본 논문은 영상에 포함된 객체 특징을 추출하기 위한 연구로서, 말레이시아 산림에서 드론으로 항공 촬영된 산림 영상사진을 이용하여 실제로 산림 속에 존재하는 나무를 파악하기 위한 방법을 기술한다. 일반적으로 회색조 영상특징 추출방법으로는 LBP 방식과 GLCM 방식, Gabor 필터 방식 등이 많이 사용되고 있다. 본 연구에서는 드론으로 촬영된 영상이므로 나뭇잎 질감이 매우 유사하기 때문에, 질감 자체보다는 표본으로 채취한 샘플들에 대한 통계적 특성을 이용한 객체 추출 방식을 제안한다. 이를 위하여 먼저 샘플 영상을 생성하고, 생성된 샘플영상과 원 영상간의 상호상관관계를 이용하여 객체를 검출한다. 각 샘플영상들에 대한 평균치 및 표준편차는 객체 샘플을 분간하고, 판단하기 위한 중요한 자료로 사용될 수 있으며, 또한 RGB 모델과 HSV 모델의 각 신호성분들을 분석하여 객체판단에 유용한 샘플 영상에 대한 통계값을 이용함으로서 객체 추출 확률을 높일 수 있다.
본 논문은 영상에 포함된 객체 특징을 추출하기 위한 연구로서, 말레이시아 산림에서 드론으로 항공 촬영된 산림 영상사진을 이용하여 실제로 산림 속에 존재하는 나무를 파악하기 위한 방법을 기술한다. 일반적으로 회색조 영상특징 추출방법으로는 LBP 방식과 GLCM 방식, Gabor 필터 방식 등이 많이 사용되고 있다. 본 연구에서는 드론으로 촬영된 영상이므로 나뭇잎 질감이 매우 유사하기 때문에, 질감 자체보다는 표본으로 채취한 샘플들에 대한 통계적 특성을 이용한 객체 추출 방식을 제안한다. 이를 위하여 먼저 샘플 영상을 생성하고, 생성된 샘플영상과 원 영상간의 상호상관관계를 이용하여 객체를 검출한다. 각 샘플영상들에 대한 평균치 및 표준편차는 객체 샘플을 분간하고, 판단하기 위한 중요한 자료로 사용될 수 있으며, 또한 RGB 모델과 HSV 모델의 각 신호성분들을 분석하여 객체판단에 유용한 샘플 영상에 대한 통계값을 이용함으로서 객체 추출 확률을 높일 수 있다.
As the study of the object feature detection from image, we explain methods to identify the species of the tree in forest using the picture taken from dron. Generally there are three kinds of methods, which are GLCM (Gray Level Co-occurrence Matrix) and Gabor filters, in order to extract the object ...
As the study of the object feature detection from image, we explain methods to identify the species of the tree in forest using the picture taken from dron. Generally there are three kinds of methods, which are GLCM (Gray Level Co-occurrence Matrix) and Gabor filters, in order to extract the object features. We proposed the object extraction method using the statistical properties of trees in this research because of the similarity of the leaves. After we extract the sample images from the original images, we detect the objects using cross correlation techniques between the original image and sample images. Through this experiment, we realized the mean value and standard deviation of the sample images is very important factor to identify the object. The analysis of the color component of the RGB model and HSV model is also used to identify the object.
As the study of the object feature detection from image, we explain methods to identify the species of the tree in forest using the picture taken from dron. Generally there are three kinds of methods, which are GLCM (Gray Level Co-occurrence Matrix) and Gabor filters, in order to extract the object features. We proposed the object extraction method using the statistical properties of trees in this research because of the similarity of the leaves. After we extract the sample images from the original images, we detect the objects using cross correlation techniques between the original image and sample images. Through this experiment, we realized the mean value and standard deviation of the sample images is very important factor to identify the object. The analysis of the color component of the RGB model and HSV model is also used to identify the object.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
드론으로 촬영된 영상을 이용하여 수목의 종류를 분석하여, 벌목정책 및 식목정책에 응용할 목적으로 사용된다. 이를 명확히 분석하기 위해서는 지상에서의 각종 측량정보와 보조 정보들을 데이터베이스에 저장하고, 이를 활용하여야 한다.
본 논문에서는 카메라와 GPS 장비가 장착된 드론에 의해 촬영된 산림 영상에 대하여, 질감정보와 색상정보를 이용하여 나무 객체를 보다 정확하게 추출하는 방법을 제안한다.
이를 명확히 분석하기 위해서는 지상에서의 각종 측량정보와 보조 정보들을 데이터베이스에 저장하고, 이를 활용하여야 한다. 본 연구에서는 단지 드론이나 인공위성으로 촬영된 영상에 대한 객체를 추출하기 위한 실험 연구이다.
제안 방법
그러므로 HSV-S 성분을 가지고 (2)번 원영상만을 축소/확대하는 부분을 재 실험하였다. 드론 카메라에서의 높이와 무관한 경우를 조사하기 위하여, 샘플 영상은 그대로 유지하고, 원영상만을 축소/확대한 경우를 HSV의 S 성분을 이용하여 분석한 결과는 다음 표와 같다.
이러한 부분을 함께 분석하면 다음 절에서 실시되는 상호상관함수 결과에 오류를 발생시킨다. 그러므로 원영상의 평균치와 표준편차를 이용하여, 평균치를 기준으로 하여 표준편차를 이용하여 불필요한 부분은 제거하였다. 기타 잡음제거용으로 평균 필터(average filter)도 1회 적용하였다.
그러므로 HSV-S 성분을 가지고 (2)번 원영상만을 축소/확대하는 부분을 재 실험하였다. 드론 카메라에서의 높이와 무관한 경우를 조사하기 위하여, 샘플 영상은 그대로 유지하고, 원영상만을 축소/확대한 경우를 HSV의 S 성분을 이용하여 분석한 결과는 다음 표와 같다.
그러므로 영상의 크기가 너무 크므로 처리하기 어렵다. 따라서 본 연구에서는 단편화된 일부 영상을 처리한다. 단편화된 영상은 1000X1500 크기의 R,G,B 영상으로 구성된다.
또한 재질영상의 유형을 결정하기 위하여 Homogeneity, Contrast, Angular second moment, Dissimilarity, Entropy, Energy 와 같은 6 가지 통계 값을 사용한다. [7,8,9]
마지막으로 HSV-S 성분을 이용하였을 때, 표에서 40% 위치에서 잘못 판단할 확률을 계산하기 위하여 검출을 위한 임계치를 조정하였다. 지금까지는 상호상관 함수 계산에 의해 최대치를 기준으로 샘플 검출 여부만을 확인하였으나, 임계치값를 표준편차를 이용하여 설정하고, 검출확률을 분석하였다.
그러나 RGB 모델, HSV 모델, 디지털 TV에서 사용되는 YCbCr 영상 등이 있다. 본 실험에서는 회색조 영상, RGB 모델과 HSV 모델의 각 영상 성분에 의해 샘플들의 평균치와 표준편차를 분석하였다.
본 연구는 말레이시아와의 연계 프로젝트의 일환으로 실시되었으며, 말레이시아 정글의 수풀을 드론으로 촬영된 사진을 사용하여 영상처리를 실시하였다.
본 연구에서는 산림에서의 나무의 이름을 판단하기 위한 연구로서, 나무 재질간의 질감 형태의 유사성으로 인하여, 인접한 화소간의 관계보다는 전반적인 형상을 위주로 객체를 판단하기 위하여, 샘플을 추출하고, 원영상에서 객체를 추출하기 위하여 샘플의 크기를 조정하는 방식을 사용하였다. 즉, 샘플 객체의 평균치와 분산 등의 통계적 특성분석을 이용하여 독자적인 방법으로 객체추출 실험을 실시하였다.
본 연구에서는 산림에서의 나무의 이름을 판단하기 위한 연구로서, 나무 재질간의 질감 형태의 유사성으로 인하여, 인접한 화소간의 관계보다는 전반적인 형상을 위주로 객체를 판단하기 위하여, 샘플을 추출하고, 원영상에서 객체를 추출하기 위하여 샘플의 크기를 조정하는 방식을 사용하였다. 즉, 샘플 객체의 평균치와 분산 등의 통계적 특성분석을 이용하여 독자적인 방법으로 객체추출 실험을 실시하였다.
대상 데이터
그리고 단편영상에서 3개의 나무의 재질을 추출하였다. 이를 샘플영상이라 부른다.
따라서 본 연구에서는 단편화된 일부 영상을 처리한다. 단편화된 영상은 1000X1500 크기의 R,G,B 영상으로 구성된다.
수풀에서 드론으로 촬영된 영상은 3078X5472 크기의 R,G.B 영상으로 구성된다. 그러므로 영상의 크기가 너무 크므로 처리하기 어렵다.
지금까지 실험은 회색조 영상을 이용하여 이루어졌다. 그러나 RGB 모델, HSV 모델, 디지털 TV에서 사용되는 YCbCr 영상 등이 있다.
데이터처리
그림 5에서 알 수 있듯이 원 영상과 샘플 영상의 평균값과 표준편차를 구하였다.
마지막으로 HSV-S 성분을 이용하였을 때, 표에서 40% 위치에서 잘못 판단할 확률을 계산하기 위하여 검출을 위한 임계치를 조정하였다. 지금까지는 상호상관 함수 계산에 의해 최대치를 기준으로 샘플 검출 여부만을 확인하였으나, 임계치값를 표준편차를 이용하여 설정하고, 검출확률을 분석하였다.
성능/효과
결과적으로 3개의 샘플에 대한 HSV-S 성분이 다른 색상 성분에 비해 평균치와 표준편차값이 타 객체 성분에 비해 독립적이므로, 객체 추출에 유용한 정보로 적용될 수 있음을 알 수 있다. 그러나 추출하여야할 객체가 많아지거나 이들의 평균치와 분산정보가 독립적이지 않을 수 있기 때문에 많은 보완연구가 필요하다.
먼저 동일한 GPS 지점으로 가정하고 이에 대한 드론 카메라에서의 높이가 변화될 때의 촬영된 영상을 비교하기 위하여, 원 영상과 샘플 영상을 동일비율로 축소/확대한 경우에는 100% 탐지율을 보였다.
본 연구의 결과를 정리하면, RGB, HSV 모델에서 색상성분마다 샘플의 평균치와 표준편차 정보가 달리 나타나기 때문에 이들을 분석하여 사용하는 것이 객체를 판단하기 위한 중요한 요소로 사용될 수 있음을 알 수 있다.
표 4에서 알 수 있듯이,다른 색상성분에 비해 HSV의 S 성분은 샘플 1,2,3의 평균치가 0.13, 0.27, 0.42 로 적절히 분포되고, 표준편차도 적절함을 알 수 있다.
표 6에서 샘플 1의 경우에는 100% 확률로 검출되었으며, 샘플 2의 경우에는 75%, 샘플 3의 경우에는 78.6%의정확도로 검출되었다. 표 6에서 샘플 3의 경우 78.
후속연구
본 연구의 결과는 색상과 재질을 이용하여 정글에서의 수목을 분류하기 위한 기초자료로 사용될 수 있다. 향후 객체의 모양, 윤곽선등에 대한 보완자료를 통하여 정확성을 높이기 위한 노력이 요구된다.
본 연구의 결과는 색상과 재질을 이용하여 정글에서의 수목을 분류하기 위한 기초자료로 사용될 수 있다. 향후 객체의 모양, 윤곽선등에 대한 보완자료를 통하여 정확성을 높이기 위한 노력이 요구된다.
질의응답
핵심어
질문
논문에서 추출한 답변
LBP(Local Binary Pattern) 방식의 역할은 무엇인가?
LBP(Local Binary Pattern) 방식은 영상에서의 각 화소에 대해 중앙 화소의 값과 그에 이웃하는 화소의 임계치에 의해 이진코드를 생성한다. 그림 1(a) 은 원래의 영상이다.
질감정보를 이용하여 객체를 추출하기 위한 연구는 어떤 특징을 이용하는가?
질감정보를 이용하여 객체를 추출하기 위한 연구는 주로 물체의 표면정보, 물체의 겉 표면의 특징을 이용하며, 통계적 방법, 구조적 방법, 주파수스펙트럼분석에 의한 방법 등이 있다. 통계적인 방법으로는 공간적 명암도 의존성 관계를 고려한 자체상관함수, 역률밀도함수 등을 이용한 분석이 있으며, 구조적 방법으로는 수학적 형태학 등을 이용한 영상 프리미티브의 배열분석 등이 있다.
GLCM 기법은 밝기 등급 조절을 위해 어떤 과정을 거치는가?
GLCM(Gray-Level Coocurence Model) 기법은 현재 화소와 이웃 화소 간의 밝기값의 관계를 계산하고 커널 내의 중심화소에 새로운 밝기 값으로 할당하는 방식으로 입력 영상의 부분적인 질감 특징을 표현하는 기법이다. 먼저 밝기 등급을 2,4,8, 16 등급으로 조정하는 양자화 과정을 거친다. 양자화를 통해 생성된 영상에 대하여 이웃간의 연관성을 고려한 행렬을 생성하여 이에 대한 분석을 통하여 객체의 질감정보를 파악하고, 이를 이용하여 객체를 판별하는데 사용하는 방법이다. 질감의 형태를 결정하기 위한 방향벡터는 그림 2와 같이 수평/수직방향의 방향성분(a)과 대각방향의 성분(b)으로 구분하여 질감의 형태를 찾아내는 방식이다. [4,5,6]
참고문헌 (9)
V. Arvis, C. Debain, M. Berducat, A. Benass, "Generalization of the co-occurrence matrix for colour images : application to colour texture classification," image Analysis & Stereology, vol.23, no.1, pp 63-72, March 2004.
N. Jain, S. S. Salankar, "content-based image retrieval using gabor texture feature and color histogram," International Journal of Enhanced research in science technology & engineering, vol. 3 Issue 9, pp 97-102, Sept. 2014.
T. Ojala, M. Pietikinen, D. Harward, "A Comparative Study of Texture Measures with Classification Based on Featured Distributions," Pattern Recognition, vol. 29, no.1 pp 51-59, January 1996.
F. R Siqueira, W. R. Schwartz, H. Pedrini, "Multi-Cable Gray Level Co-occurrence Matrices for Texture Description," Neurocomputing, vol.120, no.23. pp.336-s45, November 2017.
V. Sebastian, A. Unnnikrishnan, K. Balakrishman, K., "Grey Level Co-occurrence Matrices : Generalization and Some New Features," International Journal of Computer Science, Engineering and Information Technology, (IJCSEIT), vol.2. no.2, pp 151-157, April 2012.
M. Benco, R. Hudec, P. Kamencay, M. Zachariasova, S. Matuska, "An Advanced Approach to Extraction of Color Texture Features Based on GLCM," International Journal of Advanced Robotic Systems, vol. 2, no.1 pp.1-8, July 2014.
K. W. Lee et al, "Implementation of GLCM/GLDV based Texture Algrorithm and Its Application to High Resolution Imagery Analysis," Korea Journal of Remote Sensing, vol.21, no.2, pp.121-133, Feb. 2005.
H. S. Cho et al,"Region of Interest Extraction Method and Hardware Implementation of Matrix Pattern Image," Journal of the Korea Institute of Information and Communication Engineering, vol.19, no.4, pp 940-947, April 2015.
L. Nani., S. Brahnam, S. Ghidoni, E. Menegatti, T. Barrier, "Different approaches for extracting information from the co-occurrence matrix," PLoS One. 26;8(12):e83554. doi: 10.1371./journal.pone.0083554. eCollection. vol.8, no.12, pp 1-16, December 2013.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.