[논문]새로운 이미지 거리를 통한 이미지 검색 방안 연구

이성임; 임요한; 조영민

doi:10.7232/jkiie.2014.40.4.382

새로운 이미지 거리를 통한 이미지 검색 방안 연구
Study of the New Distance for Image Retrieval 원문보기

대한산업공학회지 = Journal of the Korean Institute of Industrial Engineers, v.40 no.4, 2014년, pp.382 - 387

이성임 (단국대학교 응용통계학과) , 임요한 (서울대학교 통계학과) , 조영민 (단국대학교 응용통계학과)

Abstract ▼ AI-Helper

Image retrieval is a procedure to find images based on the resemblance between query image and all images. In retrieving images, the crucial step that arises is how to define the similarity between images. In this paper, we propose a new similarity measure which is based on distribution of color. We apply the new measure to retrieving two different types of images, wallpaper images and the logo of automobiles, and compare its performance to other existing similarity measures.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

즉, 픽셀들 간의 차이를 효과적으로 설명할 수 없다. 따라서, 본 분석에서는 개별적인 픽셀값을 이용하는 것이 아닌 이미지의 RGB 분포 차이를 고려한 거리를 새롭게 제안한다. [Table 1] 기존의 거리측도에 대한 식이며, 색상체계가 그레이 스케일 일 때를 보여준다(Goshtasby, 2012).
본 논문에서는 이 중 이미지 자체의 픽셀 RGB값을 이용한 내용기반 검색방법에 대하여 연구하고자 한다.
Ban(2002)의 연구에서는 이미지 간 유사도를 정형 데이터에서 쓰이던 것과 마찬가지로 유클리디언 거리를 이용하여 이미지 분석을 수행하였다. 하지만, 이미지 데이터의 경우 한 단위가 픽셀로 이루어져 있고, 여러 픽셀이 모여 하나의 이미지를 나타내기 때문에 기존의 한 픽셀 간 차이를 비교하는 유클리디안, 맨해튼 거리등은 단점과 한계가 있어, 본 논문에서는 이미지 자료의 특성에 적합한 새로운 유사도 거리 측도를 제안하기로 한다. 또한, 이미지는 색상, 채도, 질감, 모양 등의 특징을 픽셀 색상정보들의 선형결합을 통하여 나타낼 수 있는데, Antani(1998)의 연구에 따르면 이미지 검색 및 분류를 할 때, 이러한 이미지의 특징 중에서 모든 특징 정보를 사용하지 않고 색상 정보만을 이용할 경우에도 높은 분류 및 검색 성능을 보인다고 한다.

제안 방법

<Data 1>은 구글에서 검색한 Wallpaper 이미지 중에서 ‘우주’, ‘설경’, ‘바다’의 테마를 갖는 각각 36장, 총 108장을 이용하여 이미지 군집화 분석을 하였고, 군집화를 통해 나온 결과와 실제 이미지 테마와의 Rand Index 값 비교로 새롭게 제안한 거리와 기존 거리와의 성능을 비교 분석한다.
구글에서 검색한 Wallpaper 자료를 이용하여 이미지 분류를 통한 기존 유사도 거리 측도들과 새롭게 제안한 거리의 성능을 비교하였다. Linda(2001)의 연구에 따르면 분할은 영상 및 이미지를 여러 개의 픽셀 집합으로 나누는 과정을 말하고, 분할의 목적은 영상의 표현을 좀 더 의미 있고 해석하기 쉬운 것으로 단순화하거나 변환하는 것이다.
실제 자료분석으로는 Wallpaper 이미지의 군집화 분석을 통하여 한 픽셀보다는 여러 픽셀의 분포를 이용할 경우의 KS거리 성능이 기존 거리보다 뛰어남을 알 수 있었다. 그리고 실제 자동차 로고 이미지를 이용하여 이미지 검색을 해본 경우에는 전체 이미지의 분포를 이용하기 보다는 이미지를 분할하여 검색을 할 때의 성능이 더 뛰어남을 알 수 있었고, 이때의 최적의 분할의 블록수를 결정하는 방법은 블록 간 색상 특징의 차이가 가장 커지도록 하는 값을 결정함으로써 새롭게 제안하였다.
그러므로, 이미지의 분할을 몇 개로 할지, 분할한 이미지가 단순 전체 이미지보다 더 자세하게 설명할 수 있는 최적의 분할 수가 무엇인지, 즉 최적의 분할 조건이 무엇인지를 찾음으로써 검색 및 분류 성능을 높일 수 있다. 따라서, 본 논문에서는 최적의 분할 조건을 찾기 위한 통계량을 제시하고, 이를 활용하여 새로운 거리 측도와 함께 분할 전과 후를 비교하기로 한다.
본 논문에서는 이와 같은 정보를 이용하여, 새로운 이미지간 거리를 정의하고 이를 통해, 실제 데이터를 사용하여 적용하기로 한다. 이미지 분류 및 검색한다.
이미지 분석의 경우, 이미지 각 픽셀은 RGB 3가지 색상 정보를 가지고 있으며, 이 정보를 이용하여 이미지의 특징(Feature)정보를 추출하여 더욱 정밀한 분석이 가능하다. 본 연구에서는 여러 특징 중 색상 정보만을 이용하여 이미지 군집화 및 검색을 실시하였다. 이미지 간의 유사도를 측정하는 방법으로 거리 측도를 이용하였고, 기존의 이미지 간 픽셀 한 단위씩 비교 하는 거리측도가 아닌 픽셀의 분포를 이용하여 이미지 간 분포의 차이를 고려하는 새로운 유사도 거리 측도인 콜모그로프-스미르노프(KS) 거리를 제안하였다.
이를 위한 대안으로 비모수적인 방법인 콜모그로프-스미르 노프(Kolmogorv-Smirnov) 검정 통계량을 새로운 유사도 거리 (KS) 측도로 제안한다. 콜모그로프-스미르노프 검정은 적합도 검정을 위해 사용되는 방법으로 관측된 자료를 이용한 경험적 누적분포함수를 비교하며, 별도의 히스토그램이 필요하지 않고 표본의 크기가 작을 경우에도 유효한 것으로 알려져 있다(Law, 2007).
특히, 이미지 검색에 적용하는 경우 이미지를 분할하여 검색할 때 이미지 간유사도를 비교하는데 있어 더 높은 성능을 발휘할 수 있게 된다. 이를 위해 이미지의 최적의 분할 크기 결정 방법을 이용하여 분할 수를 결정하고, 이미지 검색에서 기존 거리 및 분할 전과 후를 비교할 수 있다.
본 연구에서는 여러 특징 중 색상 정보만을 이용하여 이미지 군집화 및 검색을 실시하였다. 이미지 간의 유사도를 측정하는 방법으로 거리 측도를 이용하였고, 기존의 이미지 간 픽셀 한 단위씩 비교 하는 거리측도가 아닌 픽셀의 분포를 이용하여 이미지 간 분포의 차이를 고려하는 새로운 유사도 거리 측도인 콜모그로프-스미르노프(KS) 거리를 제안하였다.
<Data 2>는 113개의 세계 자동차 브랜드 로고를 이용한다. 이미지 검색에서, 검색성능을 더 높이기 위해 이미지 간 유사도 측정을 위한 이미지 분할 크기 결정 방법을 제안하고, 실제 자동차 로고 이미지에 적용하여 분할 전과 분할 후의 결과를 비교한다.
이미지 데이터 전처리 과정으로 이미지 크기(240×240)와 파일 확장자는 모두 동일하게 하였고, 본 분석에서는 이미지의 여러 특징(Feature) 중 색상 정보만을 이용하여 분석을 실시한다.
이것은 이미지의 여러 특징 중 색상정보만을 사용할 경우 차원축소 효과를 통해 적은 차원으로 쉽게 분류 및 검색할 수 있는 장점이 있기 때문이다. 이에 본 논문에서는 색상 정보만을 이용하여 분류 및 검색을 실시하기로 한다.
2절 에서 정의한 G(b)값을 이용하여 최적의 분할 수를 찾는다. 이후, 이미지를 분할하기 전과 후의 유사 이미지를 검색하며, 또한 기존 유클리디언 거리로도 검색한다.
자동차 로고의 유사한 이미지 검색을 하기 전에 로고의 시각적 특성을 추출하기 위하여 픽셀의 RGB값을 그레이스케일 (Grayscale)로 변환을 하였다. 이는 유사 로고들이 색상 차이로 인해 검색되지 못하는 현상을 방지하고, 검색성능을 향상하기 위해서이다(Ban, 2002).

데이터처리

‘우주’, ‘설경’, ‘바다’의 테마를 갖는 각각 36장의 이미지를 이용하여 평균연결법을 이용한 이미지 군집화 분석을 실시하고, 새롭게 제안한 거리측도와 기존 거리측도들을 Rand Index 를 이용하여 비교 평가하기로 한다.

이론/모형

주로 쓰이는 거리 계산 방법은 픽셀을 기반 (Pixel-based)으로 픽셀 간 거리차이를 계산하는 방법, 이미지의 특성(Feature)을 이용하여 계산하는 방법, 이미지의 노이즈 제거 방법을 이용하여 계산하는 방법이 있다. 이 중 본 논문에 서는 픽셀을 기반으로 계산하는 방법을 이용한다. 이미지 한 개의 픽셀 별로 계산하는 유클리디안 거리, 맨해튼 거리 등의 방법이 있다.

성능/효과

Wallpaper 군집화 분석 결과 KS 거리측도가 뛰어난 성능을알 수 있었고, 이미지 검색을 할 경우 더 높은 성능의 향상을 위해 이미지를 분할하여 비교 가능하다. 분할을 하게 되면 기존 전체 이미지를 볼 경우보다 좀 더 의미 있고 해석하기가 쉽고, 부분적인 특징이 더 잘 드러나기 때문이다(Linda, 2001).
[Table 2]의 결과를 보게 되면 KS 거리측도를 이용한 Rand Index가 0.972로 가장 높은 것을 알 수 있으며, 기존 거리와의 비교 결과 더 뛰어난 군집화 성능을 보여준다. 또한 [Table 3] 의 분류표를 보게 되면 총 108개의 이미지 중 바다 이미지 1개를 설경으로 오분류 하였고, 기존 거리들의 경우 평균 11개의 이미지를 오분류 하였다.
Linda(2001)의 연구에 따르면 분할은 영상 및 이미지를 여러 개의 픽셀 집합으로 나누는 과정을 말하고, 분할의 목적은 영상의 표현을 좀 더 의미 있고 해석하기 쉬운 것으로 단순화하거나 변환하는 것이다. 그러므로, 이미지의 분할을 몇 개로 할지, 분할한 이미지가 단순 전체 이미지보다 더 자세하게 설명할 수 있는 최적의 분할 수가 무엇인지, 즉 최적의 분할 조건이 무엇인지를 찾음으로써 검색 및 분류 성능을 높일 수 있다. 따라서, 본 논문에서는 최적의 분할 조건을 찾기 위한 통계량을 제시하고, 이를 활용하여 새로운 거리 측도와 함께 분할 전과 후를 비교하기로 한다.
따라서, 이미지 간 거리를 정의할 때 한 픽셀 간 거리를 이용한 것보다는 픽셀의 분포를 활용한 경우의 거리 측도 성능이 더 뛰어남을 알 수 있다.
기존 유클리디언 거리와 분할기법을 사용하지 않은 경우와 KS 거리를 이용하여 3×3 분할에 따른 결과 및 분할하지 않았을 때의 검색결과를 나타낸다. 세 경우를 보면, 전체적으로 KS 거리측도와 최적의 분할수로 분할하여 이미지 검색을 한 경우 검색성능이 상대적으로 더 뛰어남을 시각적으로 알 수 있다.
실제 자료분석으로는 Wallpaper 이미지의 군집화 분석을 통하여 한 픽셀보다는 여러 픽셀의 분포를 이용할 경우의 KS거리 성능이 기존 거리보다 뛰어남을 알 수 있었다. 그리고 실제 자동차 로고 이미지를 이용하여 이미지 검색을 해본 경우에는 전체 이미지의 분포를 이용하기 보다는 이미지를 분할하여 검색을 할 때의 성능이 더 뛰어남을 알 수 있었고, 이때의 최적의 분할의 블록수를 결정하는 방법은 블록 간 색상 특징의 차이가 가장 커지도록 하는 값을 결정함으로써 새롭게 제안하였다.
이미지의 경우 유사도 거리측도를 이용하여 검색을 할 수는 있지만 정확히 검색되어 졌다고 판단할 수는 없다. 하지만, 기 존 정형데이터에서 쓰인 거리측도와 새롭게 제안한 KS 측도를 아용한 각 결과를 시각적으로 성능 평가가 가능하고, 또한 분할 기법을 이용하여 검색의 성능을 시각적으로 향상 시킬 수 있었다. 그 결과, 검색되어지는 이미지들이 분할 전에는 공통점이 없는 반면, 상대적으로 분할 후의 결과들은 공통적인 이미지 모양 및 색깔을 가지고 있다.

후속연구

이후 앞으로의 분석에서는 이미지 군집화 및 검색 분석에 대한 것과 이미지의 검색에 대하여 성능을 평가할 수있는 객관적 지표에 대한 추가적인 연구 등이 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	이미지 자료의 특성에 적합한 새로운 유사도 거리 측도를 제안하기로한 배경은 무엇인가?	Ban(2002)의 연구에서는 이미지 간 유사도를 정형 데이터에서 쓰이던 것과 마찬가지로 유클리디언 거리를 이용하여 이미지 분석을 수행하였다. 하지만, 이미지 데이터의 경우 한 단위가 픽셀로 이루어져 있고, 여러 픽셀이 모여 하나의 이미지를 나타내기 때문에 기존의 한 픽셀 간 차이를 비교하는 유클리 디안, 맨해튼 거리등은 단점과 한계가 있어, 본 논문에서는 이미지 자료의 특성에 적합한 새로운 유사도 거리 측도를 제안하기로 한다. 또한, 이미지는 색상, 채도, 질감, 모양 등의 특징을 픽셀 색상정보들의 선형결합을 통하여 나타낼 수 있는데, Antani(1998)의 연구에 따르면 이미지 검색 및 분류를 할 때, 이러한 이미지의 특징 중 에서 모든 특징 정보를 사용하지 않고 색상 정보만을 이용할 경우에도 높은 분류 및 검색 성능을 보인다고 한다.
	이미지 간의 유사도를 체크하는 방법으로 흔히 무엇을 사용하는가?	이미지 간의 유사도를 체크하는 방법으로 흔히 거리 측도를 사용하게 된다. 주로 쓰이는 거리 계산 방법은 픽셀을 기반 (Pixel-based)으로 픽셀 간 거리차이를 계산하는 방법, 이미지의 특성(Feature)을 이용하여 계산하는 방법, 이미지의 노이즈 제거 방법을 이용하여 계산하는 방법이 있다.
	이미지의 RGB 분포 차이를 고려한 거리를 새롭게 제안한 배경은 무엇인가?	하지만 기존에 쓰이고 있는 유사도 거리 측도의 경우, 이미지한 픽셀 간의 거리를 이용하여 유사도를 판단하게 되는데, 이미지 데이터의 특성상 여러 픽셀이 표현하는 이미지 특징을 설명하기 어렵기 때문에 거리 성능이 떨어진다. 즉, 픽셀들 간의 차이를 효과적으로 설명할 수 없다. 따라서, 본 분석에서는 개별적인 픽셀값을 이용하는 것이 아닌 이미지의 RGB 분포 차이를 고려한 거리를 새롭게 제안한다.

참고문헌 (16)

Antani, S., Kasturi, R., and Jain, R. (1998), Pattern Recognition Methods in Image and Video Databases : Past, Present and Future, Proceedings of SPR '98 and SSPR '98, 1451, 31-53.
Ban, J.-O., Kang, M.-J., and Choi, H.-J. (2002), Design and Implementation of Content-based Image Retrieval System using Color Spatial and Shape Information, Proceedings of KIISE, 29(1), 613-615.
Enser, P. G. B. (1995), Pictorial information retrieval, Journal of Documentation, 51(2), 126-170.

상세보기
Song, M.-S. and Park, C.-S. (1998), Nonparametric Statistical Methods, Jayou Academy, Seoul, Korea.
Goshtasby, A. A. (2012), Image Registration : Principles, Tools and Methods, Springer , Newyork , USA.
Gonzalez, R. C., Woods, R. E., and Eddins, S. L. (2012), Digital Image Processing using MATLAB, McGraw-Hill, Columbus, USA.
Law, A. M. (2007), Simulation Modeling and Analysis, McGraw-Hill, New York, USA.
Mo, Y.-I. and Lee, C.-G. (2009), Increasing the Efficiency of Image Search Using Image Attribute in the area of content-Based Image Retrieval, Journal of the Korea Society for Simulation, 18(2), 39-48.
Nah, Y.-M. (2003), Image Content Modeling for Meaning-based Retrieval, Journal of KISS : Databases, 30(2), 145-156.
Rajshree, S. D., Niket, B., and Rajnish, C. (2010), Image Mining using Content Based Image Retrieval System, International Journal on Computer Science and Engineering, 2(7), 2353-2356.
Song, J.-Y., Kim, W.-C., Kim, S.-W., and Park, S.-H. (2007), A Image Retrieval Model Based on Weighted Visual Features Determined by Relevance Feedback, Journal of KISS : Databases, 34(3), 193- 205.
Swain, M. J. and Ballard, D. H. (1991), Color indexing, International Journal of Computer Vision, 7(1), 11-32.

상세보기
Rand, W. M. (1971). Objective criteria for the evaluation of clustering methods, Journal of the American Statistical Association, 66, 846-850.

상세보기
Rhee, D.-H., Ryoo, K.-S., and Kim, W.-Y. (2000), Character Image Retrieval using Color and Shape Information, Journal of Broadcast Engineering, 5(1), 50-60.
Yi, S.-K., Hong, S.-E., and Park, S.-H. (2006), A Similar Price Zone Determination of Public Land Price Using a Hybrid Clustering Technique, Journal of Korean Geographical Society, 41(1), 121-135.
Zachar, J., Iyengar, S. S., and Barhen, J. (2001), Content Based Image Retrieval and Information Theory : A General Approach, Journal of the American Society for Information Science and Technology, 52(10), 840-852.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증