[패턴인식] 영상분할(1): 영상 분할의 원리, 전통적 방법

Image Segmentation

목차

0. PREVIEW

1. 영상 분할의 원리

2. 전통적 방법

3. 민시프트

4. 대화식 물체 분할

5. 알고리즘 선택

 

 

0. PREVIEW

---

사람 뇌의 영상 분할

• 사람의 뇌는 다음과 같이 영상 분할 과정이 일어남
  • 상자위에 쌓여있는 형형색색의 파프리카라고 해석하는 과정
  • 동시에 상자, 파프리카, 가격표와 같이 의미 있는 영역으로 분할
• 즉, 분할과 인식이 동시에 일어남

 

컴퓨터 비전

• 현재는 분할 후 인식하는 순차 처리
  • 동시 수행을 추구하는 연구도 있으나 초보 단계
• 가장 어려운 문제 중 하나

 

1. 영상 분할의 원리

---

분할의 정의

식(5.1)은 엄밀성보다는 개념적인 정의 

 

 

 

생각해 볼 점 

• 적절한 분할이란?
  • 저분할과 과분할
• 사람 vs. 컴퓨터
  • 사람은 선택적 주의집중과 능동비전 기능을 가지며, 분할 과정에서 고급 지식 사용; 물체, 모델, 지식, 의도 등
  • 컴퓨터는 사람 수준까지는 아님; 분할이 끝나야만 고급 지식을 이용하여 인식 수행 

 

분할의 어려움

• 이웃 화소 몇 개를 보고 자신이 영역의 내부인지 경계인지 판단할 수 있을까?
  • 전역 연산 필요성
  •  

    

    영상 분할의 근원적인 어려움; 위의 사진에서는 object가 3개로 분리되어야 맞음

에지 vs. 영역

• 개념적으로 에지는 영역의 경계에 해당
• 하지만 에지 검출로는 한계
  • 거짓 긍정, 거짓 부정 -> 폐곡선을 이루지 못함

영역 vs. 지역특징

• 사람은 지역 특징보다 영역 분할에 훨씬 뛰어남
• 반면 컴퓨터 비전은 영역보다 지역 특징으로 문제 해결하는 사례가 많음

 

 

2. 전통적 방법

---

동작 조건

• 특수 조건 만족하거나 단순한 영상에서만 작동함
  • 예) 공장 자동화, 문서 인식 등
  • 문제가 쉽다면 굳이 복잡한 알고리즘 쓸 필요 없음
• 자연 영상에서는 매우 낮은 성능을 보임

 

2.1 임계화를 이용한 영역 분할

이진화를 이용한 영역 분할

• 문서 영상의 경우 오츄 이진화는 훌륭한 영상 분할 알고리즘
• 하지만 명암 단계가 둘 이상인 경우는 오작동

 

삼진화로 확장

• 이중 임계값 사용

  • 

  • 사진 전체 평균($\mu_g$)과 각각의 분할 구역의 평균($\mu_n$)과의 차이를 보는 것,
  • 즉 그 차이가 최대가 되는 곳을 분할 구역을 구분하는 $t_1, t_2$로 구함

• 

  이중 임계값 오츄 알고리즘에 의한 영상 분할

 

 

이중 임계값 오츄 알고리즘

#input = image f(j,i), 0<=j<=M-1, 0<=i<=N-1
#output = trinary image g(j,i),  0<=j<=M-1, 0<=i<=N-1 # 0,1,2 
# h is normalized histogram

for t_1 in range(1, L-2):
	for t_2 in range(t1+1, L-1):
    	# calculate V_between(t1, t2) using (5.2)
        ...
# T1, T2 is the (t1,t2) that. V_between's maximum value
...
# using (T1,T2) , f trinary to g
...

 

 

적응적 임계화(Adaptive Thresholding)

• 하나 또는 두 개의 임계값을 영상 전체에 적용하는 전역 방법의 한계(이진화에 해당)
  •  

    

    효모 영상과 임계화한 영상

• 기존 알고리즘은 지역적으로 명암 분포가 다른 경우 낮은 분할 품질 보이는 문제가 있음 

  • 

    한 영상내에 명암이 다른 경우

• 이를 적응적 임계화로 해결 가능
  • 지역에 따라 적응적으로 임계값을 결정한다
  • t(i,j)를 결정하는 방법

    • 

 

 

2.2 군집화를 이용한 영역 분할

군집화(Clustering)

• 화소를 RGB 3차원 컬러 공간으로 매핑한 후, K-means로 군집화
  
  •  

    

    컬러 영상 화소를 RGB 공간에 매핑

• Clustering vs. Classification
  • Clustering : 비지도학습(Unsupervised Learning)
  • Classification: 지도학습(Supervised Learning)
• K-means를 이용한 컬러 영상 분할

  • 

     
  • (1) 초기지점 설정
    • k=2인 경우 두 개의 init point가 설정됨
    • init point는 랜덤 설정
      • 그러나, 무작위 설정인 경우 최적점을 찾기 위해 많은 for문을 돌아야 할 수 있음 -> 시간복잡도 증가
      • 따라서 계산의 효율성을 위해 data의 분포를 보고 적절히 가장 min, max 지점으로 설정해 줌
  • (2) 두 init point에 가까운 쪽으로 데이터들의 소속을 정해줌
  • (3) 같은 영역에 소속된 데이터들의 무게중심을 구해 init point로 해당 점을 설정
  • (5) (2)~(3)을 반복하여 무게중심이 더 이상 바뀌지 않을 때가지 반복 
• K-means 방법은 자연 영상에서 아래와 같이 낮은 성능을 보인다

  • 

    자연영상 원본 이미지(좌), k=6으로 설정한 K-means 군집화로 분할한 결과(우)

• 따라서 다음 게시글에서 진보한 군집화 알고리즘인 민시프트(Mean-Shift)를 알아보도록 하자

 

<3. 민시프트~> 부터는 다음 게시글에서 계속....

https://codingsmu.tistory.com/118

[패턴인식] 영상분할(2): 민시프트, 대화식 물체 분할