V. 실험 및 고찰
1.jpg 2.jpg 3.jpg 4.jpg 5.jpg
6.jpg 7.jpg 8.jpg 9.jpg 10.jpg
11.jpg 12.jpg 13.jpg 14.jpg 15.jpg
16.jpg 17.jpg 18.jpg 19.jpg 20.jpg
21.jpg 22.jpg 23.jpg 24.jpg 25.jpg
그림 5.1 실험 영상
먼저 그림 5.1을 실험 영상으로 두고 그림 5.1의 2.jpg를 질의 영상으로 정한 후 실 험을 수행하였다. 그림 5.2는 질의 영상이다.
그림 5.2 질의영상 2.jpg
그림 5.3 질의 영상의 특징값 추출
그림 5.3에서 보듯이 재배열된 코너점의 빈도수 히스토그램을 이용하여 특징값들이 추출된다.
그림 5.4에서는 제안한 알고리즘을 이용한 특징값의 유사도 값들을 그래프로 나타내 었다. 그림 5.4의 순위는 데이터베이스 영상의 번호에 맞추어 유사도의 순위가 정해졌 다.
그림 5.4 특징값을 이용한 영상 번호별 유사도 측정 결과
마찬가지로 그림 5.5에서도 그림 5.4와 같은 방식으로 나타내었지만 25개의 영상검 색은 유사도 측정값의 순위대로 재배열되어 영상검색이 이루어졌다.
그림 5.5 특징값을 이용한 유사도 순위별 측정 결과
그림 5.6에서 보면 질의 영상을 가장 먼저 찾는 것을 확인할 수 있다. 그 다음의 영 상들은 질의 영상들과 비슷한 영상들의 순으로 찾아 졌다. 25개의 데이터베이스 영상 중 6개의 유사 영상이 유사도 순으로 찾아지는 것을 확인 할 수 있다. 표 5.1의 오차 율은 유클리디언 오차거리를 이용하여 질의 영상과 유사 영상들 간의 특징값의 오차를 나타낸 것이다. 유사도 순으로 나열되었기 때문에 오차율의 순서 역시 유사도 순서와 같게 나온다. 영상마다 유사 영상 값 오차율의 임계값이 다르므로 각 영상의 정보에 따라 가중치를 주어야 한다.
Image Number 2 12 6 10 7 Relative error 0.000 0.131 0.193 0.419 0.697
Image Number 4 13 3 15 9
Relative error 0.821 0.975 0.985 1.016 1.062
Image Number 14 1 8 24 22
Relative error 1.175 2.096 2.108 2.400 2.544
Image Number 16 17 21 20 19
Relative error 2.563 2.665 3.560 3.732 4.007 표 5.1 영상의 오차율
그림 5.6 유사도 값에 의한 영상 검색 결과
다음 그림의 실험들은 기존의 알고리즘과 제안한 알고리즘의 성능 비교를 위하여 데 이터베이스를 변경한 후 제안한 알고리즘이 기존의 알고리즘보다 성능이 우수함을 보 여주기 위해 실험을 하였다.
그림 5.7과 같은 질의 영상들에 대한 각각의 데이터베이스를 50～200개를 놓고 각 각의 질의 영상들의 유사 영상들을 그림 5.8에서 나타내었다. 기존의 알고리즘과 제안 한 알고리즘들의 질의 영상에 대한 얼마나 많은 유사 영상들이 찾아지는지 성능을 보 여 주고 있다.
Q1-1 Q1-2 Q1-3 Q1-4 Q1-5
Q1-6 Q1-7 Q1-8 Q1-9 Q1-10
Q1-11 Q1-12 Q1-13 Q1-14
(a) 데이터베이스 50개 내 Q1의 유사영상 Q1
Q2 그림 5.7 질의 영상 Q1, Q2
Q2-1 Q2-2 Q2-3 Q2-4
Q2-5 Q2-6 Q2-7 Q2-8
(b) 데이터베이스 200개 내 Q2의 유사영상 그림 5.8 데이터베이스 내 질의 영상의 유사 영상
각각의 질의 영상들에 대한 각각의 유사 영상들에서 기존의 알고리즘과 제안된 알고 리즘의 검색 결과와 알고리즘의 성능을 다음의 그림에서 설명하였다. 그림 5.9는 기존 의 코너점 합을 이용한 알고리즘의 검색 결과를 나타내었으며, 그림 5.11은 코너 패치 히스토그램 알고리즘의 검색 결과를 나타내고, 그림 5.10은 제안한 알고리즘을 나타내 었다. 제안한 알고리즘은 기존의 코너점 알고리즘과 회전, 확대 및 축소된 영상에서도 검색 성능이 더 우수하다는 것을 확인할 수 있다.
(a) Q1의 검색 결과 (b) Q2의 검색 결과 그림 5.9 Q1, Q2의 코너점 합을 이용한 알고리즘 검색 결과
코너점 합을 이용한 알고리즘은 각각의 성능 측정값인 Recall 값이 (a-0.64), (b-0.66) 으로 측정되었다.
(a) Q1의 검색 결과 (b) Q2의 검색 결과 그림 5.10 Q1, Q2의 제안한 알고리즘 검색 결과
위의 기존 알고리즘에 비해 본 논문에서 제안한 재배열된 코너 패치 속성에 기반한
알고리즘은 각각의 성능 측정값인 Recall 값이 (a-0.85, b-0.75)로 향상되었다.
본 논문에서는 코너점의 합을 이용한 알고리즘 뿐만 아니라 기존에 제안된 코너점 알고리즘 중 코너 패치에서 히스토그램을 적용하여 특징벡터를 추출한 후 영상 검색에 이용한 방법과도 비교해 보았다.
제안한 알고리즘들의 성능 측정을 위해 그림 5.7의 질의 영상 Q1과 Q2를 이용하여 기존의 코너 패치 히스토그램 알고리즘과 제안한 알고리즘의 검색 결과 성능을 측정하 였다. 위와 마찬가지로 50~200개의 데이터베이스 안에 질의 영상에 맞는 유사 영상을 가지고 있다. 실험에서 질의 영상과 비교 후 유사도가 높은 순으로 유사 영상 20개를 찾도록 정의해 놓았다.
그림 5.11은 기존에 제안된 코너 패치 히스토그램 알고리즘의 검색 결과이다. 그림 에서와 같이 코너 패치 히스토그램 알고리즘의 경우 역시, 본 논문에서 제안한 알고리 즘 보다는 대체적으로 회전, 확대 및 축소된 영상의 검색 순위가 더 낮음을 확인할 수 있었다.
(a)Q1의 검색결과 (b)Q2의 검색 결과
그림 5.11 Q1, Q2의 코너 패치 히스토그램 알고리즘 검색 결과