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
- 그러나 영상을 클러스터링하는 과정에서 경계 변수의 설정에 따라 클러스터의 수가 달라지는 문제점이 있으며 서로 다른 화소들을 한 클러스터로 분류하여 영상을 이진화 하는 과정에서 객체들의 윤곽이 손실되는 경우가 발생하였다. 따라서 본 논문에서는 퍼지 이진화 방법의 문제점과 ART2 기반 이진화의 문제점을 보완하기 위해 ART2 기반 퍼지 이진화 방법을 제안하였다.
제안 방법
- 이 중간 값을 퍼지 이진화 방법에서 삼각형 타입의 소속 함수 구간의 중간 값으로 설정한다. Xm을 이용하여 어두운 영역의 거리값(Dmin)과 밝은 영역의 거리 값(Dmax)을 계산한다.
- 본 논문에서 제안된 ART2 기반 퍼지 이진화 방법은 ART2 알고리즘을 적용하여 유사한 화소들을 클러스터링 한 후, 각 클러스터링의 대표 화소 값의 평균을 퍼지 이진화 방법의 소속 함수의 중간 값으로 설정하였다. 그리고 삼각형 형태의 소속 함수에서 소속도를 구한 후에 α -cut 값을 적용하여 영상을 이진화 하였다.
- 따라서 본 논문에서는 ART2 알고리즘의 경계 변수를 효율적으로 설정하기 위해 이전 가중치와 현재 가중치의 평균값을 경계 변수로 설정한다. 경계 변수(ρ)는 다음과 같이 계산된다.
- 따라서 본 논문에서는 경계 변수를 동적으로 조정하는 ART2 알고리즘에서 생성된 각 클러스터의 중심값들의 평균값을 삼각형 형태의 소속 함수의 중간 값으로 설정한다. 중간 값(Xm)은 다음과 같이 계산한다.
- 그러나 퍼지 이진화 기법은 영상을 이진화 하는 과정에서 소속 함수의 구간과 α-cut의 설정에 따라 이진화의 효율성이 좌우되는 문제점이 있다. 따라서 본 논문에서는 이러한 문제점을 개선하기 위해 ART2 알고리즘을 적용하여 유사한 칼라 정보들을 클러스터링 한 후, 각 클러스터링의 대표 칼라 값의 평균을 삼각형 형태의 소속 함수의 중간 값으로 설정하여 영상을 이진화 하는 방법을 제안한다.
- 본 논문에서 제안된 ART2 기반 퍼지 이진화 방법은 ART2 알고리즘을 적용하여 유사한 화소들을 클러스터링 한 후, 각 클러스터링의 대표 화소 값의 평균을 퍼지 이진화 방법의 소속 함수의 중간 값으로 설정하였다. 그리고 삼각형 형태의 소속 함수에서 소속도를 구한 후에 α -cut 값을 적용하여 영상을 이진화 하였다.
- 본 논문에서 제안된 방법과 기존의 퍼지 이진화 방법, ART2 기반 퍼지 이진화 방법을 비교하였다.
- 퍼지 이진화 방법은 원본 영상의 가장 밝은 픽셀과 가장 어두운 픽셀의 평균값을 이용하여 삼각형 타입의 소속 함수에 적용한 후, α-cut 값을 기준으로 영상을 이진화 하였다.
- 퍼지 이진화 방법은 퍼지 소속 함수를 적용한 후, α -cut을 사용하여 구간 범위를 설정하여 이진화 하였다.
대상 데이터
- 사막 영상에서 생성된 클러스터의 수는 79개 생성되었고 ART2 기반 퍼지 이진화에서 α -cut을 0.5로 적용한 구간은 [10,232]이다.
- 실험에 사용된 영상은 1024×768 크기의 컬러 해파리 영상, 1024×768 크기의 컬러 사막 영상, 945×416 크기의 컬러 지폐 영상, 769×510 크기의 컬러 스핑크스 영상이다.
- ART2 기반 이진화에서 해파리 영상의 임계치는 98, 사막 영상의 임계치는 155, 지폐 영상의 임계치는 111 그리고 스핑크스 영상의 임계치는 155로 계산되었고 이 임계치를 기준으로 영상을 이진화 하였다. 제안된 ART2 기반 퍼지 이진화 방법은 해파리 영상에서 생성된 클러스터의 수는 17개가 생성되었다. ART2 기반 퍼지 이진화에서 α -cut을 0.
- 지폐 영상에서 생성된 클러스터의 수는 9개가 생성되었고 ART2 기반 퍼지 이진화에서 α -cut을 0.5로 적용한 구간은 [37,224]이다.
성능/효과
- 실험 결과에서 알 수 있듯이 퍼지 이진화 방법은 사막 영상과 지폐 영상 및 스핑크스 영상에서 세밀한 윤곽선이 손실된 상태로 이진화 되었다. ART2 기반 이진화 방법에서는 해파리 영상과 사막 영상에서 서로 다른 영역들이 한 클러스터로 분류되어 조밀한 윤곽선이 뭉친 상태로 이진화 되어 객체들의 윤곽선이 나타나지 않는 것을 확인할 수 있었다. 그러나 제안된 ART2 기반 퍼지 이진화 방법은 모든 실험 영상에서 객체들의 윤곽선이 보존된 상태로 이진화 되어 원 영상의 윤곽선 손실이 적은 것을 확인할 수 있었다.
- ART2 기반 이진화 방법에서는 해파리 영상과 사막 영상에서 서로 다른 영역들이 한 클러스터로 분류되어 조밀한 윤곽선이 뭉친 상태로 이진화 되어 객체들의 윤곽선이 나타나지 않는 것을 확인할 수 있었다. 그러나 제안된 ART2 기반 퍼지 이진화 방법은 모든 실험 영상에서 객체들의 윤곽선이 보존된 상태로 이진화 되어 원 영상의 윤곽선 손실이 적은 것을 확인할 수 있었다. 하지만 제안된 ART2기반 퍼지 이진화 방법에서도 삼각형 형태의 소속 함수를 적용하므로 객체들의 윤곽선이 끊어진 형태로 이진화 되는 경우가 일부 발생하였다.
- 기존의 퍼지 이진화 방법을 적용한 결과, 해파리 영상에서 임계치는 55이고 최대 밝기와 최소 밝기 구간[Imin,Imax]은 [0,242]로 설정되었다. α -cut을 0.
- 실험 결과에서 알 수 있듯이 퍼지 이진화 방법은 사막 영상과 지폐 영상 및 스핑크스 영상에서 세밀한 윤곽선이 손실된 상태로 이진화 되었다. ART2 기반 이진화 방법에서는 해파리 영상과 사막 영상에서 서로 다른 영역들이 한 클러스터로 분류되어 조밀한 윤곽선이 뭉친 상태로 이진화 되어 객체들의 윤곽선이 나타나지 않는 것을 확인할 수 있었다.
- 실험한 모든 영상에서 기존의 방법들 보다 제안된 ART2 기반 퍼지 이진화 방법이 원 영상의 윤곽을 보존하면서 효과적으로 이진화된 것을 확인할 수 있다.
후속연구
- 하지만 제안된 ART2기반 퍼지 이진화 방법에서도 삼각형 형태의 소속 함수를 적용하므로 객체들의 윤곽선이 끊어진 형태로 이진화 되는 경우가 일부 발생하였다. 향후 연구 방향은 영상의 특징을 분석하여 비선형적인 소속 함수를 적용할 수 있는 방법에 대해 연구할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.