[논문]저전력 특징추출 알고리즘의 구현을 위한 블록 유형 분류 기반 낮은 복잡도를 갖는 영상 이진화

이주성; 안호명; 김병철

doi:10.17661/jkiiect.2019.12.3.179

초록
AI-Helper

본 논문은 저전력 특징추출 알고리즘의 구현을 위한 블록 유형 분류 기반 영상 이진화 방법을 제안한다. 제안하는 방법은 영상 내에서 $64{\times}64$ macro block 크기로 영상을 나누고 각 블록 유형별 threshold 값을 한 번만 연산한 후 그 값을 re-use 하는 기법으로 구현될 수 있다. 알고리즘은 threshold 값이 같은 영상/블록 유형 내에서 최대 9%의 변화율만 발생하는 것을 정량적인 결과를 기반으로 검증했다. 기존 알고리즘은 $512{\times}512$ 이미지 기준으로 macro block을 $64{\times}64$로 나누었을 때 64개의 블록을 위해 threshold 값을 연산해야 하지만 제안하는 방법은 모두 같은 블록 유형이 출력되는 best case의 경우 threshold 연산을 한번만 수행하고, 나머지 63개의 블록에 대해서는 블록 유형 구분 과정만 수행하면 adaptive threshold calculation 연산을 98% 생략할 수 있다. 모든 블록 유형이 발생하는 worst case일 때 threshold calculation 연산은 다섯 번 수행되고, 나머지 59개의 블록에 대해서는 블록 유형 구분 과정만 수행할 수 있으므로 93%의 adaptive threshold calculation 연산을 생략할 수 있다.

Abstract ▼ AI-Helper

This paper proposes a block-type classification based image binarization for the implementation of the low-power feature extraction algorithm. The proposed method can be implemented with threshold value re-use technique approach when the image divided into $64{\times}64$ macro blocks size...

This paper proposes a block-type classification based image binarization for the implementation of the low-power feature extraction algorithm. The proposed method can be implemented with threshold value re-use technique approach when the image divided into $64{\times}64$ macro blocks size and calculating the threshold value for each block type only once. The algorithm is validated based on quantitative results that only a threshold value change rate of up to 9% occurs within the same image/block type. Existing algorithms should compute the threshold value for 64 blocks when the macro block is divided by $64{\times}64$ on the basis of $512{\times}512$ images, but all suggestions can be made only once for best cases where the same block type is printed, and for the remaining 63 blocks, the adaptive threshold calculation can be reduced by only performing a block type classification process. The threshold calculation operation is performed five times when all block types occur, and only the block type separation process can be performed for the remaining 59 blocks, so 93% adaptive threshold calculation operation can be reduced.

Keyword

표/그림 (5)

그림 그림. 1. 블록 유형 구분 알고리즘의 의사 코드 [6]. Fig. 1. Pseudo-codes of the block type classification algorithm [6].
그림 그림. 2. 블록 유형 구분 알고리즘 기반 Canny edge detection의 블록 다이어그램. Fig. 2. Block diagram of Canny edge detection based on block type classification.
그림 그림. 3. 512×512 해상도의 8비트 gray scale 테스트 이미지. Fig. 3. 8 bits gray scale test images of the 512×512 resolution.
그림 그림. 4. 테스트 이미지를 이용한 블록 유형 구분 결과와 threshold (TH) 값 추출 결과. Fig. 4. Block type classification and threshold (TH) value extraction results using test images.
표 표. 1. 이미지/블록 유형별 threshold 값의 범위. Table. 1. Range of the threshold values within each block type and image.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 adaptive thresholding을 macro block 단위로 적용할 때 문제가 되는 연산 복잡도를 줄일 가능성을 확인하기 위해 기존 block type classification 기반 adaptive thresholding 시 같은 이미지 내 각각의 macro block에서 발생하는 임계값을 분석하도록 한다. 분석된 값을 이용해 영상의 macro block에서 발생하는 threshold 값을 공유해 연산 복잡도를 줄일 수 있을지 검증하도록 한다.
영상에서 Threshold 값을 도출 해 내기 위해, 앞서 소개한 것과 같이 블록 유형 구분 알고리즘을 활용해 기존 알고리즘에서 요구하는 computational complexity를 줄여왔다. 이 점에 착안하여 본 논문에서는 블록 유형 구분 알고리즘을 기반으로 하여, 한 이미지 내에서 발생하는 각 macro block들의 블록 유형과 그 블록들에서 발생하는 임계값을 분석하도록 한다. 논문에서 제안하는 아이디어는 한 이미지 내에서는 블 록 유형이 같다면, 그 블록에서 발생하는 임계값의 변 화량이 크지 않을 것에 착안하여 제안되었다.
이 점에 착안하여 본 논문에서는 블록 유형 구분 알고리즘을 기반으로 하여, 한 이미지 내에서 발생하는 각 macro block들의 블록 유형과 그 블록들에서 발생하는 임계값을 분석하도록 한다. 논문에서 제안하는 아이디어는 한 이미지 내에서는 블 록 유형이 같다면, 그 블록에서 발생하는 임계값의 변 화량이 크지 않을 것에 착안하여 제안되었다. 먼저 영상이 입력되면 macro block 단위로 영상을 분할하 고, 블록 유형 구분을 통해 각 블록의 유형을 도출한 다.
본 논문에서는 저전력 특징추출 알고리즘의 구현을 위한 블록 유형 분류 기반 영상 이진화 기법을 제안한 다. 실험 결과, 영상 내 BT별 변화율이 10% 이하로 발 생하는 것을 확인했다.

제안 방법

본 논문에서는 adaptive thresholding을 macro block 단위로 적용할 때 문제가 되는 연산 복잡도를 줄일 가능성을 확인하기 위해 기존 block type classification 기반 adaptive thresholding 시 같은 이미지 내 각각의 macro block에서 발생하는 임계값을 분석하도록 한다. 분석된 값을 이용해 영상의 macro block에서 발생하는 threshold 값을 공유해 연산 복잡도를 줄일 수 있을지 검증하도록 한다.
알고리즘은 그림 1과 같이 구성되어 있다 [6]. 연산한 분산 값을 기반으로 각 픽셀 값을 알고리즘에서 정한 high, low 기준 값에 따라 uniform pixel, texture pixel, edge pixel로 구분한다. Macro block 내에서 세 가지 유형으로 구분된 픽셀의 총 개수를 카운트하고, 카 운트된 값에 따라 블록을 미리 설정된 다섯 개의 블 록 유형 (Smooth, Texture, Edge/texture, Medium edge, Strong edge)로 나눈다.
연산한 분산 값을 기반으로 각 픽셀 값을 알고리즘에서 정한 high, low 기준 값에 따라 uniform pixel, texture pixel, edge pixel로 구분한다. Macro block 내에서 세 가지 유형으로 구분된 픽셀의 총 개수를 카운트하고, 카 운트된 값에 따라 블록을 미리 설정된 다섯 개의 블 록 유형 (Smooth, Texture, Edge/texture, Medium edge, Strong edge)로 나눈다. 나눠진 블 록 유형 정보를 이용해 영상 내 macro block 별로 필요한 threshold 값을 더 정확하게 즉, 영상에서 추출될 수 있는 feature 값을 정확하게 구할 수 있 다.
구조는 그림 2과 같이 구성되었다. Local adaptive threshold 선택 과정 에 block type classification 알고리즘을 적용해 macro block 안에 포함되는 macro block 단위 영상의 feature를 더 정확하게 구할 뿐만 아니라, 병렬처리 가능한 구조를 제안해 data processing throughput을 향상시키는데 기여했다. 하지만 처리 속도 향상에 비례해 구현 복잡도가 증가하는 문제점 이 있다.
먼저 영상이 입력되면 macro block 단위로 영상을 분할하 고, 블록 유형 구분을 통해 각 블록의 유형을 도출한 다. 그 후, 블록 유형별로 대표 값이 될 수 있는 threshold 값을 구하고, 그 값을 재사용 하도록 한다. 예를 들어, 한 이미지 내에서 smooth 블록 유형이 12 개 발생했다면 12개 중 하나의 블록에 대해서만 임계 값을 도출하고, 나머지 11개 블록에 대해서는 이전 smooth 블록에서 도출되었던 값을 재활용 하도록 알고리즘을 구성한다.
실험 결과, 영상 내 BT별 변화율이 10% 이하로 발 생하는 것을 확인했다. 이 결과를 활용해 영상에서는 BT별 TH 연산은 한 번만 수행하고 그 값을 계속해서 공유하도록 구현해 저전력 동작이 가능하도록 영상처 리 알고리즘을 구성한다. 기존 알고리즘은 512×512 이미지 기준으로 macro block을 64×64로 나누었을 때, 64개의 블록을 위해 TH값을 구해야 한다.
따라서 TH 연산 관점에서 93 ∼ 98%의 연산을 감소시킬 수 있다. 이후 연구에서 Berkeley test image sets 등 다양한 환경에 대한 정 보를 포함하는 이미지 셋을 활용해 결과를 검증하도록 한다.

성능/효과

Macro block 내에서 세 가지 유형으로 구분된 픽셀의 총 개수를 카운트하고, 카 운트된 값에 따라 블록을 미리 설정된 다섯 개의 블 록 유형 (Smooth, Texture, Edge/texture, Medium edge, Strong edge)로 나눈다. 나눠진 블 록 유형 정보를 이용해 영상 내 macro block 별로 필요한 threshold 값을 더 정확하게 즉, 영상에서 추출될 수 있는 feature 값을 정확하게 구할 수 있 다. 기존 연구 [6]에서는 Gaussian image blur reduction, two-dimensional derivative filter, gradient magnitude/ direction calculation, non-maximal suppression, adaptive threshold calculation, hysteresis thresholding로 구성되어 있는 Canny edge detection에 block type classification을 적용했다.
영상에서 Threshold 값을 도출 해 내기 위해, 앞서 소개한 것과 같이 블록 유형 구분 알고리즘을 활용해 기존 알고리즘에서 요구하는 computational complexity를 줄여왔다. 이 점에 착안하여 본 논문에서는 블록 유형 구분 알고리즘을 기반으로 하여, 한 이미지 내에서 발생하는 각 macro block들의 블록 유형과 그 블록들에서 발생하는 임계값을 분석하도록 한다.
먼저 그림 2 에 나타낸 4개의 512×512 해상도의 8 bits gray scale test 이미지에 Macro block의 크기는 64×64 로 블록 유형 구분 [7] 알고리즘을 적용한다. 블록 유 형을 추출한 후, 임계값은 블록마다 Gradient magnitude의 누적 히스토그램을 생성하고, 그 값을 이용 해 누적 히스토그램에서 smooth 블록의 경우 100%, texture 블록의 경우 97%, edge/texture 블록의 경 우 90%, medium edge 블록의 경우 80%, strong edge 블록의 경우 60% 값으로 설정한다. 그림 4은 테 스트 이미지를 이용한 블록 유형 구분 결과 및 Threshold 추출 결과 이미지를 나타낸다.
그림 4은 테 스트 이미지를 이용한 블록 유형 구분 결과 및 Threshold 추출 결과 이미지를 나타낸다. 영상의 특 징에 따라 블록 유형이 구분된 것을 확인할 수 있고, 각 블록 별 threshold 값을 확인할 수 있다. 그림 4(a) Lena 이미지의 경우 smooth 블록 유형 (BT: 0)에서 threshold (TH) 값이 최소 1에서 최대 9까지 발생, edge/texture 블록 유형 (BT: 3)에서 TH값이 최소 21부터 최대 27까지 발생, medium edge 블록 유형 (BT: 4)에서 TH값이 최소 37에서 최대 61까지 발생 했다.
영상의 특 징에 따라 블록 유형이 구분된 것을 확인할 수 있고, 각 블록 별 threshold 값을 확인할 수 있다. 그림 4(a) Lena 이미지의 경우 smooth 블록 유형 (BT: 0)에서 threshold (TH) 값이 최소 1에서 최대 9까지 발생, edge/texture 블록 유형 (BT: 3)에서 TH값이 최소 21부터 최대 27까지 발생, medium edge 블록 유형 (BT: 4)에서 TH값이 최소 37에서 최대 61까지 발생 했다. 그림 4(b) Bird 이미지의 경우 BT: 0에서 TH값 이 최소 1에서 최대 4까지, BT: 4에서 TH값이 최소 50에서 최대 70까지 발생했다.
그림 4(a) Lena 이미지의 경우 smooth 블록 유형 (BT: 0)에서 threshold (TH) 값이 최소 1에서 최대 9까지 발생, edge/texture 블록 유형 (BT: 3)에서 TH값이 최소 21부터 최대 27까지 발생, medium edge 블록 유형 (BT: 4)에서 TH값이 최소 37에서 최대 61까지 발생 했다. 그림 4(b) Bird 이미지의 경우 BT: 0에서 TH값 이 최소 1에서 최대 4까지, BT: 4에서 TH값이 최소 50에서 최대 70까지 발생했다. 그림 4(c) Girl 이미지 의 경우, BT: 0에서 TH값이 최소 1에서 최대 2까지, texture 블록 유형 (BT: 2)에서 TH값이 최소 16에서 최대 17까지, BT: 3에서 TH값이 최소 27에서 최대 34까지, BT: 4에서 TH값이 최소 42에서 최대 66까 지, strong edge 블록 유형 (BT: 5)에서 TH 값이 최 소 90에서 최대 98까지 발생했다.
그림 4(b) Bird 이미지의 경우 BT: 0에서 TH값 이 최소 1에서 최대 4까지, BT: 4에서 TH값이 최소 50에서 최대 70까지 발생했다. 그림 4(c) Girl 이미지 의 경우, BT: 0에서 TH값이 최소 1에서 최대 2까지, texture 블록 유형 (BT: 2)에서 TH값이 최소 16에서 최대 17까지, BT: 3에서 TH값이 최소 27에서 최대 34까지, BT: 4에서 TH값이 최소 42에서 최대 66까 지, strong edge 블록 유형 (BT: 5)에서 TH 값이 최 소 90에서 최대 98까지 발생했다. 그림 4(d) Peppers 이미지의 경우 BT: 3에서 TH값이 최소 22에서 최대 34까지, BT: 4에서 TH값이 최소 47에서 58까지 발 생한다.
본 논문에서는 저전력 특징추출 알고리즘의 구현을 위한 블록 유형 분류 기반 영상 이진화 기법을 제안한 다. 실험 결과, 영상 내 BT별 변화율이 10% 이하로 발 생하는 것을 확인했다. 이 결과를 활용해 영상에서는 BT별 TH 연산은 한 번만 수행하고 그 값을 계속해서 공유하도록 구현해 저전력 동작이 가능하도록 영상처 리 알고리즘을 구성한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	adaptive thresholding 기법을 적용한 분산처리 기법의 단점은?	최신 이미지 센서를 활용한 자동차의 자율주행 같은 다양한 시스 템에서 실시간 동작 가능성을 만족하기 위해 macro block 단위로 기준 값을 다르게 적용하는 adaptive thresholding 기법을 적용한 분산처리 기법이 연구 되고 있다. 하지만 임계 (threshold) 값을 구하는 과정에서 영상의 intensity 값에 대해 누적 히스토 그램을 이용해 통계를 내는 등 값을 저장하고 그 값을 분석하는 과정이 요구되기 때문에 연산 복잡도가 상당히 높은 문제점이 있다. 이러한 문제점은 분산 처리 방법을 적용하면 연산의 기본 단위마다 임계값 을 연산하는 모듈이 포함되기 때문에 복잡도가 연산 유닛에 비례해 증가하게 된다.
	영상 이진화 알고리즘은 크게 어떻게 분류되는가?	최 신 이미지 센서에서 고해상도 및 높은 프레임 율을 지원하면서, 이를 처리하는 신호처리 프로세서가 실 시간으로 동작하기 위해 물체 인식 등 다양한 애플 리케이션에 포함되는 이진화 알고리즘 등, 영상처리 프로세서의 연산 복잡도를 줄이는 것이 필수적이다 [1-4]. 알고리즘은 크게 전체 이미지에 대해 기준 값을 구하고 그 값을 이용하는 Global thresholding [5] 방법과 균일하지 못한 조명 양 등 다양한 환경적 변수에 대응하기 위한 지역별 가변적 인 값을 활용하는 각각의 화소 및 macro block 단 위로 기준 값을 다르게 적용하는 adaptive thresholding [6] 방법으로 구분된다. 최신 이미지 센서를 활용한 자동차의 자율주행 같은 다양한 시스 템에서 실시간 동작 가능성을 만족하기 위해 macro block 단위로 기준 값을 다르게 적용하는 adaptive thresholding 기법을 적용한 분산처리 기법이 연구 되고 있다.
	영상 이진화란?	영상 이진화는 특징추출 알고리즘 등 다양한 영 상처리 알고리즘에 적용되는 알고리즘이다. 알고리 즘은 이미지에서 윤곽선 같은 정보를 Feature로 변환하기 위해 기준 값을 이용해 영상을 흑(0) 혹 은 백(1)의 값으로 변환하는 과정으로 수행된다.

참고문헌 (7)

W. Kim, J. Lee, H. An, and J. Kim, "High-Pe rformance and Low-Complexity Image Pre-Pr ocessing Method Based on Gradient-Vector C haracteristics and Hardware-Block Sharing," Trans. Electr. Electron. Mater, (TEEM) , vol. 1 8, no. 6, pp. 320-322, Dec. 2017.
W. Kim, J. Lee, and H. An, "Gradient Magnitude Hardware Architecture based on Hardware Folding Design Method for Low Power Image Feature Extraction Hardware Design," Journal of Korea institute of information, electronics, and communication technology (KIIECT) , vol. 10, no. 2, pp. 141-146, Apr. 2017.
W. Kim, J. Lee, H. An, and B. Kim, "Image Filter Optimization Method based on common sub-expression elimination for Low Power Image Feature Extraction Hardware Design," Journal of Korea institute of information, electronics, and communication technology (KIIECT) , vol. 10, no. 2, pp. 192-197, Apr. 2017.
W. Kim, J. Lee, and H. An, "Low Complexity Gradient Magnitude Calculator Hardware Architecture Using Characteristic Analysis of Projection Vector and Hardware Resource Sharing," Journal of Korea institute of information, electronics, and communication technology (KIIECT), vol. 9, no. 4, pp. 414-418, Aug. 2016.
N. Otsu, "A threshold selection method from gray-level histograms," IEEE Trans. Syst., Man. Cybern., vol. 9, no. 1, pp. 62-66, Jan. 1979.

상세보기
Q. Xu, S. Varadarajan, C. Chakrabarti, and L. J. Karam, "A Distributed Canny Edge Detector: Algorithm and FPGA Implementation," IEEE Trans. on Image Processing, vol. 23, no. 7, pp. 2944-2960, Jul. 2014.
J. K. Su and R. M. Mersereau, "Post-processing for artifact reduction in JPEG-compressed images," in Proc. IEEE ICASSP, vol. 3, pp. 2363-2366, May. 1995.

이 논문을 인용한 문헌

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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

[국내논문] 저전력 특징추출 알고리즘의 구현을 위한 블록 유형 분류 기반 낮은 복잡도를 갖는 영상 이진화
Low Complexity Image Thresholding Based on Block Type Classification for Implementation of the Low Power Feature Extraction Algorithm 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper

문제 정의

제안 방법

성능/효과

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 저전력 특징추출 알고리즘의 구현을 위한 블록 유형 분류 기반 낮은 복잡도를 갖는 영상 이진화 Low Complexity Image Thresholding Based on Block Type Classification for Implementation of the Low Power Feature Extraction Algorithm 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (5) 모든 표/그림 보기

표/그림 (5) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

성능/효과

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 저전력 특징추출 알고리즘의 구현을 위한 블록 유형 분류 기반 낮은 복잡도를 갖는 영상 이진화
Low Complexity Image Thresholding Based on Block Type Classification for Implementation of the Low Power Feature Extraction Algorithm 원문보기

초록
AI-Helper

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper

활용도 Top5 논문