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
- 본 연구에서는 블록기반 라벨과 화소기반 스캔마스크를 사용한 연결요소 라벨링 방법을 제안하였다. 또한 실험을 통해 기존의 방법 중에서는 L.
- 이는 현재로서는 이중스캔 방법이 가장 좋은 성능을 나타내는 것이기 때문이다. 본 연구에서는 현존하는 이중스캔 방법을 개선하여 더 성능 좋은 라벨링 알고리즘을 제안하고 있다.
제안 방법
- 다음은 SIDBA 표준 이미지 데이터베이스의 영상 중 512x512 해상도의 다양한 텍스처 영상 36개를 Otsu의 방법을 이용해 이진영상으로 변환한 뒤 라벨링을 실시했다. 그림 9에 실험에 사용한 텍스처 영상의 예를 나타내었다.
- 마지막으로 해상도가 큰 일반영상에 대한 라벨링 성능을 알아보기 위해 풀HD급의 고해상도 영상에 대해 실험을 하였다. 도시전경, 경치, 놀이기구, 장난감, 시드니 오페라 하우스, 거리, 시드니대학 본관 등의 사진으로 직접 찍거나 인터넷에서 추출하여 역시 Otsu의 방법을 이용해 이진영상으로 변환한 뒤 라벨링을 실행했다.
- 마지막으로 해상도가 큰 일반영상에 대한 라벨링 성능을 알아보기 위해 풀HD급의 고해상도 영상에 대해 실험을 하였다. 도시전경, 경치, 놀이기구, 장난감, 시드니 오페라 하우스, 거리, 시드니대학 본관 등의 사진으로 직접 찍거나 인터넷에서 추출하여 역시 Otsu의 방법을 이용해 이진영상으로 변환한 뒤 라벨링을 실행했다.
- 본 연구에서는 Grana방법과 같이 2x2 블록에 대해 블록라벨을 사용하는 방법으로 라벨링하지만 스캔은 화소기반의 마스크를 이용하는 방법을 제안한다. 이 방법은 Grana방법의 결정트리가 너무 복잡한 단점을 보완하면서 블록단위로 라벨링을 처리하는 효율성을 활용한 것이다.
- 우선 랜덤잡음 영상에 대해 세 방법들을 이용해 라벨링을 실행하였다. 사용한 랜덤잡음 영상은 전경화소의 비율을 10%부터 90%까지 10% 단계로 변화시켜가면서 구현하였다. 또한 각 비율에 대해 512x512, 1024x1024, 2048x2048, 그리고 4096x4096의 총 4개 해상도의 이미지를 만들어 실험하였다.
- 우선 랜덤잡음 영상에 대해 세 방법들을 이용해 라벨링을 실행하였다. 사용한 랜덤잡음 영상은 전경화소의 비율을 10%부터 90%까지 10% 단계로 변화시켜가면서 구현하였다.
- 그 결과를 표 9에 나타내었다. 이번에는 영상들의 해상도가 동일하지 않기 때문에 최대시간과 최소시간을 표시하지는 않았고 총시간만을 비교해 나타냈다. 역시 He방법과 본 연구가 제안하는 방법이 Grana방법보다 뛰어난 성능을 보였다.
- 이중스캔 기법은 기본적으로 일차스캔, 라벨병합 그리고 이차스캔의 세 단계를 거쳐서 라벨링을 하게 된다. 일차스캔은 각 화소들에 대해 그 화소가 전경값 화소인 경우 인접한 화소들이 연결되었는지를 조사를 실시한다. 그 결과 연결되었다면 해당 화소에 연결된 화소와 같은 라벨을 부여하고, 기존의 화소들과 연결되지 않은 것으로 판단되면 해당 화소에 새 라벨을 생성하여 부여한다.
- 따라서 이 때 화소기반의 스캔마스크는 그림 4의 화소 a, b, c, d, e, f를 포함해야 한다. 하지만 본 연구에서는 화소 d를 제외하고 a, b, c, e, f만을 포함하는 스캔마스크를 제안, 사용하였다. 이렇게 하면 고려할 입력변수를 줄이게 되어 결정트리를 좀 더 간단하게 만들 수 있다.
대상 데이터
- 구현된 소스코드들은 Intel Pentium Core2 Duo E4300 CPU와 8GB의 RAM이 장착되고 Windows 7의 운영체제로 구동되는 PC에서 컴파일, 실행되었다. E4300의 코어는 하나만 활성화하여 사용하였다. 모든 실행결과는 프로세서의 상태에 따른 공정하지 않은 영향을 배제하기 위해 1,000회의 실행에 대한 평균값을 취했음을 밝힌다.
- 사용한 랜덤잡음 영상은 전경화소의 비율을 10%부터 90%까지 10% 단계로 변화시켜가면서 구현하였다. 또한 각 비율에 대해 512x512, 1024x1024, 2048x2048, 그리고 4096x4096의 총 4개 해상도의 이미지를 만들어 실험하였다.
이론/모형
- 실제로 사용하는 영상에 대한 라벨링 성능을 비교하기 위해 SIDBA(Standard Image Data-BAse) 표준 이미지 데이터베이스의 영상 중 512x512 해상도의 일반 영상들을 Otsu의 방법[15]을 이용, 이진영상으로 변환한 뒤 라벨링을 실행했다. 사람 얼굴, 항공사진, 경치, 동물, 비행기 등 다양한 내용의 사진들에 대해 세 방법의 실행결과가 표 6에 나와 있다.
- 이렇게 두 예에 대해서만 OR-decision table을 작성한다면 표 2와 같이 나타낼 수 있다. 이와 같은 방법을 256개의 모든 가능한 입력 값에 대해 적용하여 OR-decision table을 완성한 후 P. Sutheebanjard 등이 제안한 방법[14]을 적용하여 최종 결정트리를 얻는다.
성능/효과
- 본 연구에서는 블록기반 라벨과 화소기반 스캔마스크를 사용한 연결요소 라벨링 방법을 제안하였다. 또한 실험을 통해 기존의 방법 중에서는 L. He 등이 제안한 방법[12]이 C. Grana 등이 제안한 방법[11]보다 우수함을 보였으며 본 연구에서 제안된 방법은 그 성능이 He의 방법에 비해서도 우수함을 보였다. 일부 영상에 대해서는 He의 방법이 더 좋은 경우도 있었으나 전체적인 성능을 비교한다면 제안된 방법이 실제 영상에 대해 적용했을 때 종류에 따라 3.
- E4300의 코어는 하나만 활성화하여 사용하였다. 모든 실행결과는 프로세서의 상태에 따른 공정하지 않은 영향을 배제하기 위해 1,000회의 실행에 대한 평균값을 취했음을 밝힌다.
- 본 연구에서 라벨링 알고리즘들은 Java 언어로 구현되었다. 구현 결과 세 방법에 대해 결정트리의 레벨수, 노드수 그리고 리프수를 표 3에 비교하여 나타내었다.
- Grana는 그림 2와 같이 2x2 화소로 이루어진 블록을 기반으로 하여 스캔마스크와 라벨링 대상화소를 정의하였다. 블록단위의 라벨링은 4개의 화소를 한 번에 처리하는 효과가 있으므로 일차스캔의 시간을 상당히 절약할 수 있게 되었다. 하지만 입력변수가 되는 픽셀의 개수가 너무 많아 Schumacher의 알고리즘[13]으로 최적화했지만 14개의 레벨, 210개의 노드와 211개의 리프로 복잡한 결정트리를 얻게 되었다.
- 표 4에 각 알고리즘별로 잡음농도에 따른 평균 실행시간을 나타내었다. 실험결과 He방법과 제안방법이 Grana방법에 비해 우월한 성능을 보이는 것으로 나타났으며 He방법과 제안방법은 전체적으로는 유사한 결과를 보여주었으나 잡음농도가 낮은 영상에 대해서는 He방법이 다소 좋았으며 농도가 높은 영상에 대해서는 제안방법이 다소 좋은 결과를 보여주었다.
- 사람 얼굴, 항공사진, 경치, 동물, 비행기 등 다양한 내용의 사진들에 대해 세 방법의 실행결과가 표 6에 나와 있다. 역시 Grana방법보다는 He방법과 본 연구에서 제안한 방법의 성능이 훨씬 좋았으며 영상에 따라서 He방법이 제안방법보다 더 좋은 결과를 보였고 어떤 경우는 제안방법의 성능이 더 좋았다.
- 이번에는 영상들의 해상도가 동일하지 않기 때문에 최대시간과 최소시간을 표시하지는 않았고 총시간만을 비교해 나타냈다. 역시 He방법과 본 연구가 제안하는 방법이 Grana방법보다 뛰어난 성능을 보였다. 특히 고해상도 영상에 대한 라벨링에서는 본 연구가 제안하는 방법이 He방법에 비해 모든 영상에 대해 성능개선 효과가 있었고 전체적으로 22.
- 표 5에는 라벨링대상이 되는 영상의 해상도에 따른 평균 실행시간을 나타내었다. 역시 모든 해상도에서 He방법과 제안방법이 Grana방법에 비해 우월한 성능을 보이는 것으로 나타났다. 큰 차이는 아니지만 512x512, 1024x1024, 그리고 2048x2048의 해상도에서는 제안방법이 He방법에 비해 다소 빠른 결과를 보였고, 4096x4096의 해상도에서는 He방법이 조금 더 좋았다.
- 이 방법은 한 번에 두 개의 화소에 대해 라벨 값을 부여하게 되므로 한 번에 4개의 화소에 라벨 값을 부여하는 셈인 Grana방법에 비해 효율이 떨어지는 것처럼 보이지만, 마스크내의 화소수가 Grana방법에 비해 훨씬 적으므로 결정트리가 매우 간단하게 되어 결과적으로 시간을 줄일 수 있다는 장점이 있다. He 등은 제안한 방법이 자신들의 이전 연구결과[10]에 비해 약 10%정도의 속도상승이 있다고 밝히고 있다.
- Grana 등이 제안한 방법[11]보다 우수함을 보였으며 본 연구에서 제안된 방법은 그 성능이 He의 방법에 비해서도 우수함을 보였다. 일부 영상에 대해서는 He의 방법이 더 좋은 경우도 있었으나 전체적인 성능을 비교한다면 제안된 방법이 실제 영상에 대해 적용했을 때 종류에 따라 3.9%에서 22.4%까지 더 뛰어난 결과를 보였다. 특히 풀HD급의 고해상도 영상의 사용이 일반화되고 있는 경향을 생각해 보면 고해상도에서 성능이 평균 20% 이상 우수한 점은 상당한 장점이라고 하겠다.
- 표 7은 Grana방법을 제외한 두 방법에 대해 17개의 영상 라벨링 작업 중 최소시간, 평균시간, 최대시간 그리고 실행시간의 총합계를 비교하여 나타낸 것이다. 총시간 또는 평균값을 기준으로 본다면 본 연구에서 제안하는 방법이 He방법에 비해 3.9%정도 성능개선 효과가 있다고 하겠다.
- 표 8은 Grana방법을 제외한 두 방법에 대해 36개의 텍스처 영상의 라벨링 작업 중 최소시간, 평균시간, 최대시간 그리고 실행시간의 총합계를 비교하여 나타낸 것이다. 총시간 또는 평균값을 기준으로 본다면 본 연구에서 제안하는 방법이 He방법에 비해 8.3%정도 성능개선 효과가 있다고 하겠다.
- 역시 모든 해상도에서 He방법과 제안방법이 Grana방법에 비해 우월한 성능을 보이는 것으로 나타났다. 큰 차이는 아니지만 512x512, 1024x1024, 그리고 2048x2048의 해상도에서는 제안방법이 He방법에 비해 다소 빠른 결과를 보였고, 4096x4096의 해상도에서는 He방법이 조금 더 좋았다.
- 역시 He방법과 본 연구가 제안하는 방법이 Grana방법보다 뛰어난 성능을 보였다. 특히 고해상도 영상에 대한 라벨링에서는 본 연구가 제안하는 방법이 He방법에 비해 모든 영상에 대해 성능개선 효과가 있었고 전체적으로 22.4%가 개선되었음을 알 수 있다.
후속연구
- 특히 풀HD급의 고해상도 영상의 사용이 일반화되고 있는 경향을 생각해 보면 고해상도에서 성능이 평균 20% 이상 우수한 점은 상당한 장점이라고 하겠다. 앞으로 라벨링 알고리즘의 결정트리를 더 최적화하여 라벨링 속도를 향상시키는 연구를 계속하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.