Ⅰ. 서 론 내용기반 영상검색 정의: 영상을 분석하여 얻어진 특징 정 보를 이용해 유사한 영상을 검색 하는 기술 정의: 영상을 분석하여 얻어진 특징 정 보를 이용해 유사한 영상을 검색 하는 기술 배경: 멀티미디어의 사용 증가 → 영상 데이터 관리의 필요 핵심 기술: 영상에서 효과적으로 특징 을 추출하는 것 특징 정보: 칼라, 질감 및 형태 정보 그림 1. 내용기반 영상검색의 블록도 Image Processing Lab.

칼라 정보 - 변화에 둔감하고 방법이 간단 칼라 히스토그램 정의: 영상에서 칼라분포를 나타낸 것 Ⅰ. 서 론 칼라 정보 - 변화에 둔감하고 방법이 간단 칼라 히스토그램 정의: 영상에서 칼라분포를 나타낸 것 장점: 계산량이 적고, 영상의 변화에 둔감 단점: 공간정보를 포함하지 못함 칼라 코렐로그램 정의: 일정한 거리를 가지는 두 화소 간 의 칼라 변화 분포를 확률로 나타 낸 것 특징: 영상의 공간 정보를 가짐 단점 지역적인 특성을 표현하기 힘듦 특징의 크기가 커짐 영역을 세분화하여 특징을 추출 Image Processing Lab.

제안한 방법 목표: 기존의 칼라 코렐로그램을 이용 한 영상검색의 성능을 향상 방법 특징 영상을 복잡도에 의해 영역 분할 Ⅰ. 서 론 제안한 방법 목표: 기존의 칼라 코렐로그램을 이용 한 영상검색의 성능을 향상 방법 영상을 복잡도에 의해 영역 분할 각 영역에서의 칼라 코렐로그램을 획득 유사도를 측정하여 영상검색 특징 영상의 부분적인 특성을 가짐 적은 개수의 거리를 사용해도 영상의 특징을 효과적으로 표현 가능 영상검색 기능을 향상 영상 입력 부영역 획득 웨이브릿 변환 고주파 영역 에너지 값 > 임계값 복잡한 영역으로 표시 복잡하지 않은 영역으로 표시 부영역 이동 특징의 유사도 측정 분할된 영상에서의 칼라 코렐로그램 획득 결과 출력 영상의 끝인가? 데이터베이스 아니오 예 그림 2. 제안한 알고리즘 Image Processing Lab.

Ⅱ. 웨이브릿 변환을 이용한 영역 분할 웨이브릿 변환 정의 함수 f(x,y)를 웨이브릿 평면에 투사 여러 개의 해상도로 분해하는 것 웨이브릿 평면: 원형 웨이브릿의 확장 과 천이들의 집합들로 구성 (1) (2) 그림 3. 2차원 웨이브릿 변환 Image Processing Lab.

영역 분할 분할 과정 칼라 영상을 겹침이 있는 부영역으로 나눔 부영역의 칼라 성분을 흑백 성분으로 바꾼 후 웨이브릿 변환 Ⅱ. 웨이브릿 변환을 이용한 영역 분할 영역 분할 분할 과정 칼라 영상을 겹침이 있는 부영역으로 나눔 부영역의 칼라 성분을 흑백 성분으로 바꾼 후 웨이브릿 변환 대각방향 고주파 영역 계수들의 에너지 값만 구하여 복잡성 판별 대각방향 고주파 영역 에너지 값 복잡성 판별 (4) 부영역 이동 시 이전과 현재 영역이 겹치는 경우: 한 곳만이라도 복잡한 영역이 있다면 겹친 영역을 복잡한 영역으로 정한다. 원영상 부영상 변환영상 웨이브릿 변환 결과 영상 그림 4. 영역 분할 과정 및 결과 영상 (3) Image Processing Lab.

Ⅲ. 칼라 코렐로그램 획득 Ⅲ. 칼라 코렐로그램 획득 칼라 코렐로그램 Ci 값을 가지는 한 화소 pa에서 거리 k만큼 떨어져 있는 화소 pb 에 Cj값이 나타날 확률을 2차원 행렬로 나타냄 Pr[·]: 확률 Ci, Cj = 0,1,...,m : m으로 양자화된 칼라 중 i, j 번째 값 Ici , Icj : 영상에서 i, j번째 칼라를 가지는 모든 화소 k = |pa–pb| = max(|xa - xb|, |ya - yb|) (6) (5) pa pb dx dy 그림 5. 일정 거리의 화소 pa, pb xa xb ya yb Image Processing Lab.

분할된 영역에서의 칼라 코렐로그램 획득 양자화된 영상에서 칼라코렐로그램 획득 칼라 코렐로그램 획득 Ⅲ. 칼라 코렐로그램 획득 분할된 영역에서의 칼라 코렐로그램 획득 양자화된 영상에서 칼라코렐로그램 획득 양자화 이유: 24비트인 칼라로 이루어진 영역에서 칼라 코렐로그램을 획득할 경우 크기가 커지고 색의 변화에 민감해지기 때문임 칼라 코렐로그램 획득 양자화된 칼라로 이루어진 영상을 이용 복잡한 영역과 그렇지 않은 영역으로 분할된 각 영역에서 칼라 코렐로그램 획득 a) 복잡한 영역 b) 복잡하지 않은 영역 그림 6. 칼라 코렐로그램 Image Processing Lab.

Ⅳ. 유사도 측정 유사도 측정 도구 히스토그램 인터섹션 (7) I와 I' : 비교할 두 영상 n : 칼라 양자화 개수 ,  : 상수 Ib[i][j]와 In[i][j] : 영상 I 의 복잡한 영역과 그렇지 않은 영역의 칼라 코렐로그램 min(a, b): a와 b 중 작은 값 (7) Image Processing Lab.

Ⅴ. 실험 및 고찰 실험 조건 성능 비교 재현율(Recall)과 스코프(Scope) 실험 영상: 638 장의 크기가 다른 칼라 영상 칼라 양자화: 64 단계 부영역의 크기: 16  16 부영역의 이동거리: 6 화소 화소 간 거리: k = 1 기존 칼라코렐로그램에서의 거리: k = 1, 3, 5 임계값: T = 0.6 상수: ,  = 1 성능 비교 재현율(Recall)과 스코프(Scope) 재현율: 질의에 대한 정답의 수 스코프: 정답으로 나온 영상의 순위 합 SC: 결과로 나온 정답 영상의 수 SCD: 데이터베이스의 정답 영상의 수 성능평가: 스코프에 의해 얻어진 정답 영상에 대한 재현율을 구함 (8) Image Processing Lab.

실험 결과 그림 7. 질의에 대한 검색 결과 표 1. 스코프와 재현율 비교 Ⅴ. 실험 및 고찰 Query Rank 1 제안 방법 기존 방법 총합 평균 5 14.053 0.878 13.267 0.829 10 14.664 0.917 14.160 0.885 20 14.830 0.927 14.270 0.890 30 15.500 0.969 14.666 Image Processing Lab.

고 찰 그림 6 표 1 실험 조건에서 제안한 방법의 특징 양은 기존의 코렐로그램의 2/3배 Ⅴ. 실험 및 고찰 고 찰 그림 6 질의 영상에 대해 제안한 방법으로 얻어지는 결과 영상을 유사도가 높은 순서대로 나타낸 것 표 1 영상의 질의에 대한 스코프의 재현율을 비교한 것 제안한 방법이 주어진 스코프에 대해 기존의 방법보다 결과가 우수 실험 조건에서 제안한 방법의 특징 양은 기존의 코렐로그램의 2/3배 제안한 방법은 기존의 방법보다 적은 개수의 특징을 사용함으로써 영상검색 성능을 향상 Image Processing Lab.

Ⅴ. 결 론 제안한 논문 결 론 웨이브릿 변환을 이용하여 복잡한 영역과 그렇지 않은 영역으로 분할 Ⅰ. 결 론 Ⅴ. 결 론 제안한 논문 웨이브릿 변환을 이용하여 복잡한 영역과 그렇지 않은 영역으로 분할 분할된 각 영역에서 얻어진 칼라 코렐로그램을 이용하여 영상을 검색 결 론 계산량을 개선 칼라 코렐로그램을 구할 때, 기존의 방법보다 적은 개수의 거리를 사용 영상검색 성능을 향상 제안한 방법이 기존의 칼라 코렐로그램보다 적은 특징 크기로써 보다 우수한 영상을 검색 Image Processing Lab.