[논문]지역적 유사도를 이용한 이미지 색상 정보 추출

손정우; 박성배; 김상수; 김구진

지역적 유사도를 이용한 이미지 색상 정보 추출
Extraction of Color Information from Images using Grid Kernel 원문보기

손정우 (경북대학교 전자전기컴퓨터학부 기계 학습 연구실) , 박성배 (경북대학교 전자전기컴퓨터학부 기계 학습 연구실) , 김상수 (경북대학교 전자전기컴퓨터학부 기계 학습 연구실) , 김구진 (경북대학교 전자전기컴퓨터학부 컴퓨터 그래픽스 연구실)

본 논문에서는 이미지 상에 나타난 색상 정보를 추출하기 위한 새로운 커널 메소드(Kernel method)인 Grid kernel을 제안한다. 제안한 Grid kernel은 Convolution kernel의 하나로 이미지 상에 나타나는 자질을 주변 픽셀에서 나타나는 자질로 정의 하고 이를 재귀적으로 적용함으로써 두 이미지를 비교한다. 본 논문에서는 제안한 커널을 차량 색상 인식 문제에 적용하여 차량 색상 인식 모델을 제안한다. 이미지 생성시 나타나는 주변 요인으로 인해 차량의 색상을 추출하는 것은 어려운 문제이다. 이미지가 야외에서 촬영되기 때문에 시간, 날씨 등의 주변 요인은 같은 차량이라 하더라도 다른 색상을 보이게 할 수 있다. 이를 해결하기 위해 Grid kernel이 적용된 차량 색상 인식 모델은 이미지를 HSV (Hue-Saturation-Value) 색상 공간으로 사상하여 명도를 배제하였다. 제안한 커널과 색상 인식 모델을 검증하기 위해 5가지 색상을 가진 차량 이미지를 이용하여 실험을 하였으며, 실험 결과 92.4%의 정확율과 92.0%의 재현율을 보였다.

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

문제 정의

본 논문에서는 이미지의 차량 색상 정보를 추출하기 위한 새로운 커널인 Grid kernel을 제안한다. 그리고 제안한 커널을 이용한 차량 색상 인식 모델을 제안한다.

가설 설정

가로가 w, 새로가 万 인 임의의 이미지【가 있다면 이미지 I는 다음과 같은 자질로 이루어져 있다고 가정한다.
본 논문에서 제안하는 Grid kernel은 하나의 자질을 더 작은 단위의 근접한 자질로 이루어져 있다고 간주한다. 즉, 하나의 픽셀을 이루는 정보는 그 픽셀에 근접한 주변 픽셀의 정보로 이루어져 있다.

제안 방법

새로운 커널인 Grid kernel을 제안한다. 그리고 제안한 커널을 이용한 차량 색상 인식 모델을 제안한다. 제안한 모델에서는 색상 정보 추출을 위해 제안한 커널을 이용하여 SVMs(Support Vector Machines)을 학습시킨다.
본 논문에서 제안하는 색상 인식 모델은 제안한 커널과 SVMs[13]를 이용하여 모델을 생성하고 이미지를 분류하고 있다. 그림 3.
본 논문에서는 이미지의 색상 정보를 추출하기 위해 새로운 커널 메소드인 Grid kernel을 제안하고 이를 색상 인식 모델에 적용하였다. 제안한 Grid Kernel은 특정 픽셀에서 나타나는 자질을 주변에서 나타나는 자질로 표현하고 이를 재귀적으로 적용함으로써 이미지들 간의 유사도를 계산한다.
사상된 모든 픽셀의 색상 값 중 V 값을 배제하고 계산하기 위해 제안한 커널 메소드의 재귀 규칙을 아래와 같이 수정하였다.
간단한 실험을 하였다. 실험에서는 5가지 색상의 차량 이미지를 분류하도록 하였으며, Support Vector Machine을 사용하였다. 학습을 위한 데이터로 각 색상당 90개씩 450개의 데이터를 사용하였으며 테스트 데이터로 각 색상 당 10개씩 50개의 데이터를 분류하였다.
이미지 데이터의 사이즈는 100 x 100으로 단일화하였다. 실험에서는 SVM light package[13]를 사용하여 파란색, 빨간색, 노란색, 흰색, 검정색의 차량을 분류하도록 하였다. SVMs는 기본적으로 이진 분류를 하기 위한 메소드이기 때문에 5가지 색상으로 분류하기 위해 실험에서는 one versus all 기법을 사용하였다.
감안해야 한다. 이를 해결하기 위해 본 논문에서 제안하는 색상 인식 모델은 차량 이미지를 먼저 RGB(red-green-blue) 색상 공간에서 HSV(hue-saturati- on-value) 색상 공간으로 사상한다. HSV공간으로의 사상은 아래 수식을 이용하여 쉽게 가능하다[3].
인식 모델에 적용하였다. 제안한 Grid Kernel은 특정 픽셀에서 나타나는 자질을 주변에서 나타나는 자질로 표현하고 이를 재귀적으로 적용함으로써 이미지들 간의 유사도를 계산한다.
제안한 Grid kernel과 색상 인식 모델을 평가하기 위해 간단한 실험을 하였다. 실험에서는 5가지 색상의 차량 이미지를 분류하도록 하였으며, Support Vector Machine을 사용하였다.
즉, 하나의 픽셀을 이루는 정보는 그 픽셀에 근접한 주변 픽셀의 정보로 이루어져 있다. 제안한 kernel은 이러한 자질을 명시적으로 나열하지 않고 두 픽셀의 유사도를 내적을 이용하여 계산한다.
그리고 제안한 커널을 이용한 차량 색상 인식 모델을 제안한다. 제안한 모델에서는 색상 정보 추출을 위해 제안한 커널을 이용하여 SVMs(Support Vector Machines)을 학습시킨다. 이 때, 이미지를 HSV 색상 공간에 사상하여 명도 값을 배제함으로써 주변 환경 중, 빛에 의해 이미지가 어둡거나 밝아 색상 정보가 변하는 것을 최대한 방지하였다.
제안한 커널 메소드와 색상 인식 모델을 평가하기 위해 자동차 이미지를 색상에 따라 분류하는 실험을 하였다. 실험에 사용된 데이터는 학습 데이터 450개와 실험데이터 50개로 구성된다.
표현한다. 커널을 이용하여 이미지의 유사도를 계산할 때 주변 환경 요인에 의한 색상 변화를 최대한 배제하기 위해 명도인 V 값을 배제하고 계산하였다. 제안한 모델에서는 먼저 학습 데이터와 커널을 이용하여 모델을 생성한 후, 생성된 모델을 이용하여 이미지 데。] 터를 분류한다.

대상 데이터

실험에 사용된 데이터는 학습 데이터 450개와 실험데이터 50개로 구성된다. 이미지 데이터의 사이즈는 100 x 100으로 단일화하였다.
실험에서는 5가지 색상의 차량 이미지를 분류하도록 하였으며, Support Vector Machine을 사용하였다. 학습을 위한 데이터로 각 색상당 90개씩 450개의 데이터를 사용하였으며 테스트 데이터로 각 색상 당 10개씩 50개의 데이터를 분류하였다.

데이터처리

SVMs는 기본적으로 이진 분류를 하기 위한 메소드이기 때문에 5가지 색상으로 분류하기 위해 실험에서는 one versus all 기법을 사용하였다. 제안한 커널 메소드의 상대적인 성능을 평가하기 위해 linear 커널(LK)과 비교하였다. 표 4.

이론/모형

실험에서는 SVM light package[13]를 사용하여 파란색, 빨간색, 노란색, 흰색, 검정색의 차량을 분류하도록 하였다. SVMs는 기본적으로 이진 분류를 하기 위한 메소드이기 때문에 5가지 색상으로 분류하기 위해 실험에서는 one versus all 기법을 사용하였다. 제안한 커널 메소드의 상대적인 성능을 평가하기 위해 linear 커널(LK)과 비교하였다.

성능/효과

재현율을 보였다. LK가 가장 잘 분류한 노란색 차량 이미지의 경우도 제안한 커널보다 못한 성능을 보였다. 제안한 커널이 가장 낮은 성능을 보이는 흰색, 검정색 클래스의 경우에도 LK보다 각각 50%이상 나은 정확율을 보였다.
빨간색 차량 이미지의 경우도 제안한 커널이 50% 더 높은 재현율을 보였다. LK가 가장 잘 분류한 노란색 차량 이미지의 경우도 제안한 커널보다 못한 성능을 보였다.
실험 결과 5가지 색상에 대해 평균 92.4%의 정확율과 92.0%의 재현율을 보였다. 이와 같은 결과는 비교 실험한 linear 커널에 비해 정확율에서 48.
실험 결과, 파란색, 빨간색, 노란색의 유채색 계열 class가 높은 정확율과 재현율을 보였다. 하지만 검정색차량을 빛의 반사로 인해 흰색으로 분류하는 경우, 반대로 흰색 차량을 범퍼 등의 부분적으로 나타난 색상으로 인해 검정색으로 분류하는 경우 등, 무채색 계열의 class 의 경우 상대적으로 낮은 성능을 보였다.
0%의 재현율을 보였다. 이와 같은 결과는 비교 실험한 linear 커널에 비해 정확율에서 48.0%, 재현율에서 46.0% 향상된 결과로 제안한 커널이 이미지 상에 나타난 색상정보를 잘 반영하고 있음을 보여준다.
LK가 가장 잘 분류한 노란색 차량 이미지의 경우도 제안한 커널보다 못한 성능을 보였다. 제안한 커널이 가장 낮은 성능을 보이는 흰색, 검정색 클래스의 경우에도 LK보다 각각 50%이상 나은 정확율을 보였다. 그림 4.
성능을 보여준다. 특히, 파란색의 경우 LK의 경우, 모두 검정색으로 분류하여 주변 환경에 의해 유사한 색상을 나타낼 경우 분류가 불가능함을 보였으나 제안한 커널(GK)은 91%의 정확율과 100%의 재현율을 보여 더 나은 성능을 보임을 알 수 있다.

원문 보기

ScienceON 원문보기

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

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

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].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증

지역적 유사도를 이용한 이미지 색상 정보 추출
Extraction of Color Information from Images using Grid Kernel 원문보기

초록
AI-Helper