초록

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

오늘날 영상정보의 보편화로 효율적인 영상 검색 기술이 요구되고 있다. 최근 발표된 Color N$\times$M-grams 기반의 영상 검색 방법은 그 중의 하나이다. 그러나 이 방법은 영상의 특징을 추출한 벡터 Bin의 수가 많아서 검색을 위한 공간과 시간을 많이 필요로 하는 문제점을 가지고 있다. 이러한 문제를 보완하기 위해 본 연구에서는 영상의 국부성을 이용하여 Color N$\times$M-grams의 단점인 공간과 시간의 비효율성을 개선하고, GLCM의 결합으로 검색 효율을 향상시키는 연구를 수행하였다. WWW의 Color Draw Photo Album에 분류되어 있는 영상들과 미국의 코넬대학의 연구에 사용된 330개의 Benchmark 영상을 가지고 실험한 결과, 기존의 Color N$\times$M-grams에 비해 약 10배의 공간효율개선과 약 2배의 시간효율개선을 얻을 수 있었고, 검색율과 정확성공율에 있어서 각각 25%, 63% 향상되었다.

오늘날 영상정보의 보편화로 효율적인 영상 검색 기술이 요구되고 있다. 최근 발표된 Color N$\times$M-grams 기반의 영상 검색 방법은 그 중의 하나이다. 그러나 이 방법은 영상의 특징을 추출한 벡터 Bin의 수가 많아서 검색을 위한 공간과 시간을 많이 필요로 하는 문제점을 가지고 있다. 이러한 문제를 보완하기 위해 본 연구에서는 영상의 국부성을 이용하여 Color N$\times$M-grams의 단점인 공간과 시간의 비효율성을 개선하고, GLCM의 결합으로 검색 효율을 향상시키는 연구를 수행하였다. WWW의 Color Draw Photo Album에 분류되어 있는 영상들과 미국의 코넬대학의 연구에 사용된 330개의 Benchmark 영상을 가지고 실험한 결과, 기존의 Color N$\times$M-grams에 비해 약 10배의 공간효율개선과 약 2배의 시간효율개선을 얻을 수 있었고, 검색율과 정확성공율에 있어서 각각 25%, 63% 향상되었다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 그러나 Color NXM-grams는 영상의 특징 벡터의 Bin 수가 많아서 검색을 위한 비교에 많은 시간과 공간을 필요로 하는 단점이 있다. 본 논문에서는 이 Color NX M-grams의 시간과 공간 효율성을 높이기 위하여 영상의 국부 성을 이용하는 평균값 Color NXM-grams를 제안하고 이의 성능을 개선하기 위해 질감 특징을 얻을 수 있는 GLCM (Gray-Lev이 Co-occurence Matrix)을 추가하였다.
• 본 논문에서는 최근에 발표된 Color NxM-grams의 단점인 공간과 시간의 비효율적인 문제를 해결하기 위해 평균값 Color NxM-grams를 제안하였다. 이 방법은 영상의 한 화소 주변의 값들은 서로 비슷하다는 원리를 이용하여 특징 벡터의 Bin 수와 계산 시간을 감소시킬 수 있었다.
• 그러나 시간과 공간의 효율 개선이 많은 반면, 검색율과 정확성공율이 떨어졌다. 이를 보완하기 위해 본 연구에서는 GLCM을 도입하여 공간과 시간의 높은 효율성을 유지하면서 검색율과 정확성공율 개선을 시도하였다.

제안 방법

• 입력 영상의 RGB 칼라를 32니ev이 Gray값 으로 변환한 후, m X 彻으로 평균하여 사용하였다. 그리고 GLCM으로 변환하기 위해 정의된 변위 벡터로 변환메트릭스 를 만든 후, 32X32 level의 메트릭스 값을 영상의 특징 벡터로 한다. 이를 질의 영상과 데이터베이스 내의 영상들 간의 유사도 측정에 이용한다.
• 본 논문에서는 영상 데이터베이스의 영상 특징과 질의 영상의 특징을 비교, 검색하는데 식(3)과 같은 Histogram Intersection을 유사도 척도로 사용하였다.
• 다음의 (그림 3)은 GLCM을 이용해 영상의 특징을 추출하는 과정이다. 입력 영상의 RGB 칼라를 32니ev이 Gray값 으로 변환한 후, m X 彻으로 평균하여 사용하였다. 그리고 GLCM으로 변환하기 위해 정의된 변위 벡터로 변환메트릭스 를 만든 후, 32X32 level의 메트릭스 값을 영상의 특징 벡터로 한다.

대상 데이터

• 본 연구에 사용된 실험 데이터는 WWW의 Corel Draw Photo Album에 분류되어 있는 영상들과 미국의 코넬대학의 Greg Pass와 Ramin Zabih의 연구에 사용된 Benchmark 영상들⑻로 구성되어 있다. 실험에 사용된 영상은 총 330개의 Benchmark 영상이며 각 영상은 자연 영상들로 이루어져 있다⑻.
• 본 연구에서는 전체 330개의 Benchmark 영상 중 질의 영상으로 100개를 무작위로 선택하여 실험에 사용하였다. <표 1>은 Color NxM-grams와 평균값 Color NX M-gfams의 성능을 비교한 것이다.
• 본 연구에 사용된 실험 데이터는 WWW의 Corel Draw Photo Album에 분류되어 있는 영상들과 미국의 코넬대학의 Greg Pass와 Ramin Zabih의 연구에 사용된 Benchmark 영상들⑻로 구성되어 있다. 실험에 사용된 영상은 총 330개의 Benchmark 영상이며 각 영상은 자연 영상들로 이루어져 있다⑻.

데이터처리

• 본 논문에서는, 특징 벡터의 Bin 수를 줄이기 위해 식(2) 를 이용하여 (그림 2)에서와 같이 0, 1, 2로 그룹화된 Hue 값의 평균을 얻었다.

이론/모형

• 본 연구에서는 먼저 전처리단계로 영상 검색에 있어서 우수한 성능을 보이는 HSI 칼라 모델의 Hue를 얻기 위해 식(1)을 이용한다[2].

성능/효과

• 위 (표 1>에서 보는 바와 같이 기존 Color NXM -grams의 특징 벡터의 Bin의 수는 약 2, 100개인데 비해 평균값 Color NxM-grams는 약 190개로 공간효율이 약 10배 개선되었다. 또한 비교할 벡터의 수가 줄어든 만큼 시간효율에서도 약 2배의 개선 효과가 있었다. 그러나 시간과 공간의 효율 개선이 많은 반면, 검색율과 정확성공율이 떨어졌다.
• 위 (표 1>에서 보는 바와 같이 기존 Color NXM -grams의 특징 벡터의 Bin의 수는 약 2, 100개인데 비해 평균값 Color NxM-grams는 약 190개로 공간효율이 약 10배 개선되었다. 또한 비교할 벡터의 수가 줄어든 만큼 시간효율에서도 약 2배의 개선 효과가 있었다.
• 본 논문에서는 최근에 발표된 Color NxM-grams의 단점인 공간과 시간의 비효율적인 문제를 해결하기 위해 평균값 Color NxM-grams를 제안하였다. 이 방법은 영상의 한 화소 주변의 값들은 서로 비슷하다는 원리를 이용하여 특징 벡터의 Bin 수와 계산 시간을 감소시킬 수 있었다.
• (그림 5)와 (그림 6)은 동일한 영상을 질의로 주었을 때의 검색 결과의 한 예를 보인 것이다. 제안한 방법에 의한 영상 검색 결과가 Color NXM-grams만을 단독으로 이용하였을 때보다 더 나은 검색 결과를 보였다.
• 제안한 방법은과 거의 같은 공간과 시간 비율을 유지하면서, 기존의 Color NxM-grams에 비해 검색율과 정확 성공율에 있어 각각 25%, 63% 향상되었다.
• 총 330개의 Benchmark 영상 중 무작위로 100개롤 선택하여 질의한 결과, 평균값 Color NXM-grams는 가존의 Color NXM-grams에 비해 약 10배의 공간효율 개선과 약 2배의 시간효율 개선을 얻을 수 있었고, 부가적으로 GLCM을 결합하여 시간과 공간효율을 유지하면서 검색율은 63%, 정확성공율은 25% 향상된 결과를 얻을 수 있었다.
• 최종적으로 평균값이 구해진 결과 영상에 NXM 크기의 윈도우를 적용하여 해당하는 화소의 값을 나열하면 NXM개의 열을 가지는 벡터가, 생성된다. 이렇게 생성된 벡터를 “평 균값 Color NXM-gramseE} 한다.
• 제안한 방법은<표 1>과 거의 같은 공간과 시간 비율을 유지하면서, 기존의 Color NxM-grams에 비해 검색율과 정확 성공율에 있어 각각 25%, 63% 향상되었다. 평균값 Color N XM-grams의 저하된 검색 효율을 높이기 위해 GLCM을 결합한 후 검색하여 시간과 공간의 높은 효율을 유지하면서 검색 효율을 향상시킬 수 있었다.

후속연구

• 향후 연구과제로는 사용자 질의에 관련성 귀환(R이evance Fee知back)을 추가하여 영상 검색의 효율을 증가시키고, 현재 BMP로 제한된 사용자 질의를 확장하여 다양한 형태의 영상 포맷에 대해서도 검색이 가능하도록 하는 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기