코너점 특징 추출 2.
영상 처리에서 코너 정보는 영상의 윤곽선들과 함께 중요한 정보들 중의 하나이다.
디지털 컴퓨터 및 프로세서의 발달로 인해 데이터의 처리 속도 및 연산 속도가 향상되 었다 하지만 영상데이터들은 엄청난 양의 데이터를 가지고 있어 그 많은 양의 데이터. 들을 모두 고려 대상으로 간주하는 것은 불가능하다 또한 컴퓨터는 물체를 검출하고. 인식하는 것을 프로그램에 의해 순차적으로 진행하지만 인간은 형태학적 분석과 물체, 의 위치변화를 동시에 처리할 수 있어 물체인식 능력이 월등히 앞선다.
물체의 위치를 검출하는 컴퓨터 비전 분야에 있어서 많은 양의 영상 데이터들 중 물 체의 특징점들을 간략히 정리할 수 있고 또한 중요한 특징점들을 추출하는 방법은 영, 상 데이터의 처리속도 향상과 더불어 연산량을 축소시킬 수 있는 중요한 요소가 된다.
이러한 특징점들 중 영상의 객체 윤곽선 전체를 검출하는 윤곽선 추출 방법을 이용 하는 것보다 영상에 있어 명암분포가 급격히 변할 수 있는 특징점들을 추출하는 코너 추출방법이 많은 양의 영상 데이터의 특징점들을 축소하면서 패턴의 특징을 대표할 수 있어 입력 영상의 처리를 보다 빠르고 쉽게 할 수 있는 변수가 된다 본 논문에서는. 형태적인 정보로 코너점을 추출하는 방법으로 Harris 코너 연산자를 이용하였다.
코너 연산자는 년 와 에 의하여 제안되었다
Harris 1988 Harris, C. Stephens, M
이 연산자는 코너연산자와 윤곽선 추출 연산자의 결합형태로 영상 신 [85]. Moravec
호의 국부적 자기상관법(Local Auto-correlation function)에 기초하여 영상의 천이에 따른 명암의 공간적 변화를 분석하여 코너를 검출하도록 하였다. Harris 코너 연산자 의 적용방법은 다음과 같다.
명암의 공간적 변화를 계산한다
) .
ⅰ
(3.6)
(3.7)
여기서 는 영상의 밝기값을 나타내며, 는 영상의 명암값의 평 균을 나타낸다 그리고. 는 영상에 수직성분과 수평성분에 강한 Prewitt 윈도우이다.
구한 행렬 )
ⅱ 의 고유치를 과 라고 한다면 결정 변수, 의 값 변화로 코너를 결정한다.
det (3.8)
여기서 det 은 고유치 과 의 곱을 의미하며, 은 두 고유 치 과 의 합을 의미한다 또한. 는 상수를 의미하며 그 변화폭은[0.4 ~
정도이다 0.6] .
구한 결정 변수 )
ⅲ 에 문턱값를 적용하여 국부 최대값으로 코너를 검출한다 고. 유치 과 사이의 변화와 코너의 관계는 다음 3가지 경우로 나타낼 수 있 다.
만약 고유치
( )１ 과 이 모두 작은 값을 가진다면 이는 결정 변수, 이 거 의 상수값을 가지는 것을 의미하고 영상에서 명암의 변화가 작은 평평한 상 태를 의미한다.
만약 고유치
( )２ 과 중 어느 하나의 고유치가 다른 고유치 보다 상당히 크 다면 이는 영상에서의 윤곽선에 가깝다는 것을 의미한다, .
그림 에 나타낸 것처럼 만약 고유치
( )３ 4 과 모두가 상당히 크다면 이는 결정 변수 이 모든 방향으로 증가되는 것을 의미하며 코너에 가깝다는 것 을 의미한다.
그림 3.15. 고유치의 분포에 따른 특징점 분할
그림 3.16은 Harris 코너 연산자를 이용하여 입력영상 중 일부 레이블링의 코너 부 분을 검출한 결과이다.
레이블링 이미지
(a) (b) 코너 검출
유사도 측정에서 비교 데이터의 양이 많은 위치 정보는 이용하지 않으며 코너점의 개수로 비교하여 데이터의 양을 축소하였다 다음 그림. 3.17은 코너점의 개수를 추가 한 특징 벡터를 나타낸 것으로 5행에 값이 입력되었다.
그림 3.17. 코너점의 개수를 추가한 특징 벡터
색상 및 농담 특징 추출 3.
본 논문에서는 기본적인 색상을 판단해 내기 위하여 RGB 칼라모델을 사용하여 의 인덱스 영상 을 만들고 각 레이블링의 평균 색상을 계산하여 uint8 (Indexed Image)
특징 벡터로 이용하였다.
영상 처리에서는 다음 표 3.1과 같이 영상의 네가지 기본 타입을 정의한다.
표 3.1. 영상의 타입
타입 설명
Binary 영상의 화소 값을 흑(0)과 백(1)으로만 나타냄
Indexed 영상에서 사용되는 모든 칼라를 colormap을 사용하여 나타냄(logical, uint8, uint16, single, double)
Grayscale
영상에서 화소 값을 그레이 음영으로 나타냄 uint8 – values range [0, 255]
uint16 – values range [0, 65535]
Truecolor 영상에서 화소 값을 R, G, B 성분으로 나타냄
인덱스 영상은 인덱스 화소값과 인덱스 화소값에 대한 칼러맵의 조합으로 구성된 영 상을 의미한다 여기서 인덱스 화소값은 데이터의 유형에 따라 결정되며 칼라맵은. , R,
순서로 나타낸다
G, B .
인덱스 이미지는 데이터 행렬 X와 칼러맵 행렬 map으로 구성된다. map은 범위 [0, 의 부동 소수점 값을 포함하는 형 클래스로 구성된 행렬이다 의
1] double mX3 . map
각 행은 하나의 색을 나타내는 빨간색 녹색 파란색의 구성요소를 지정한다 인덱스, , . 이미지는 픽셀 값과 칼라맵 값 간에 직접 매핑 을 사용한다 각 이미지 픽셀의 색은‘ ’ . 의 대응값을 에 대한 인덱스로 사용하여 결정된다 따라서 의 값은 정수여야
X map . X
한다.
값 1이 map의 첫 번째 행을 값, 2가 두 번째 행을 가리키는 식으로 진행된다 칼라. 맵은 대개 인덱스 이미지와 함께 저장되어 해당 이미지와 함께 자동으로 불러지는 방 식이지만 디폴트 칼라맵만 사용하도록 제한되어 있지 않으며 선택하는 어떤 칼라맵이, 든 사용할 수 있다 다음 그림. 3.18은 입력 영상의 인덱스 이미지를 보여준다 여기서. 픽셀값은 uint8을 이용하여 구성하였고 인덱싱된 칼라맵의 일부분은 그림, 3.19에서 볼 수 있다.
그림 3.18. 인덱스 이미지
인덱싱된 칼라맵 (a)
을 이용한 화소값 (b) uint8
그림 3.19. uint8을 이용한 화소값과 칼라맵
입력 영상이 칼라 영상이 아니라 그레이 영상일 경우 농담 값을 비교하도록 하기 위 해 농담 레벨에서도 똑같이 인덱스 화소값과 맵을 구성하였다 다음 그림. 3.20은 각 레이블링의 평균 R, G, B 화소값과 평균 농담값을 추가한 특징벡터를 보여준다 화소. 값과 농담값은 전부 double 형으로 처리가 되었다.
그림 3.20. 최종 특징 벡터
이는 영상마다 추출되는 최종 특징 벡터가 되며 데이터베이스의 모든 영상에 적용되