본 논문에서는 비균일 양자화에 기반을 둔 영상의 질감분석에 널리 이용되고 있는 gray level co-occurrence matrix(GLCM)의 성능개선을 제안하였다. 여기서 비균일 양자화는 평균자승오차의 최소화를 위한 반복계산 기법인 Lloyd 알고리즘을 이용하였다. 이는 영상에서의 비균일 양자화 과정으로 얻어지는 비선형의 명암레벨을 GLCM의 생성에 이용함으로써 행렬의 차원을 감소시켜, GLCM의 생성과 질감특성 파라미터들의 계산에 따른 부하를 줄이기 위함이다. 제안된 기법을 30개의 $120{\times}120$픽셀의 256 그레이 레벨을 가진 영상들을 대상으로 적용하여 angular second moment, contrast, variance, entropy, correlation, inverse difference moment 6개의 질감특성 파라미터들을 각각 계산한 실험결과, 양자화를 수행하지 않은 256 레벨 GLCM에 비해 계산시간과 저장 공간에서 개선된 성능이 있음을 확인하였다. 특히 48, 32, 16, 12, 8의 비균일 양자화 레벨 중에서 16일 때 가장 우수한 질감특성분석 성능이 있음을 알 수 있었다.
본 논문에서는 비균일 양자화에 기반을 둔 영상의 질감분석에 널리 이용되고 있는 gray level co-occurrence matrix(GLCM)의 성능개선을 제안하였다. 여기서 비균일 양자화는 평균자승오차의 최소화를 위한 반복계산 기법인 Lloyd 알고리즘을 이용하였다. 이는 영상에서의 비균일 양자화 과정으로 얻어지는 비선형의 명암레벨을 GLCM의 생성에 이용함으로써 행렬의 차원을 감소시켜, GLCM의 생성과 질감특성 파라미터들의 계산에 따른 부하를 줄이기 위함이다. 제안된 기법을 30개의 $120{\times}120$ 픽셀의 256 그레이 레벨을 가진 영상들을 대상으로 적용하여 angular second moment, contrast, variance, entropy, correlation, inverse difference moment 6개의 질감특성 파라미터들을 각각 계산한 실험결과, 양자화를 수행하지 않은 256 레벨 GLCM에 비해 계산시간과 저장 공간에서 개선된 성능이 있음을 확인하였다. 특히 48, 32, 16, 12, 8의 비균일 양자화 레벨 중에서 16일 때 가장 우수한 질감특성분석 성능이 있음을 알 수 있었다.
This paper presents a performance improvement of gray level co-occurrence matrix(GLCM) based on the nonuniform quantization, which is generally used to analyze the texture of images. The nonuniform quantization is given by Lloyd algorithm of recursive technique by minimizing the mean square error. T...
This paper presents a performance improvement of gray level co-occurrence matrix(GLCM) based on the nonuniform quantization, which is generally used to analyze the texture of images. The nonuniform quantization is given by Lloyd algorithm of recursive technique by minimizing the mean square error. The nonlinear intensity levels by performing nonuniformly the quantization of image have been used to decrease the dimension of GLCM, that is applied to reduce the computation loads as a results of generating the GLCM and calculating the texture parameters by using GLCM. The proposed method has been applied to 30 images of $120{\times}120$ pixels with 256-gray level for analyzing the texture by calculating the 6 parameters, such as angular second moment, contrast, variance, entropy, correlation, inverse difference moment. The experimental results show that the proposed method has a superior computation time and memory to the conventional 256-level GLCM method without performing the quantization. Especially, 16-gray level by using the nonuniform quantization has the superior performance for analyzing textures to another levels of 48, 32, 12, and 8 levels.
This paper presents a performance improvement of gray level co-occurrence matrix(GLCM) based on the nonuniform quantization, which is generally used to analyze the texture of images. The nonuniform quantization is given by Lloyd algorithm of recursive technique by minimizing the mean square error. The nonlinear intensity levels by performing nonuniformly the quantization of image have been used to decrease the dimension of GLCM, that is applied to reduce the computation loads as a results of generating the GLCM and calculating the texture parameters by using GLCM. The proposed method has been applied to 30 images of $120{\times}120$ pixels with 256-gray level for analyzing the texture by calculating the 6 parameters, such as angular second moment, contrast, variance, entropy, correlation, inverse difference moment. The experimental results show that the proposed method has a superior computation time and memory to the conventional 256-level GLCM method without performing the quantization. Especially, 16-gray level by using the nonuniform quantization has the superior performance for analyzing textures to another levels of 48, 32, 12, and 8 levels.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 Lloyd 알고리즘의 비균일 양자화 과정으로 얻어지는 명암레벨에 기반을 둔 GLCM을 생성하는 기법을 제안하여 행렬의 생성과 질감특성의 계산에 따른 부하를 줄인다. 제안된 기법을 30개의 120*120 픽셀의 256 그레이 레벨 영상들[9]을 대상으로 angular second moment(ASM), contrast, variance, entropy, correlation, inverse difference moment(IDM)의 6개 질감특성 파라미터들을 각각 계산하여 기존 256 레벨의 GLCM에 비해 계산시간과 저장 공간에서의 개선정도에 대해서 비교·검토한다.
본 논문에서는 비균일 양자화 기법에 기반을 둔 영상의 질감분석에 널리 이용되고 있는 GLCM의 성능개선을 제안하였다. 여기서 비균일 양자화 기법으로는 평균자승오차의 최소화를 위한 반복 계산 기법인 Lloyd 알고리즘을 이용하였다.
본 논문에서는 비균일 양자화 기법인 Lloyd 알고리즘의 양자화에 기반을 둔 GLCM의 생성을 제안한다. 이렇게 하면 영상의 그레이 레벨을 줄여 GLCM의 커널인 차원을 감소시킬 수 있어 행렬의 생성과 특성분석에 따른 계산부하 및 저장 공간을 줄이는 효과를 얻을 수 있다.
제안 방법
비균일 양자화의 Lloyd 알고리즘과 GLCM을 조합한 제안된 질감분석법의 계산 성능을 평가하기 위하여 Mayang사에서 제공되는 컬러 질감영상[9] 중에서 30개의 영상을 이용하였다. 실험은 컬러 영상을 8비트의 256레벨 그레이 영상으로 변환하고 크기를 120*120 픽셀로 축소하여 수행하였다. 실험환경은 펜티엄Ⅳ-3.
제안된 기법을 30개의 120*120 픽셀의 256 그레이 레벨 영상들[9]을 대상으로 angular second moment(ASM), contrast, variance, entropy, correlation, inverse difference moment(IDM)의 6개 질감특성 파라미터들을 각각 계산하여 기존 256 레벨의 GLCM에 비해 계산시간과 저장 공간에서의 개선정도에 대해서 비교·검토한다.
통계적 분석법에서는 질감의 계층적인 구조를 명백하게 이해하려는 것은 아니지만 영상의 명암레벨 사이의 분포와 관계를 조절하는 비결정적인 속성들에 의해 간접적으로 질감을 표현한다. 즉, 영상 내 각 화소에서 국소특징들을 계산하고, 그 국소특징의 분포로부터 통계적 성질을 유도함으로써 명암의 공간적 분포를 분석한다. 여기서 국소특징을 정의하는데 이용되는 화소의 수에 따라 통계적 분석법은 하나의 화소만을 고려하는 1차, 2개의 화소를 고려하는 2차, 3개 이상의 화소를 고려하는 고차의 통계적 분석법으로 나누어진다.
대상 데이터
비균일 양자화의 Lloyd 알고리즘과 GLCM을 조합한 제안된 질감분석법의 계산 성능을 평가하기 위하여 Mayang사에서 제공되는 컬러 질감영상[9] 중에서 30개의 영상을 이용하였다. 실험은 컬러 영상을 8비트의 256레벨 그레이 영상으로 변환하고 크기를 120*120 픽셀로 축소하여 수행하였다.
이론/모형
본 논문에서는 비균일 양자화 기법에 기반을 둔 영상의 질감분석에 널리 이용되고 있는 GLCM의 성능개선을 제안하였다. 여기서 비균일 양자화 기법으로는 평균자승오차의 최소화를 위한 반복 계산 기법인 Lloyd 알고리즘을 이용하였다. 이는 영상에서 비균일 양자화 과정으로 얻어지는 비선형의 명암레벨을 GLCM의 계산 시에 이용하는 커널로 활용함으로써 행렬의 생성과 질감분석을 위한 파라미터의 계산에 따른 부하를 줄이기 위함이다.
성능/효과
한편 그림 5는 15개의 시험영상을 대상으로 5개의 그레이 레벨 각각에 따른 질감특징 6개를 계산하는데 소요되는 CPU시간을 나타낸 것이다. 여기에서 보면, 양자화를 통한 그레이 레벨이 감소할수록 GLCM의 차원이 감소하여 계산시간은 감소하며, 각 영상에 따라 명암값과 그 분포들이 달라 계산시간도 상이함을 알 수 있다. 한편 각 그레이 레벨에서의 평균소요시간을 살펴보면, 256레벨에서는 약 0.
이상의 결과에서 질감분석을 위해 GLCM을 이용할 경우, 기존 영상의 그레이 레벨을 단순 적용하는 것보다는 전처리로 비선형의 양자화 알고리즘에 의한 레벨의 차원감소 후 적용이 특징계산 시간뿐만 아니라 행렬 데이터의 저장 공간을 동시에 감소시킬 수 있다. 특히 실험을 통하여 256 그레이 레벨의 영상에서 질감특성을 그대로 유지하면서도 분석시간과 저장 공간측면에서 가장 효과적인 레벨은 16레벨의 비균일 양자화임을 확인할 수 있다.
여기서도 variance 는 그레이 레벨이 16일 때, IDM은 12일 때까지 원 영상의 속성이 잘 반영됨을 알 수 있다. 이상의 특징들을 살펴보면, 제안된 양자화 알고리즘을 통해 그레이 레벨 16까지에 의해 생성된 GLCM의 경우도 양자화를 하지 않은 레벨 256의 원 영상의 GLCM과 유사한 속성의 반영이 가능함을 확인 할 수 있다.
제안된 기법을 30개의 120*120 픽셀의 영상들을 대상으로 적용하여 ASM, contrast, variance, entropy, correlation, IDM 6개의 질감특성들을 각각 계산한 결과, 기존 256 그레이 레벨 GLCM에 비해 계산시간과 저장 공간에서의 개선된 성능이 있음을 확인하였다. 특히 48, 32, 16, 12, 그리고 8이 비균일 양자화된 그레이 레벨 중에서 16 레벨이 가장 우수한 질감특성분석 성능이 있음을 확인하였다.
제안된 기법을 30개의 120*120 픽셀의 영상들을 대상으로 적용하여 ASM, contrast, variance, entropy, correlation, IDM 6개의 질감특성들을 각각 계산한 결과, 기존 256 그레이 레벨 GLCM에 비해 계산시간과 저장 공간에서의 개선된 성능이 있음을 확인하였다. 특히 48, 32, 16, 12, 그리고 8이 비균일 양자화된 그레이 레벨 중에서 16 레벨이 가장 우수한 질감특성분석 성능이 있음을 확인하였다.
이상의 결과에서 질감분석을 위해 GLCM을 이용할 경우, 기존 영상의 그레이 레벨을 단순 적용하는 것보다는 전처리로 비선형의 양자화 알고리즘에 의한 레벨의 차원감소 후 적용이 특징계산 시간뿐만 아니라 행렬 데이터의 저장 공간을 동시에 감소시킬 수 있다. 특히 실험을 통하여 256 그레이 레벨의 영상에서 질감특성을 그대로 유지하면서도 분석시간과 저장 공간측면에서 가장 효과적인 레벨은 16레벨의 비균일 양자화임을 확인할 수 있다.
후속연구
Lloyd 알고리즘의 양자화는 정보의 중요한 영역에 적응적으로 대응하는 우수한 양자화 기법이다. 따라서 그레이 영상의 GLCM 계산에 Lloyd 알고리즘의 양자화를 적용하면 행렬의 생성 및 질감특징계산의 부하를 동시에 줄일 수 있을 것이다.
양자화 방법에는 균일(uniform) 양자화와 비균일(nonuniform) 양자화가 있으며, 양자화 오차를 줄이기 위해 비균일 양자화가 널리 이용된다. 따라서 비균일 양자화를 입력영상의 명암레벨을 사상한 GLCM의 계산 시에 이용되는 커널로 활용함으로써 행렬의 계산에 따른 계산부하를 줄일 수 있을 것이다.
향후 제안된 기법을 좀 더 규모가 크고 다양한 질감을 가지는 영상을 대상으로 한 적용연구가 이루어져야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
스펙트럼 접근법이란 무엇인가?
먼저, 구조적 접근법은 질감의 패턴이 구조를 생성하는 방식에 대한 규칙을 서술자로 이용하는 기법으로, 규칙과의 일치여부로 질감을 분석하는 방법이다. 스펙트럼 접근법은 영상의 주기성에 바탕을 둔 주파수 영역에서의 분석법으로 Fourier 변환, wavelet 변환, Gabor filter 등을 이용한다. 통계적 접근법은 질감은 랜덤하나 어떤 일관된 속성을 가지므로 영상이 가지는 통계적 특성을 이용하는 방법이다.
질감분석의 특징은 무엇인가?
질감분석은 영상의 분할이나 분류, 의학영상의 분석, 그리고 표면결함의 자동검출 등에도 많이 응용되고 있다[1-4]. 특히 영상에서 영역의 내용을 설명할 때, 질감정보는 평균, 최소, 또는 최대 그레이 레벨(gray level)과 같은 명암설명자를 이용할 때보다 더욱 더 높은 이해력을 제공한다.
영상에서 질감은 어떻게 이용되고 있는가?
질감은 영상에서 명암변화의 공간적인 분포형태를 나타내는 것으로 토양이나 시설물 등을 탐지하거나 토지의 전용이나 수종의 분포 및 변화 등을 모니터링 하는데 주로 이용되고 있다[6]. 질감분석은 영상의 분할이나 분류, 의학영상의 분석, 그리고 표면결함의 자동검출 등에도 많이 응용되고 있다[1-4].
참고문헌 (9)
M. Tuceryan and A. K. Jain, "Texture Analysis," The Handbook of Pattern Recognition and Computer Vision (2nd Edition), World Scientific Publishing Co., pp. 207-248, 1998
A. Materka, M. Strzelecki, "Texture Analysis Methods - A Review," Technical University of Lodz, Institute of Electronics, COST B11 Report, Brussels 1998
R. M. Haralick, "Statistical and Structural Approaches to Texture," Proc. of the IEEE, Vol. 67, No. 5, pp. 786-804, May 1979
P. Mohanaiah, P. Sathyanarayana, and L. GuruKumar, "Image Texture Feature Extraction Using GLCM Approach," International Journal of Scientific and Research Pub., Vol 3, Issue 5, pp. 1-5, May 2013
G. H. Kim, S. P. Choi, W. S. Yook, and H. G. Sohn, "Extraction of Urban Boundary Using Grey Level Co-Occurrence Matrix Method in Pancromatic Satellite Imagery," Journal of Korean Society Civil Engineers, Vol. 26, No. 1D, pp. 211-217, Jan. 2006.
S. Lloyd, "Least Squares Quantization in PCM," IEEE Trans. on Information Theory, Vol. 28, No. 2, pp. 129-137, Mar. 1982
※ AI-Helper는 부적절한 답변을 할 수 있습니다.