[논문]MSER(Maximally Stable Extremal Regions)기반 위성영상에서의 관심객체 검출기법

백인혜

doi:10.9766/kimst.2015.18.5.510

MSER(Maximally Stable Extremal Regions)기반 위성영상에서의 관심객체 검출기법
A Method to Detect Object of Interest from Satellite Imagery based on MSER(Maximally Stable Extremal Regions) 원문보기

韓國軍事科學技術學會誌 = Journal of the KIMST, v.18 no.5, 2015년, pp.510 - 516

Abstract ▼ AI-Helper

This paper describes an approach to detect interesting objects using satellite images. This paper focuses on the interesting objects that have common special patterns but do not have identical shapes and sizes. The previous technologies are still insufficient for automatic finding of the interesting objects based on operation of special pattern analysis. In order to overcome the circumstances, this paper proposes a methodology to obtain the special patterns of interesting objects considering their common features and their related characteristics. This paper applies MSER(Maximally Stable Extremal Regions) for the region detection and corner detector in order to extract the features of the interesting object. This paper conducts a case study and obtains the experimental results of the case study, which is efficient in reducing processing time and efforts comparing to the previous manual searching.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 MSER 알고리즘이 불변 정보로써 영역정보를 추출하고 유사한 영역에서는 최대안정영역을 분할한다는 점을 고려하여, 영역의 면적을 기준으로 관심영역을 검출하는 법을 제안하였다. 또한, 코너 검출기를 사용하여 관심영역내의 객체의 특성을 판단하는 근거로써 활용하였다.
그러므로 탐지대상이 되는 객체가 그 배치나 형태가 일정하지 않는 점을 감안했을 때, 객체를 구성하는 픽셀의 개수는 평균 600개 내외인 것으로 계산된다. 본 논문에서는 MSER이 인접한 픽셀사이의 이미지 강도에 따라 최대안정영역을 추출하여 영역을 분할하는 특성을 이용하여 관심객체에 해당되는 영역을 추출한다. 이때, 관심객체 내부의 주요시설물은 헤리스 코너 검출기로 검출하며 이는 기하학적 시설물의 화소 강도에 따라 검출된 코너 개수를 실험을 통해 밀집된 코너점의 공통된 수를 도출하여 판단근거로 설정 가능하다.
본 논문에서는 주로 비접근적(Non-Accessible), 비협력적(Non-Cooperative)인 지역의 관심객체를 추출하기 위한 기법을 제안한다. 관심객체의 기하학적 형태와 패턴을 분석하여 관심객체를 포함한 영역을 검출한 후 객체의 이미지 특성에 따라 판단근거를 설정하여 관심객체를 식별한다.

제안 방법

본 논문에서는 주로 비접근적(Non-Accessible), 비협력적(Non-Cooperative)인 지역의 관심객체를 추출하기 위한 기법을 제안한다. 관심객체의 기하학적 형태와 패턴을 분석하여 관심객체를 포함한 영역을 검출한 후 객체의 이미지 특성에 따라 판단근거를 설정하여 관심객체를 식별한다. 따라서 본 논문에서 제시하는 기법은 최종적 관심객체의 탐지에 있어, 넓은 영역에서의 탐색하는데 요구되는 기존의 이미지 매칭의 프로세싱 시간을 줄이기 위한 일련의 전처리 과정이다.
관심객체의 기하학적 형태와 패턴을 분석하여 관심객체를 포함한 영역을 검출한 후 객체의 이미지 특성에 따라 판단근거를 설정하여 관심객체를 식별한다. 따라서 본 논문에서 제시하는 기법은 최종적 관심객체의 탐지에 있어, 넓은 영역에서의 탐색하는데 요구되는 기존의 이미지 매칭의 프로세싱 시간을 줄이기 위한 일련의 전처리 과정이다. 관심영역을 찾아 검출하는 방법에는 MSER(Maximally Stable Extremal Regions)을 이용하며, 코너 검출기(Corner Detector)를 활용하여 관심객체의 이미지 특성을 분석한다.
본 논문에서는 MSER 알고리즘이 불변 정보로써 영역정보를 추출하고 유사한 영역에서는 최대안정영역을 분할한다는 점을 고려하여, 영역의 면적을 기준으로 관심영역을 검출하는 법을 제안하였다. 또한, 코너 검출기를 사용하여 관심영역내의 객체의 특성을 판단하는 근거로써 활용하였다. 영상내의 관심영역을 주변의 지형지물과 분류하였고, 최종적으로 관심객체의 식별을 위한 탐지성능을 실험을 통해 검증하였다.
따라서 관심객체가 정확하게 규정된 크기와 모양이 없기 때문에 유사한 패턴을 기반으로 관심객체 검출을 위해서는 객체의 특성에 따른 탐색기법이 필요하다. 본 연구에서는 MSER 알고리즘이 변화가 적은 영역을 선택하여 안정된 영역을 추출 한다는 점을 이용하여, 영역의 크기를 관심객체가 존재할 수 있는 판단근거로 활용하였다.
실험에 적용한 입력영상에서는 영상의 크기에 따라 최대코너 개수를 200 이상 500 이하로 제한했으며, 타원 내부에 분포된 코너의 개수가 객체의 특성을 판단하는 근거로 설정하였다. 그 외 헤리스 코너 검출기에서 제시하고 있는 파라미터들은 실험영상의 코너 검출에 있어 민감한 차이가 없음을 확인했다.
실험에서 MSER 구현은 매트랩 이미지 프로세스 도구상자(Matlab Image Process Toolbox)에서 제공하는 VL_mser()함수를 이용하였으며, 최대안정영역 검출을 위해 실제 실험영상에서 적용한 옵션으로는 델타(Delta), 최대변화량(Max Variation), 최소상이값(Min Diversity)이다^[7]. 각각의 해당되는 옵션들의 한계수치(Threshold)는 영상의 사이즈 및 해상도에 따라 설정 가능하다.
또한, 코너 검출기를 사용하여 관심영역내의 객체의 특성을 판단하는 근거로써 활용하였다. 영상내의 관심영역을 주변의 지형지물과 분류하였고, 최종적으로 관심객체의 식별을 위한 탐지성능을 실험을 통해 검증하였다.

대상 데이터

본 논문에서 예시하고 있는 관심영역은 객체의 외형적 형태는 4개 이상 6개 이하의 타원으로 방사형 분포를 기본으로 하고 있다. 타원의 내부에는 특정방향을 지향한 형태의 시설물이 노출되어 있으며, 이들 객체의 외부에는 주요 시설물을 이동하기 위한 도로망으로 연결되어있다.
실험영상으로 활용한 구글어스의 위성영상에서 존재하는 객체의 평균 장/단축의 길이는 각각 14.58 m, 11.89 m이고, 해당되는 픽셀의 개수는 장축 25, 단축 20개로 측정된다. 그러므로 탐지대상이 되는 객체가 그 배치나 형태가 일정하지 않는 점을 감안했을 때, 객체를 구성하는 픽셀의 개수는 평균 600개 내외인 것으로 계산된다.
이때, 입력영상의 크기와 화소를 고려하여 관찰한 결과 통계적 분석결과 값으로써 최소 800×600 픽셀 영상, 최대 2102×1629 픽셀 영상 범위 내 총 4개의 영상샘플을 대상으로 하였다.

이론/모형

따라서 본 논문에서 제시하는 기법은 최종적 관심객체의 탐지에 있어, 넓은 영역에서의 탐색하는데 요구되는 기존의 이미지 매칭의 프로세싱 시간을 줄이기 위한 일련의 전처리 과정이다. 관심영역을 찾아 검출하는 방법에는 MSER(Maximally Stable Extremal Regions)을 이용하며, 코너 검출기(Corner Detector)를 활용하여 관심객체의 이미지 특성을 분석한다. 2장에서는 관련된 연구 이론과 함께 관심영역을 검출하는 기법에 대해 소개한다.

성능/효과

실험에 적용한 입력영상에서는 영상의 크기에 따라 최대코너 개수를 200 이상 500 이하로 제한했으며, 타원 내부에 분포된 코너의 개수가 객체의 특성을 판단하는 근거로 설정하였다. 그 외 헤리스 코너 검출기에서 제시하고 있는 파라미터들은 실험영상의 코너 검출에 있어 민감한 차이가 없음을 확인했다. Table 1은 최종적으로 입력된 실험영상에서 객체의 특성에 따른 관심객체 식별을 위한 판단근거로써 고려한 사항들이다.
89 m이고, 해당되는 픽셀의 개수는 장축 25, 단축 20개로 측정된다. 그러므로 탐지대상이 되는 객체가 그 배치나 형태가 일정하지 않는 점을 감안했을 때, 객체를 구성하는 픽셀의 개수는 평균 600개 내외인 것으로 계산된다. 본 논문에서는 MSER이 인접한 픽셀사이의 이미지 강도에 따라 최대안정영역을 추출하여 영역을 분할하는 특성을 이용하여 관심객체에 해당되는 영역을 추출한다.
오검출된 객체에 있어서는 형상의 크기나 모양이 관심객체와 유사하여 판단근거의 기준을 만족하여 검출된 것으로 확인되었다. 미검출된 객체에 있어서는 영상에서 객체의 형태가 불안정하고 이웃한 픽셀화소에 연속성이 없어 최대안정영역으로 검출되지 않았거나, 밀집된 코너점의 개수가 Table 1에서의 제시한 판단근거를 만족하지 않아 제안한 기법이 적용되지 않은 것으로 확인되었다.
본 논문에서 제안한 기법은 기존의 이미지 매칭과는 달리 특수한 형태의 패턴을 지닌 객체를 각각의 특성이 다른 알고리즘을 조합하여 새로운 접근법으로 관심객체를 검출한 것에 의의가 있다.
Table 4는 미검출 및 오검출된 실험영상이다. 오검출된 객체에 있어서는 형상의 크기나 모양이 관심객체와 유사하여 판단근거의 기준을 만족하여 검출된 것으로 확인되었다. 미검출된 객체에 있어서는 영상에서 객체의 형태가 불안정하고 이웃한 픽셀화소에 연속성이 없어 최대안정영역으로 검출되지 않았거나, 밀집된 코너점의 개수가 Table 1에서의 제시한 판단근거를 만족하지 않아 제안한 기법이 적용되지 않은 것으로 확인되었다.
35 %인 것으로 확인되었다. 이는 설정된 판단근거에 따라 검출대상이 되는 객체를 탐색하는 데 있어 매우 높은 수치는 아니지만, 입력되는 영상크기에 비하여 탐색하고자 하는 객체의 크기가 매우 작다는 점과 실험영상이 고해상도 위성영상이 아닌 점을 고려했을 때, 비교적 잘 찾은 것으로 나타났다.
6은 실제 실험영상을 대상으로 제안한 기법에 따라 Table 1에서 설정한 판단근거를 적용하여 검출한 결과이다. 최대안정영역 중에서 관심객체로 검출된 영역은 객체에 밀집된 코너 포인트의 수가 6개 이상인 곳이 검출되었고, 6개 미만인 곳은 관심객체임에도 미검출 되었다. 실험영상의 크기와 구체적인 파라미터는 Table 2와 같다.
판독 결과 검출대상객체 수 대비 실제검출객체 수의 실험영상 전체 탐지율의 평균은 58.35 %인 것으로 확인되었다. 이는 설정된 판단근거에 따라 검출대상이 되는 객체를 탐색하는 데 있어 매우 높은 수치는 아니지만, 입력되는 영상크기에 비하여 탐색하고자 하는 객체의 크기가 매우 작다는 점과 실험영상이 고해상도 위성영상이 아닌 점을 고려했을 때, 비교적 잘 찾은 것으로 나타났다.

후속연구

그러나 본 연구의 관심객체 탐색기법은 영상의 이미지 크기 변화에 민감하다는 것에 제약점이 있다. 따라서 향후 연구에서는 다수의 실험 영상을 대상으로 영상의 크기 및 해상도를 표준화 하여 대상의 특징점들의 판단근거가 되는 파라미터 설정에 MSER과 코너검출기의 결합방법에 대한 신뢰도를 높이는 연구를 진행하고자 한다. 추후 실험영상에 있어서는, 오검출 및 미검출된 객체에서 영상의 낮은 해상도로 인한 판단근거가 적용되지 않은 문제점을 고려하여 고해상도 위성영상을 활용하여 관심객체의 정보손실을 최소화함으로써, 이를 보완할 수 있을 것으로 판단된다.
제시한 기법이 영상 판독에 이미지 매칭에 있어 관심객체 후보를 도출하기 위한 전처리 과정으로써 기존에 입력영상의 전 영역을 슬라이딩 윈도우 방식을 보완한다면, 전체 영상을 스캐닝하면서 객체를 판독하는데 연산하는 시간과 비용을 줄일 수 있을 것으로 판단된다^[9].
따라서 향후 연구에서는 다수의 실험 영상을 대상으로 영상의 크기 및 해상도를 표준화 하여 대상의 특징점들의 판단근거가 되는 파라미터 설정에 MSER과 코너검출기의 결합방법에 대한 신뢰도를 높이는 연구를 진행하고자 한다. 추후 실험영상에 있어서는, 오검출 및 미검출된 객체에서 영상의 낮은 해상도로 인한 판단근거가 적용되지 않은 문제점을 고려하여 고해상도 위성영상을 활용하여 관심객체의 정보손실을 최소화함으로써, 이를 보완할 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	이미지 매칭과 검색분야에 많이 활용되는 알고리즘은 무엇인가?	불변특징 기반의 알고리즘들은 물체 인식, 파노라마 영상 등 다양한 분야에서 활용되고 있다. 그 중 SIFT(Scale Invariant Feature Transform)과 MSER(Maximally Stable Extremal Regions)이 이미지 매칭과 검색분야에서 많이 활용되고 있다[3]. 그러나 SIFT의 경우 동일한 이미지 매칭에는 성능이 우수하나, 고차원의 특징점 벡터를 사용한다는 점에서 유사한 이미지 검색에는 적용하기 어렵다[4].
	군사작전 및 의사결정을 함에 있어 전문 분석가의 축적된 경험에 의한 수동적 판독 임무가 수행되는 까닭은 무엇인가?	위성, 항공, SAR, RADAR) 영상을 이용한 지능적 융합기술로 인하여, 영상 처리 성능 및 속도가 개선되는 추세이다[1]. 그러나 비접근적(Non-accessible), 비협력적(Non-Cooperative)인 지역에 존재하는관심객체를 자동적으로 식별하는 기술은 아직까지 미흡한 실정이다. 따라서 군사작전 및 의사결정을 하는 데 있어 최종적으로 영상 데이터의 세부적인 판독 및 식별에 있어서는 보다 전문적 분석가(GIA : Geospatial and Image Analyst)들의 축적된 경험에 의해서 수동적 판독 임무가 수행된다.
	MSER의 영역 검출방법은?	MSER의 영역 검출방법은 흑백영상에서 픽셀의 화소 값의 크기에 따라 검출되는 영역 중 가장 안정적으로 변화하는 영역을 추출하는 것이다. 이웃한 픽셀들에 대하여 화소 값에 따라 정렬하고, 정렬된 값을 이용해서 영역 변화값을 계산하다. 영역 변화값은 가장 안정화된 영역을 찾는 기준이 되며 이 값이 최소화 되는 영역이 최대안정영역(Maximally Stable Region)으로 선택된다[5].

참고문헌 (9)

K. O. Kim, S. W. Shin, "Trend of Multi-sensor Spartial Imagery Processing Technology," Electronics and Telecommunication Tend, Vol. 20, No. 3, 2005.
B. Bhanu, "Automatic Target Recognition: State of the Art Survey," IEEE Trans. on Aerospace and Electronic Systems, Vol. 22, No. 4, pp. 364-379, 1986.
S. H. Yu, D. H. Kim, S. L. Lee, C. W. chung, S. H. Kim, "SIFT based Image Similarity Search using an Edge Image Pyramid and Interesting Region Detection," Journal of KIISE, Vol. 35, pp. 345-355, 2008.
D. Lowe, "Object Recognition from Local Scale-Invariant Features," Processing of the Seventh IEEE International Computer Vision, Vol. 2, pp. 1155-1157, 1997.
D. Tell, S. Carlsson, "Wide Baseline Point Matching using Affine Invariant Computed from Intensity Profiles," In Proceedings of the 6th European Conference on Computer Vision, Dublin, Ireland, pp. 814-828, 2000.
T. Tuytelaars, L., Van Gool, "Wide Baseline Strereo Matching based on Local, Affinely Invariant Region," In Proceedings of the 11th British Machine Vision Conference, Bristol, UK, pp. 412-425, 2000.
T., Kadir, A. Zisserman, M. Brady, "An Affine Invariant Salient Region Detector," In Proceedings of the 8th European Conference on Computer Vision, Prague, Czech Republic, pp. 345-457, 2004.
N. Mark, A. Alberto, "Feature Extraction and Image Processing," Academic Press, London, pp. 159-163, 2008.
I. Lim, S. Kim, J. Choi, "Detection Method of Objects with a Special Pattern in Satellite Images using Histogram of Gradients(HOG) Feature and Support Vectior Machine(SVM) Classifier," Korean Journal of Remote Sensing, Vol. 30, No. 4, pp. 537-546, 2014.

원문보기 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