본 연구는 #4 과정을 위해 4장의 쿼드트리를 활용한 국부 이진화 개발 알고리즘을 활용하며, 이는 팩아이스 영상의 색상 차나 빛 불균일에 의한 영향을 최소화시켜 팩아 이스와 물을 분리시키는 최상의 이진 영상을 도출할 수 있다.
#5의 엣지 검출을 위해서 라플레시안(laplacian) 엣지 검출 기법이 활용하며, 이는 영 상 2차원 미분(derivative)을 활용하는 기법으로 양방향 분포를 갖는 팩아이스 엣지 추출 에 적합하다. Fig. 50은 원본영상(좌)으로부터 1차 미분(중간)과 2차 미분(우)에 의한 추 출된 엣지의 차이를 설명하며, 1차 미분에서는 한 방향 엣지만 추출되는 반면, 2차 미분 에서는 양방향 엣지 모두를 추출하고 있다.
Fig. 53은 #6의 씨드 윤곽 추출 알고리즘을 나타낸다. 본 연구에서는 근접 분포되어 있는 팩아이스를 명확히 구분하기 위해 이진 영상에서 팩아이스를 나타내는 흰 영역을 축소시키는 모폴로지 침식(morpology erode) 효과를 적용하고, 이를 distance transform 에 적용한다. Fig. 51은 모폴로지 침식 적용 전과 후를 나타내며, 적용 후에 근접 얼음 들이 명확히 구분되어지고 있다.
Fig. 51 Binary image(left) and morpology erode image(right)
Fig. 50 Primary(mid) and secondary(right) derivative edge of original image(right)
Fig. 52은 Fig. 50의 원본영상(좌)에 distance transform 적용 영상이다.
Fig. 52 Example of distance transform
이후 보편적으로 전역 이진화(global binarization)를 이용하여 외곽에서 충분한 거리를 갖는 글로벌 피크만을 추출하는데 이는 객체가 일정한 크기로만 존재할 때에만 적합하 다. 팩아이스는 매우 다양한 크기로 분포되어 있으므로 본 연구는 추가적으로 국부 최 대 검색(local max finder)을 수행하여 크기와 무관하게 객체를 인식할 수 있도록 한다.
Fig. 53은 전역 이진화와 국부 이진화에 분리를 비교하며, 원본(좌), 국부 이진화에 의 한 분리(중간), 전역 이진화에 의한 분리(우) 영상을 나타낸다. 전역 이진화에 의한 분리 영상에서는 작은 객체들을 인식하지 못하고 있는 반면, 국부 이진화에 의한 분리 영상 에서는 작은 객체들도 정확하게 인식하고 있다.
최종적으로 로컬 피크 영역을 추출하고 이를 글로벌 피크와 병합하여 씨드 영상으로 정의하고, contour finder(
Suzuki, 1985)
를 통해서 씨드 윤곽 영상을 추출한다.Fig. 53 Original(left), segmentation with global binarization(mid), with local binarization(right)
Fig. 54 Seed contour extraction algorithm
제 6 장 예제
6.1 국부 이진화 개발 알고리즘 효과
쿼드트리를 이용한 국부 이진화 알고리즘에 의한 효과를 검증하기 위해서 전역 이진 화 결과와 비교하였다. Fig. 55는 원본(상)과 전역 이진 결과(하)를 보이며, Fig. 56 (상) 은 개발 알고리즘 적용 후 결과를 나타낸다. 전역 이진화 결과 영상을 보면 오른편에 조명 밝기가 충분하지 않아 팩아이스를 정확히 찾아내지 못하지만, 개발 알고리즘은 이 문제를 잘 처리함이 보인다. Fig. 56(하)는 알고리즘이 적용될 때 자동적으로 분할된 소 영상 영역을 표현한다.
Fig. 55 Original image(top) and result of global binarization(bottom)
Fig. 56 Result of developed algorithm(top) and quadtree subdivision(bottom)
Fig. 57은 다른 영상의 적용 예를 나타낸다. 전역 이진화 결과 영상(우측상단)을 보면 왼쪽 구석에서 팩아이스를 정확히 구분하지 못하지만, 개발 알고리즘 결과 영상(우측하 단)에서는 보다 향상된 결과를 보인다. 여기의 팩아이스는 크기가 작고 여러 색상으로 구성되어 있으므로 조밀한 분할이 필요하다. 개발 알고리즘은 입력 영상에 맞는 최적 분할 조건을 찾고 그 분할 영상을 분석하여 우수한 이진 결과 영상을 도출하는 것으로 판단된다.
Fig. 57 Original image (left-top), quad-tree subdivision (left-bottom), result of global binarization(right-top), result of developed algorithm (right-bottom)