[논문]슈퍼픽셀의 밀집도 및 텍스처정보를 이용한 DBSCAN기반 칼라영상분할

이정환

doi:10.17662/ksdim.2015.11.4.089

슈퍼픽셀의 밀집도 및 텍스처정보를 이용한 DBSCAN기반 칼라영상분할
A Method of Color Image Segmentation Based on DBSCAN(Density Based Spatial Clustering of Applications with Noise) Using Compactness of Superpixels and Texture Information 원문보기

디지털산업정보학회논문지 = Journal of the Korea Society of Digital Industry and Information Management, v.11 no.4, 2015년, pp.89 - 97

이정환 (안동대학교 전자공학과)

Abstract ▼ AI-Helper

In this paper, a method of color image segmentation based on DBSCAN(Density Based Spatial Clustering of Applications with Noise) using compactness of superpixels and texture information is presented. The DBSCAN algorithm can generate clusters in large data sets by looking at the local density of data samples, using only two input parameters which called minimum number of data and distance of neighborhood data. Superpixel algorithms group pixels into perceptually meaningful atomic regions, which can be used to replace the rigid structure of the pixel grid. Each superpixel is consist of pixels with similar features such as luminance, color, textures etc. Superpixels are more efficient than pixels in case of large scale image processing. In this paper, superpixels are generated by SLIC(simple linear iterative clustering) as known popular. Superpixel characteristics are described by compactness, uniformity, boundary precision and recall. The compactness is important features to depict superpixel characteristics. Each superpixel is represented by Lab color spaces, compactness and texture information. DBSCAN clustering method applied to these feature spaces to segment a color image. To evaluate the performance of the proposed method, computer simulation is carried out to several outdoor images. The experimental results show that the proposed algorithm can provide good segmentation results on various images.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 슈퍼픽셀의 밀집도 및 텍스처특성을 이용한 DBSCAN기반 칼라영상분할에 대하여 연구하였다. DBSCAN분할 방법은 객체를 클러스터링하는 방법으로 입력변수로 최대반경과 최소군집객체 두 변수만 설정하면 임의의 모양을 갖는 군집을 클러스터링해 준다.
본 연구에서는 슈퍼픽셀과 DBSCAN방법을 적용한 칼라영상분할에 대하여 연구한다. 특히 텍스처정보를 고려한 슈퍼픽셀 생성방법을 이용하고 슈퍼픽셀의 중요한 특징중 하나인 밀집도를 고려하여 영상을 분할하는 효과적인 방법을 연구한다.
본 연구에서는 클러스터링방법을 이용한 칼라영상 분할에 대하여 연구한다. 특히 밀도기반 클러스터링 방법인 DBSCAN(Density Based Spatial Clustering of Applications with Noise)방법[5-7]을 적용한 방법을 연구한다.

제안 방법

는 최소지역변화를 나타낸다. 본 논문에서는 두 고유치를 사용하여 텍스처정보를 다음식과 같이 구한다[9].
텍스처정보는 영상의 균일 및 불균일 영역을 구분할 수 있어야 하는데, 영상에서 균일영역과 불균일 영역에 대한 정보를 헤시안(Hessain)행렬의 고유치로 구하는 방법이 제안되어 있다. 본 논문에서는 이 고유치를 이용하여 균일 및 불균일한 정도를 구한다. 영상의 화소 f(x,y)에서 헤시안행렬을 다음과 같이 표현할 수 있다[9, 14, 19-21].
텍스처정보를 포함한 SLIC기반 슈퍼픽셀을 생성하고 각 슈퍼픽셀에 대하여 밀집도, 텍스처정보를 포함한 특징을 추출한다. 생성된 슈퍼픽셀에 대하여 DBSCAN을 적용하여 슈퍼픽셀을 클러스터링하여 영역을 분할한다. DBSCAN에서 어느 클러스터에도 속하지 않는 잡음 슈퍼픽셀을 분할된 영역에 할당하여 영상분할 한다.
일반적인 클러스터링 방법의 초기값 설정에 따른 국부수렴문제가 발생하지 않고 클러스터 개수를 미리 입력하지 않아도 되는 장점을 갖고 있다. 슈퍼픽셀은 텍스처특성을 고려한 SLIC기반으로 생성하였으며, 각 슈퍼픽셀의 밀집도 특성을 구하여 기존의 Lab칼라특성과 같이 사용하였다. 슈퍼픽셀의 텍스처특성은 헤시안행렬을 이용하여 구하였다.
즉 DBSCAN기반으로 슈퍼픽셀을 클러스터링할 경우 밀도확장을 적용하는 경우 중심점과 경계점이 아닌 경우 잡음으로 간주하는데 이는 영상에서 영역의 경계부분이 있는 슈퍼픽셀 중 이웃영역에 포함되지 않는 슈퍼픽셀들이다. 제안방법에서는 잡음 데이터를 이웃영역에 할당하는 과정을 수행한다.
그림1은 제안방법의 블록도이다. 텍스처정보를 포함한 SLIC기반 슈퍼픽셀을 생성하고 각 슈퍼픽셀에 대하여 밀집도, 텍스처정보를 포함한 특징을 추출한다. 생성된 슈퍼픽셀에 대하여 DBSCAN을 적용하여 슈퍼픽셀을 클러스터링하여 영역을 분할한다.
본 연구에서는 클러스터링방법을 이용한 칼라영상 분할에 대하여 연구한다. 특히 밀도기반 클러스터링 방법인 DBSCAN(Density Based Spatial Clustering of Applications with Noise)방법[5-7]을 적용한 방법을 연구한다. 이 방법은 잡음을 포함한 공간적인 샘플데이터를 분류하는데 우수한 알고리즘으로 알려져있다.
본 연구에서는 슈퍼픽셀과 DBSCAN방법을 적용한 칼라영상분할에 대하여 연구한다. 특히 텍스처정보를 고려한 슈퍼픽셀 생성방법을 이용하고 슈퍼픽셀의 중요한 특징중 하나인 밀집도를 고려하여 영상을 분할하는 효과적인 방법을 연구한다.

데이터처리

슈퍼픽셀의 텍스처특성은 헤시안행렬을 이용하여 구하였다. 제안방법의 성능을 평가하기 위해 컴퓨터 모의실험을 수행하였으며, 기존방법과 결과를 비교하였다.
제안방법의 성능평가를 위해 컴퓨터모의 실험을 하였다. 그림2는 실험에 사용된 원영상과 텍스처정보를 표시하였다.

이론/모형

실험결과에 따르면 영역의 변화가 크게 발생되는 부분과 칼라값의 변화가 많은 부분에서 텍스처정보 값이 증가함을 알 수 있다. 본 논문에서는 텍스처정보를 구하기 위해 3x3윈도우를 적용했다. 그림3부터 그림5까지는 색종이영상, 태극영상, 얼굴영상에 대한 실험결과이다.
슈퍼픽셀은 텍스처특성을 고려한 SLIC기반으로 생성하였으며, 각 슈퍼픽셀의 밀집도 특성을 구하여 기존의 Lab칼라특성과 같이 사용하였다. 슈퍼픽셀의 텍스처특성은 헤시안행렬을 이용하여 구하였다. 제안방법의 성능을 평가하기 위해 컴퓨터 모의실험을 수행하였으며, 기존방법과 결과를 비교하였다.

성능/효과

(3) 최대반경내의 데이터수가 입력변수인 최소군집 객체수보다 크면 해당 데이터를 중심점(core point)으로 지정한다.
실험결과 제안방법을 칼라영상분할에 적용할 수 있음을 알 수 있었다. 향후 연구과제는 제안방법을 동영상과 같은 대용량 비디오 영상에 적용하는 알고리즘 개발에 대한 연구가 필요하다.
그림2(c)와 (d)는 기존방법[17]과 제안방법의 결과이다. 실험결과를 보면 기존방법에 비해 제안방법이 영역의 경계부분에서 성능이 우수함을 알 수 있다.
실험에 사용된 영상은 색종이를 붙여서 카메라로 캡쳐한 색종이영상(그림2(a))과, 태극모양영상(그림2(b)) 및 얼굴영상(그림2(c))을 사용하였다. 실험결과에 따르면 영역의 변화가 크게 발생되는 부분과 칼라값의 변화가 많은 부분에서 텍스처정보 값이 증가함을 알 수 있다. 본 논문에서는 텍스처정보를 구하기 위해 3x3윈도우를 적용했다.

후속연구

실험결과 제안방법을 칼라영상분할에 적용할 수 있음을 알 수 있었다. 향후 연구과제는 제안방법을 동영상과 같은 대용량 비디오 영상에 적용하는 알고리즘 개발에 대한 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	영상분할이란?	영상분할은 영상에서 배경과 전경을 분리하는 과정으로 의료영상해석, 얼굴인식, 로봇공학 등 다양한 응용분야에 활용되고 있다[1-4, 10, 18]. 영상분할은 그레이영상 혹은 칼라영상에 적용되는데 현재까지 제안된 알고리즘은 일반적으로 에지기반, 문턱값기반, 그래프기반, 클러스터링기반으로 나눌 수 있다[1].
	영상분할은 어디에 활용되는가?	영상분할은 영상에서 배경과 전경을 분리하는 과정으로 의료영상해석, 얼굴인식, 로봇공학 등 다양한 응용분야에 활용되고 있다[1-4, 10, 18]. 영상분할은 그레이영상 혹은 칼라영상에 적용되는데 현재까지 제안된 알고리즘은 일반적으로 에지기반, 문턱값기반, 그래프기반, 클러스터링기반으로 나눌 수 있다[1].
	그래프기반 방법의 단점은?	그리고 그래프의 모든 노드에 대한 가중치 행렬로부터 고유 벡터 및 고유치를 구하여 그래프를 반복적으로 두 개의 부그래프(subgraph)로 나누어 슈퍼픽셀을 구한다. 이 방법은 이론적으로 최적인 영상분할을 할 수 있으나, 크기가 큰 영상의 경우 가중치 행렬로부터 고유 벡터 및 고유치를 구하는데 계산시간과 메모리가 많이 필요하다.

참고문헌 (21)

Feng Ge, Song Wang, and Tiecheng liu, "New Benchmak Image Segmentation Evaluation," Journal of Electronic Imaging, Vol. 16, No. 3, 2007.
S. Makrogiannis, G. Economou, S. Fotopoulos, "A region dissimilarity relation that combines feature-space and spatial information for color image segmentation," IEEE Transactions on Systems, Man, and Cybernetics, Part B, Vol. 35, No. 1, Feb. 2005, pp. 44-53.

상세보기
W. Tao, H. Jin, Y. Zhang. "Color Image Segmentation Based on Mean Shift and Normalized Cuts," IEEE Transactions on Systems, Man, and Cybernetics, Part B, Vol.37, No. 5, Oct. 2007, pp. 382-1389.
Jong Hyun Park, Guee Sang Lee, Soon Young Park. "Color image segmentation using adaptive mean shift and statistical model-based methods," Computers and Mathematics with Applications. Vol.57, 2009, pp.970-980.

상세보기
Zeng Liu, Dong Zhou, Naijun Wu, "Varied Density Based Spatial Clustering of Application with Noise," in proceedings of IEEE Conference ICSSSM, 2007, pp. 528-531.
Hongfang Zhou, Peng Wang, Hongyan Li, "Research on Adaptive Parameters Determination in DBSCAN Algorithm," Journal of Information & Computational Science Vol. 9, No. 7, 2012.
Sheikholeslami G., Chatterjee S., and Zhang A., "WaveCluster: A Multi-Resolution Clustering Approach for Very Large Spatial Databases," Proc. 24th Int. Conf. on Very Large DataBases, New York, NY, 1998, pp. 428 - 439.
Hattori K., Torii Y. : "Effective algorithms for the nearest neighbor method in the clustering problem," Pattern Recognition, Vol. 26, No. 5, 1993, pp. 741-746.

상세보기
H. Tian, H. Cai, J. H. Lai and X. Xu, "Efficetive Image Noise Removal based on Difference Eigenval," Proc. IEEE Conf. on Image Processing, 2011, pp. 3357-3360.
Fan Yang, Huchuan Lu, and Ming-Hsuan, "Robust Superpixel Tracking," IEEE Transaction on Image Processing, Vol. 23, No. 4, 2014, pp. 1639-1651.

상세보기
Andrea Vedaldi and Stefano Soatto, "Quick Shift and Kernel Methods for Mode Seeking," Lecture Notes in Computer Science, Vol. 5305, 2008, pp. 705-718.
Radhakrishna Achanta, Appu Shaji, Kevin Smith, Aurelien Lucchi, Pascal Fua, and Sabine Susstrunk, "SLIC Superpixels," EPFL Technical Report 149300, June 2010.
J. Shi and J. Malik, "Normalized Cuts and Image Segmentation," IEEE Trans. Pattern Anal. Mach. Intell. Vol. 22, No. 8, 2000, pp.888-905.

상세보기
Nocedal, Jorge; Wright, Stephen, "Numerical Optimization," Springer Verlag. ISBN 978-0387987934, 2000.
D. H. P. Felzenszwalb, "Efficient Graph-based Image Segmentation," Journal of Computer Vision, Vol.59, No. 2, 2004, pp. 167-181.

상세보기
이정환, "칼라특징공간별 SLIC기반 슈퍼픽셀의 특성비교," 디지털산업정보학회 논문지, 제10권, 제4호, 2014, pp. 151-160.
Peter Kovesi, "Image Segmentation using SLIC SuperPixels and DBSCAN Clustering," http://www.peterkovesi.com/projects/segmentation/index.html, 2013.
이현구, 김동주, "2D-PCA와 영상분할을 이용한 얼굴인식," 디지털산업정보학회 논문지, 제8권, 제2호, 2012, pp. 31-40.
Jeong Hwan Lee, "Texture Characteristics with Eigenvalue and Superpixel Generation," Proceeding of Korea Multimedia Society, Vol. 1, 2015(in korean).
R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, and S. Susstrunk, "SLIC Superpixel Compared to State-of-the-art Superpixel Method," IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 34, No. 11, 2012, pp. 2274-2282.

상세보기
Jeong Hwan Lee, "Color Image Segmentation Using Compactness of Superpixels," Proceeding of Korea Multimedia Society, Vol. 2, 2015(in korean).

저자의 다른 논문 :

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