병영상을 검색하여 약병을 분류하였다. 실험을 통해 이러한 방법이 보다 효율적이고 신뢰성 있음을 입증하였다.
본 논문에서는 약병의 크기와 색상정보 특징을 추출하여 약병영상 분류 기법을 제안한다. 약병영상 분류에 있어 유사한 크기와 모양을 지닌 약병이 다양하게 존재하므로, 약병의 한 가지 특징만으로는 약병을 분류하기가 어렵다. 이러한 약병의 분류 문제를 해결하기 위해 본 논문에서는 약병의 크기와 색상정보의 특징을 추출하여 약병을 분류하였다. 제안된 알고리즘의 첫 번째 단계에서는 약병영상에서 Red, Green, Blue의 이진화 문턱치(Binary threshold)를 이용하여 약병 영역의 MBR(Minimum Boundary Rectangle)을 추출하여 크기로 분류하였고, 두 번째 단계에서는 크기로 분류된 약병영상 가운데 조명의 조도 변화에 강인한 색상(Hue)정보와 RGB 각각의 채널에 대한 컬러 평균 비율 정보를 이용하여 약병을 분류하였으며, 마지막 단계에서는 SURF(Speeded Up Robust Features)알고리즘을 사용하여 데이터베이스에서 특징점을 추출한 후보군 약병영상과 입력 약병영상의 유사도가 가장 높은 약병영상을 검색하여 약병을 분류하였다. 실험을 통해 이러한 방법이 보다 효율적이고 신뢰성 있음을 입증하였다.
In this paper, we propose the classification method of medicine bottle images using the features with color and size information. It is difficult to classify with size feature only, because there are many similar sizes of bottles. Therefore, we suggest a classification method based on color informat...
In this paper, we propose the classification method of medicine bottle images using the features with color and size information. It is difficult to classify with size feature only, because there are many similar sizes of bottles. Therefore, we suggest a classification method based on color information, which robust to illumination variations. First, we extract MBR(Minimum Boundary Rectangle) of medicine bottle area using Binary Threshold of Red, Green, and Blue in image and classify images with size. Then, hue information and RGB color average rate are used to classify image, which features are robust to lighting variations. Finally, using SURF(Speed Up Robust Features) algorithm, corresponding image can be found from candidates with previous extracted features. The proposed method makes to reduce execution time and minimize the error rate and is confirmed to be reliable and efficient from experiment.
In this paper, we propose the classification method of medicine bottle images using the features with color and size information. It is difficult to classify with size feature only, because there are many similar sizes of bottles. Therefore, we suggest a classification method based on color information, which robust to illumination variations. First, we extract MBR(Minimum Boundary Rectangle) of medicine bottle area using Binary Threshold of Red, Green, and Blue in image and classify images with size. Then, hue information and RGB color average rate are used to classify image, which features are robust to lighting variations. Finally, using SURF(Speed Up Robust Features) algorithm, corresponding image can be found from candidates with previous extracted features. The proposed method makes to reduce execution time and minimize the error rate and is confirmed to be reliable and efficient from experiment.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 약병영상에서 배경이 차지하는 비율이 높기 때문에 조명의 조도 변화에 따라 배경의 영상정보가 수시로 바뀌기 때문에 약병영상에서 정확한 특징값을 추출하기가 어려워진다. 따라서 본 연구에서는 약병의 인식률을 높이기 위해 불필요한 배경정보를 제거하고 약병의 MBR 영역을 추출하는 전처리 단계를 수행한다. 그림 4의 (a)는 약병 원영상이며, 그림 4의 (b)는 MBR 영역을 추출하기 위해서 RGB 영상 대해서 각각의 Red, Green, Blue 채널을 분리한 영상이며, 그림 4의 (c)는 각 영상에 대해서 적응적 이진화 문턱치 역(Adaptive binary threshold inverse)을 이용하여 문턱치(Threshold) 값보다 작으면 1로 나타내고 크면 0으로 나타낸 약병영상이다.
본 논문에서는 HSV 컬러 모델에서 주도적인 색상(Hue) 정보와 RGB 컬러 모델에서 각 채널에 대한 컬러 평균 비율의 정보 및 SURF알고리즘을 사용하여 약병 분류 알고리즘을 제안하였다. 그림 3은 제안한 알고리즘의 순서도이다.
본 논문에서는 약화 사고 방지를 위한 약병을 분류하는 기법을 제안하였다. 약병영상의 경우 유사한 크기와 모양, 색상이 지닌 수많은 약병으로부터 원하는 약병을 분류하는 문제는 약병영상의 한 가지 특성 정보만을 이용하여 분류하기는 힘들다.
가설 설정
RGB 값들은 [0, 1] 범위로 정규화 되었으며, 각도 Θ는 HSV 공간의 적색 축을 기준으로 측정되는 것으로 가정한다.
제안 방법
본 논문에서 제안한 알고리즘은 RGB 컬러 공간 정보를 그대로 이용하기 보다는 조명 조도 변화에 강인하고 인간의 시각 능력과 유사한 특성을 갖는 HSV 컬러 공간의 색상 (Hue)정보에 대한 히스토그램을 사용하여 주도적인 색상(Hue) 크기를 추출하여 특징값으로 사용하였다. 그리고 RGB 컬러 공간에서 각 채널의 컬러 평균 비율의 정보를 특징값으로 사용하였다.
이처럼 크기 불변하는 특징을 얻기 위해 2차 미분이 근사화된 사각필터의 크기를 변화시켜 입력영상과 컨볼루션을 하기 때문에 앨리어싱(Aliasing)이 없어지고 반복 연산의 횟수를 크게 줄어들어 계산적으로 효율성이 뛰어나다. 그리고 회전 불변에 특성을 갖기 위해 찾아진 특징점을 중심으로 방향에 대한 정규화를 수행한다. 마지막으로, 특징점 주위에 4×4의 윈도우를 구성하고 각 세부 영역에는 각각 Haar Wavelet을 사용하여 특징벡터를 만들어 매칭을 결정짓는 특징으로 사용한다.
이에 따라 제안한 알고리즘에서는 약병을 분류하는데 변별력이 없는 배경영역을 제외시키고 약병의 MBR 영역을 구해서 약병의 MBR 영역의 크기로 1차적으로 약병을 분류하는 과정을 거쳤다. 두 번째 단계에서는 약병에서도 각기 다른 컬러가 많이 존재하므로 컬러 영역의 분할을 하였고 그 중에서도 조명 조도 변화에 강인한 주도적인 Hue Value의 특징값과 RGB 컬러 비율 특징값을 사용하여 약병을 분류하였다. 마지막 단계에서는 앞서 특징값을 통해 분류된 후보군에 대해 SURF알고리즘에 사용하여 시간적인 부분과 오분류를 최소화하였다.
또한 여러 가지 특징값이 있더라도 각자의 특성이 독립적이지 않는 한 특징값은 유효하지 않는다. 따라서 본 논문에서는 독립적인 약병의 특징값을 추출해서 약병을 분류하였으며, 또한 조명의 조도 변화에 따라 컬러 영역의 색상의 크기의 변화에 둔감한 특징값을 사용하였다. 이에 따라 제안한 알고리즘에서는 약병을 분류하는데 변별력이 없는 배경영역을 제외시키고 약병의 MBR 영역을 구해서 약병의 MBR 영역의 크기로 1차적으로 약병을 분류하는 과정을 거쳤다.
반면 인간의 시각 능력과 유사한 특성을 갖는 HSV 컬러 모델은 색상 요소인 H(Hue), S(Saturation)와 명암 요소인 V(Value)가 분리됨으로써, 영상 획득시 조명의 조도 변화의 둔감한 장점을 지닌다. 따라서 본 알고리즘에서는 색상 요소 중 H와 S 성분 중에서 H성분만을 이용하여 특징값을 추출한다. S 성분을 특징값으로 사용하는 않는 이유는 S 성분은 R, G, B 성분 중 하나라도 최소값(Min)값에 0이 존재하면 S 성분의 값은 0이 된다.
실험 과정은 약병영상의 MBR 영역의 크기 분류, 약병영상 컬러영역의 주도적인 Hue 색상 성분 및 RGB 컬러 비율, SURF알고리즘을 이용하여 약병영상 분류에 있어 우수성을 검증하였다. 또한 서로 다른 258장의 약병영상에 대해서 사전에 특징값을 추출하여 데이터베이스에 저장해두고 약병을 놓을 때마다 실시간으로 매칭여부를 판단하는 실험을 하였다.
두 번째 단계에서는 약병에서도 각기 다른 컬러가 많이 존재하므로 컬러 영역의 분할을 하였고 그 중에서도 조명 조도 변화에 강인한 주도적인 Hue Value의 특징값과 RGB 컬러 비율 특징값을 사용하여 약병을 분류하였다. 마지막 단계에서는 앞서 특징값을 통해 분류된 후보군에 대해 SURF알고리즘에 사용하여 시간적인 부분과 오분류를 최소화하였다. 실험을 통하여 본 논문에서 제안한 기법이 실시간으로 처리되는 258가지의 약병의 분류를 보다 효율적이고 신뢰성 있게 분류할 수 있는 기법임을 증명하였다.
마지막으로 본 논문에서 제안한 것은 SURF 알고리즘을 이용하여 앞서 분류된 후보군 중에서 가장 많은 매칭 포인트를 갖는 약병영상을 찾아서 분류하는 것이다.
마지막으로, 특징점 주위에 4×4의 윈도우를 구성하고 각 세부 영역에는 각각 Haar Wavelet을 사용하여 특징벡터를 만들어 매칭을 결정짓는 특징으로 사용한다.
본 논문에서 제안한 알고리즘은 RGB 컬러 공간 정보를 그대로 이용하기 보다는 조명 조도 변화에 강인하고 인간의 시각 능력과 유사한 특성을 갖는 HSV 컬러 공간의 색상 (Hue)정보에 대한 히스토그램을 사용하여 주도적인 색상(Hue) 크기를 추출하여 특징값으로 사용하였다. 그리고 RGB 컬러 공간에서 각 채널의 컬러 평균 비율의 정보를 특징값으로 사용하였다.
본 논문에서 제안한 알고리즘은 영상 분류에서 가장 널리 사용되는 인간 시각의 특징 중의 하나인 컬러의 특징을 사용하였다. 컬러는 상대적으로 복잡한 배경에서 강인하고 영상의 크기와 방향으로부터 간섭을 받지 않는다.
제안한 방법의 적합성을 증명하기 위하여 258개의 약병영상을 이용하여 데이터베이스를 구성하였으며 실험용 PC는 Inter Core i5 CPU와 4G Byte Memory Computer의 사양이며, Visual Studio 2010 컴파일러를 사용하였다. 실험 과정은 약병영상의 MBR 영역의 크기 분류, 약병영상 컬러영역의 주도적인 Hue 색상 성분 및 RGB 컬러 비율, SURF알고리즘을 이용하여 약병영상 분류에 있어 우수성을 검증하였다. 또한 서로 다른 258장의 약병영상에 대해서 사전에 특징값을 추출하여 데이터베이스에 저장해두고 약병을 놓을 때마다 실시간으로 매칭여부를 판단하는 실험을 하였다.
따라서 본 논문에서는 독립적인 약병의 특징값을 추출해서 약병을 분류하였으며, 또한 조명의 조도 변화에 따라 컬러 영역의 색상의 크기의 변화에 둔감한 특징값을 사용하였다. 이에 따라 제안한 알고리즘에서는 약병을 분류하는데 변별력이 없는 배경영역을 제외시키고 약병의 MBR 영역을 구해서 약병의 MBR 영역의 크기로 1차적으로 약병을 분류하는 과정을 거쳤다. 두 번째 단계에서는 약병에서도 각기 다른 컬러가 많이 존재하므로 컬러 영역의 분할을 하였고 그 중에서도 조명 조도 변화에 강인한 주도적인 Hue Value의 특징값과 RGB 컬러 비율 특징값을 사용하여 약병을 분류하였다.
컬러는 상대적으로 복잡한 배경에서 강인하고 영상의 크기와 방향으로부터 간섭을 받지 않는다. 하지만 조명의 조도 변화와 약병의 놓아지는 위치에 따라 영상에서 추출하는 특징정보가 변화될 수 있으므로 조명의 조도 변화에 강인한 주도적인 색상(Hue)정보와 R, G, B 각각의 채널에 대한 컬러 평균 비율의 정보를 사용하여 추출한 특징값으로 약병영상의 후보군을 추출한 뒤, SURF알고리즘을 적용하여 후보군 중에 가장 매칭 포인트가 가장 높은 약병영상을 최종적으로 분류하였다. SURF(Speeded Up Robust Features)알고리즘은 SIFT(Scale Invariant Feature Transform)알고리즘보다 속도를 높이고 비슷한 성능을 가진 대응점 정합 알고리즘이다[4][5][6].
대상 데이터
제안한 방법의 적합성을 증명하기 위하여 258개의 약병영상을 이용하여 데이터베이스를 구성하였으며 실험용 PC는 Inter Core i5 CPU와 4G Byte Memory Computer의 사양이며, Visual Studio 2010 컴파일러를 사용하였다. 실험 과정은 약병영상의 MBR 영역의 크기 분류, 약병영상 컬러영역의 주도적인 Hue 색상 성분 및 RGB 컬러 비율, SURF알고리즘을 이용하여 약병영상 분류에 있어 우수성을 검증하였다.
이론/모형
SURF알고리즘은 4개의 점(Point)만 알면 사각형 면적을 빠르게 계산할 수 있는 적분 영상(Integral Image)을 사용하였으며, 생성된 적분 영상을 적분영상과 근사화된 헤이시안 검출기에 기반을 둔 고속 헤시안 검출기(Fast Hessian Detector)를 거쳐 특징점을 추출한다[8][9]. 식 (4)는 헤시안 검출기에서 사용되는 헤시안 매트릭스이다.
성능/효과
그림 11은 약병영상에 대해서 약병 MBR 영역의 크기와 약병영상 컬러 영역의 Hue Value로 약병영상이 분류가 되었으며, 그림 12는 약병 크기, 약병영상 컬러 영역의 Hue Value의 특징값을 적용시킨 결과 비슷한 색상이 분류되는 것을 볼 수 있다. 다음 특징값인 RGB 컬러 비율을 통해 6개의 후보군을 4개의 후보군으로 줄였으며, 4개의 후보군에 대해 SURF알고리즘을 적용한 결과 매칭 포인트는 11, 10 , 325, 11로 세 번째 약병영상이 월등히 높게 나왔다. 따라서 매칭 포인트가 크게 나온 세 번째 영상이 최종적으로 분류된다.
12s이다. 따라서 SIFT알고리즘에 비해 실행시간에 있어서도 약 4배가량이 빠르다는 것을 입증한다.
이에 따라 실시간으로 약병을 분류하는 시스템에 있어 많은 이점이 가진다. 또한 그림 12에서 볼 수 있듯이 본 논문은 258개 약병영상의 데이터베이스를 제안하는 약병의 크기분류, 약병영상 컬러영역의 컬러 특징값을 통해서 최대 5개 이하로 후보군을 줄임으로써 SURF알고리즘에서 소요되는 시간을 많이 단축시켰다. 그리고 그림 12는 SIFT알고리즘을 실행시켰을 때 4개의 후보군의 평균 실행시간은 0.
본 논문의 핵심 아이디어를 검증하기 위해 입력된 약병 영상으로부터 먼저 MBR영역을 추출하는 것을 볼 수 있다. MBR 영역의 추출은 마지막에 SURF알고리즘을 사용하는데 있어 시간적으로 많은 시간을 단축시킨다.
마지막 단계에서는 앞서 특징값을 통해 분류된 후보군에 대해 SURF알고리즘에 사용하여 시간적인 부분과 오분류를 최소화하였다. 실험을 통하여 본 논문에서 제안한 기법이 실시간으로 처리되는 258가지의 약병의 분류를 보다 효율적이고 신뢰성 있게 분류할 수 있는 기법임을 증명하였다.
또한, Hue 색상의 특징값도 그림 9와 같이 조명의 조도 변화에도 변화 되지 않으므로, 조명의 조도 변화에 강인하다는 것을 알 수 있다. 앞서 말한 약병영상의 MBR 영역의 크기, 주도적인 Hue Value, RGB 컬러 평균 비율 등의 특징값을 사용하여 데이터베이스에 있는 약병영상 258개를 5개 이하의 후보군으로 줄일 수 있다. 이것은 본 논문에서 마지막에 사용되는 SURF알고리즘에 적용될 때 시간 단축과 오차율을 상당히 줄일 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
SURF(Speeded Up Robust Features)알고리즘이란?
하지만 조명의 조도 변화와 약병의 놓아지는 위치에 따라 영상에서 추출하는 특징정보가 변화될 수 있으므로 조명의 조도 변화에 강인한 주도적인 색상(Hue)정보와 R, G, B 각각의 채널에 대한 컬러 평균 비율의 정보를 사용하여 추출한 특징값으로 약병영상의 후보군을 추출한 뒤, SURF알고리즘을 적용하여 후보군 중에 가장 매칭 포인트가 가장 높은 약병영상을 최종적으로 분류하였다. SURF(Speeded Up Robust Features)알고리즘은 SIFT(Scale Invariant Feature Transform)알고리즘보다 속도를 높이고 비슷한 성능을 가진 대응점 정합 알고리즘이다[4][5][6]. 또한 영상의 스케일 (Scale), 조명(Illumination), 시점이 변화는 영상 등의 환경 변화에 강인한 특징점을 찾을 수 있고, 특징점을 설명하는 표현자는 환경 변화에 불변하고 따른 최소한의 데이터만으로 표현자의 특징을 만들어야 하는 조건을 만족시키는 알고리즘이다.
내용 기반 영상 검색기법의 특징은?
이에 영상의 검색 방법에는 내용 기반 영상 검색 (Content Based Image Retrieval)기법이 존재한다[1][2][3]. 내용 기반 영상 검색기법은 영상의 특징정보인 컬러(Color), 질감(Texture), 모양(Shape)등과 같이 인간의 시각적인 영상의 특징에 대한 특징값을 추출하여 분류하는 방법으로 영상의 특징에 대해서 미리 데이터베이스를 구축하여 질의 영상의 특징에 대해서 유사도를 측정(Similarity measure)하여 영상을 검색한다.
약화 현상의 원인 세 가지는?
약화 현상의 원인은 세 가지로 나누어 볼 수 있다. 첫 번째로 제약회사의 약병의 제조 및 유통 상의 과실로 인한 사고가 있으며, 두 번째로 의사가 약병을 처방함에 있어 원인질병의 진단상의 과실로 인하여 그 질환에 대하여 부적절한 약을 처방하였을 때이며, 세 번째로 약사가 의사의 처방전에 따라 조제를 할 때에의 실수이다. 그 중 약사의 조제 실수가 일어나는 원인은 현재 전자동 정제 분류 포장시스템에서 부족한 약을 보충할 할 때 약사에 의한 수작업을 통하여 약의 보충이 이루어지는데, 이 때 약병전용 Canister에 기록된 텍스트 약병명과 일치하는 않는 다른 약병을 보충하게 됨으로써 약화 현상이 발생한다.
참고문헌 (9)
W. Niblack, R. Barber, and W. Equitz, et al., "The QBIC Project: Querying Images by Content Using Color, Texture, and Shape," SPIE Int'l. Symp. on Electronic Imaging Science and Technology, vol. 1908, pp. 173-187, 1993.
A. W. M. Smeulders, M.. Worring, S. Santini, A. Gupta, and R. Jain, "Content-based image retrieval at the end of the early years," Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 22, no. 12, pp. 1349-1380, 2000.
J. R. Smith and S. F. Chang, "VisualSEEK: A Fully Automated Content-Based Image Query System," Proceedings of the fourth ACM international conference on Multimedia, ACM, pp. 87-98, 1997.
H. Bay, T. Tuytelaars, and L. V. Gool, "Surf: Speeded up robust features," Computer Vision- ECCV 2006, vol. 3951, pp. 404-417, 2006.
D. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints," International journal of computer vision, vol. 60, no. 2, pp. 91-110, 2004.
Lee, H. Y., Kim, J. H., Kim, S. Y., Choi B. J., Moon, S. H., and Park K. H., "Design of a SIFT based Target Classification Algorithm robust to Geometric Transformation of Target," Journal of Korean Institute of Intelligent Systems, vol. 20, no. 1, pp. 116-122, 2010.
H. Levkowitz and G. T. Herman, "GIHS: A generalized color model and its use for the representation of multiparameter medical images," Mathematics and computer science in medical imaging, pp. 389-399, 1987.
P. Viola, M. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features," Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on, vol. 1, pp. 511-518, 2001.
T. Lindeberg, "Feature detection with automaticscale selection," International journal of computer vision, vol. 30, no. 2, pp. 79-116, 1998.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.