ABSTRACT
D. 적응적 웨이티드 부여
다중 객체 영상
(c) (d) 레이블링 영상2
단일 영상의 특징 벡터
(e) (f) 다중 객체 영상의 특징 벡터
그림 3.21. 단일 객체 영상과 다중 객체 영상의 비교
단일 객체 영상의 특징 벡터에서 표시되어 있는 부분에서 볼 수 있듯이 정규화 면적 은 1의 값을 가지게 되며 다중 객체 영상에서는 객체의 영역들이 부분으로 나누어져, 있기 때문에 정규화 면적의 값들이 객체별로 골고루 분포되어 있다는 것을 확인할 수 있다 그리고 객체 판별 과정에서 하나의 레이블링이 영상 정보의 절반 이상을 차지할. 경우 배경 영상으로 분류하였기 때문에 정규화 면적은 0에서 0.5의 사이 값들을 가지 게 되며 예외적으로 단일 객체 영상은 1의 값을 가진다 이에 따라 실험을 통해 다음. 의 표 3.2와 같이 면적의 웨이티드를 부여하였다.
표 3.2. 면적의 웨이티드 부여
면적 0~0.1 0.1~0.2 0.2~0.3 0.3~0.4 0.4~0.5 0.5~0.99 1
웨이티드 1 2 3 4 5 0 5
코너점 분석 및 웨이티드 부여 2.
코너점은 형태적인 정보의 복잡함을 판단하는 데에 중요한 정보이다 이는 영상의. 윤곽선 전체를 검출하는 윤곽선 추출 방법보다 영상에 있어 명암분포가 급격히 변할 수 있는 특징점의 추출인 코너 추출방법이 영상 데이터의 특징점들을 축소하면서 패턴 의 특징을 대표할 수 있어 입력 영상의 처리를 보다 빠르고 쉽게 할 수 있는 변수가 된다 이에 따라 코너점의 위치정보를 전부 이용하기보다는 코너점의 개수로 객체 형. 태의 복잡함 정도를 판단할 수 있도록 코너점의 개수를 이용하였다 즉 코너점의 개. , 수가 많을수록 그 객체의 형태가 복잡하다는 것을 의미하며 반대로 코너점의 개수가, 적을수록 그 객체의 형태가 각이 적은 원의 형태에 가깝다는 것을 의미한다. 그림 는 객체가 원에 가까운 영상과 복잡한 형태를 가지는 영상의 특징 벡터를 비교한 3.22
것이다.
원에 가까운 객체를 가지는 영상의 특징 벡터 (a)
복잡한 형태의 객체를 가지는 영상의 특징 벡터 (b)
그림 3.22. 다른 형태의 객체를 가지는 객체 영상의 특징 벡터 비교
위의 그림의 특징벡터에 표시된 부분에서 볼 수 있듯이 원에 가까운 객체를 가질수 록 코너점의 개수는 적은 값을 가지게 되며 객체가 복잡한 형태를 가질수록 코너점의, 개수는 더 높은 값을 가지게 된다 객체의 형태정보인 코너점을 분석하는 데 있어서. 복잡함 정도에 더 비중을 두었으며 코너점 개수의 절대적인 총량이 정해져 있지 않기, 때문에 영상들의 특징벡터들을 각각 추출하여 코너점 개수의 값들을 분석하였다 이에. 따라 다음의 표 3.3과 같은 코너점 웨이티드 부여 표를 작성하였다.
표 3.3. 코너점의 웨이티드 부여
코너점의 개수 배경 영상 0~8 8~15 15~22 22~30 30~
웨이티드 0 1 2 3 4 5
조밀도 분석 및 웨이티드 부여 3.
조밀도의 특징도 코너점의 개수와 동일하게 형태적인 정보의 복잡함을 판단하는 데 있어서 중요한 정보이다 영상을 비교함에 있어서 특징 벡터의 빠른 비교를 위해 객체. 마다 윤곽선의 틀린 모양을 정확하게 구별해 내기 보다는 객체의 뭉쳐짐 정도를 구별 해 내는 것이 더 좋은 방법이다.
조밀도는 단위 둘레당 면적량으로 나타내어지므로 영상 내에서 객체의 영역이 얼마 나 조밀하게 모여 있는지를 판별할 수가 있다 그림. 3.23은 형태가 단순하여 조밀도가
높은 객체를 가지는 영상의 특징벡터와 형태가 복잡하여 조밀도가 낮은 객체를 가지는 특징벡터를 비교한 것이다.
높은 조밀도의 객체를 가지는 영상의 특징 벡터 (a)
낮을 조밀도의 객체를 가지는 영상의 특징 벡터 (b)
그림 3.23. 다른 조밀도 값을 가지는 객체 영상의 특징 벡터 비교
위의 그림에서 특징벡터에 표시된 부분에서 볼 수 있듯이 단순한 형태의 객체를 가 질수록 조밀도는 높은 값을 가지게 되며 객체가 복잡한 형태를 가질수록 조밀도는 더, 낮은 값을 가지게 된다 이는 전에 분석한 형태 정보인 코너점의 개수와 동일하게 적. 용할 수 있다 객체의 형태정보인 코너점과 동일하게 조밀도를 분석하는 데 있어서 복.
조밀도는 코너점과는 다르게 영상의 객체가 복잡할수록 낮은 값을 가지게 되므로 웨 이티드는 낮은 값을 가지는 쪽에 더 많이 부여가 되도록 설정하였으며 영상들의 특징, 벡터들을 분석해 본 결과 가장 단순한 형태의 객체가 40에서 45 사이의 값을 가진다 는 것을 확인할 수 있었다 이에 따라 다음의 표. 3.4와 같은 조밀도 웨이티드 부여 표 를 작성하였다.
표 3.4. 조밀도의 웨이티드 부여
조밀도 배경 영상 0~10 10~18 18~28 28~37 37~
웨이티드 0 5 4 3 2 1
색상 분석 및 웨이티드 부여 4.
색상은 면적이나 형태적인 정보들을 판단하는 데에 특징벡터를 이용한 것과는 다르 게 색상 정보를 추출할 때 사용된 인덱스 이미지의 인덱스 번호의 분포를 이용한다.
이는 특징 벡터에서 객체의 색상 평균값으로 색상의 웨이티드를 판단할 수가 없기 때 문이다.
인덱스 이미지는 데이터 행렬과 칼러맵 행렬로 구성되는데 여기서 데이터 행렬을 이 용하게 된다 데이터 행렬은. uint8을 사용하여 만들어진 칼라맵 8X3 행렬의 픽셀 매핑 을 위한 주소라고 볼 수 있다 즉 데이터 행렬은 질의 영상의 크기와 같으며 칼라맵. , 과의 매핑을 위해 픽셀마다 1에서 8사이의 값을 가지고 있다 값. 1이 map의 첫 번째 행을 값, 2가 두 번째 행을 가리키는 식으로 처리가 된다 칼라맵은 대개 인덱스 이미. 지와 함께 저장되어 해당 이미지와 함께 자동으로 불러지는 방식이지만 디폴트 칼라맵 만 사용하도록 제한되어 있지 않으며 선택하는 어떤 칼라맵이든 사용할 수 있다 다, . 음 그림 3.24는 인덱스 이미지에서 같은 색상의 분포가 높은 객체와 낮은 객체를 비 교하여 보여준다.
같은 색상 분포가 높은 객체
(a) (b) 같은 색상 분포가 낮은 객체
그림 3.24. 같은 색상의 분포가 다른 객체 비교
이에 따라 객체마다 데이터 행렬의 칼라맵 번호의 분포도를 파악할 수가 있다 색상. 의 분포도를 판단하는 것은 식 (3.9)로 판단한다.
×
(3.9)은 인덱스 데이터 행렬에서 객체의 주요 번호를 뜻하며, 은 객체 면적의 총량을 의미한다 즉 객체에서 가장 많은 분포를 가지는 칼라맵 번호의 개수를 객체. , 의 총면적에 나누어 백분율로 나타낸 것이다.
이를 이용하여 가장 많은 분포를 가지는 칼라맵 번호의 개수와 객체의 총 면적을 비 교하여 60%가 넘을 경우 색상 정보의 중요성이 높은 것으로 설정하였다 그리고. 60%
이하의 값들은 다른 객체 영상들의 색상 분포를 분석하여 표 3.5와 같은 웨이티드 표 를 작성하였다.
표 3.5. 색상의 웨이티드 부여
색상 분포 배경 영상 0~20 20~33 33~45 45~60 60~
웨이티드 5 1 2 3 4 5
적응적 웨이티드 5.
본 논문에서 질의 영상에서 추출된 특징 벡터를 이용하여 각각의 특성을 분석한 결 과에 따라 웨이티드를 통합하는 과정이 필요하다 각 특성에 따라 웨이티드를 부여한. 후 적응적으로 웨이티드를 부여하는 식은 다음과 같다.
or
(3.10)여기서 는 절의 영상에 따른 적응적 웨이티드를 의미하며 각각 정규화 면적,
조밀도 코너점의 개수 색상의 특성을 의미한다, , . 은 최대 4의 값을 가지고, 는 각 특징벡터의 웨이티드를 뜻하며 이는 객체 분석을 통해 결정된 값이다 웨이티드는. 질의 영상의 주요 특징에 따라서 다른 값을 줘서 중요한 특징을 더 부각하여 비교를 하게끔 하는 역할을 한다.