Mean Shift 분석을 이용한 그래프 컷 기반의 자동 칼라 영상 분할

박안진; 김정환; 정기철

추천

검색

질문

자료유형: 학술저널

저자정보: 박안진 (숭실대학교) 김정환 (숭실대학교) 정기철 (숭실대학교)

저널정보: Korean Institute of Information Scientists and Engineers 정보과학회논문지 : 소프트웨어 및 응용 정보과학회논문지 : 소프트웨어 및 응용 제36권 제11호

발행연도: 2009.11

수록면: 936 - 946 (11page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

그래프 컷(graph cuts) 방법은 주어진 사전정보와 각 픽셀간의 유사도를 나타내는 데이터 항(data term)과 이웃하는 픽셀간의 유사도를 나타내는 스무드 항(smoothness term)으로 구성된 에너지 함수를 전역적으로 최소화하는 방법으로, 최근 영상 분할에 많이 이용되고 있다. 기존 그래프 컷 기반의 영상 분할 방법에서 데이터 항을 설정하기 위해 GMM(Gaussian mixture model)을 주로 이용하였으며, 평균과 공분산을 각 클래스를 위한 사전정보로 이용하였다. 이 때문에 클래스의 모양이 초구(hyper-sphere) 또는 초타원(hyper-ellipsoid)일 때만 좋은 성능을 보이는 단점이 있다. 다양한 클래스의 모양에서 좋은 성능을 보이기 위해, 본 논문에서는 mean shift 분석 방법을 이용한 그래프 컷 기반의 자동 영상분할 방법을 제안한다. 데이터 항을 설정하기 위해 L*u*v* 색상공간에서 임의로 선택된 초기 mean으로부터 밀도가 높은 지역인 모드(mode)로 이동하는 mean의 집합들을 사전정보로 이용한다. Mean shift 분석 방법은 군집화에서 좋은 성능을 보이지만, 오랜 수행시간이 소요되는 단점이 있다. 이를 해결하기 위해 특징공간을 3차원 격자로 변형하였으며, mean의 이동은 격자에서 모든 픽셀이 아닌 3차원 윈도우내의 1차원 모멘트(moment)를 이용한다. 실험에서 GMM을 이용한 그래프 컷 기반의 영상분할 방법과 최근 많이 이용되고 있는 mean shift와 normalized cut기반의 영상분할 방법을 제안된 방법과 비교하였으며, Berkeley dataset을 기반으로 앞의 세 가지 방법보다 좋은 성능을 보였다.

#그래프 컷 #Mean Shift 분석 #영상분할 #Graph Cuts #Mean Shift Analysis #Image Segmentation

참고문헌 (25)

참고문헌 신청

1. [단행본] - L.G. Shapiro / 2001 / Computer Vision / Prentice-Hall

2. [학술지(정기간행물)] - N. Pal / 1993 / A review on image segmentation techniques / Pattern Recognition 26 (9) : 1277 ~ 1294

3. [학술지(정기간행물)] - L. Vincent / 1991 / Watersheds in Digital Spaces: An Efficient Algorithm based on Immersion Simulation / IEEE Transactions on Pattern Analysis and Machine Intelligence 13 (6) : 583 ~ 597

4. [학술지(정기간행물)] - D. Comaniciu / 2002 / Mean Shift: A Robust Approach toward Feature Space Analysis / IEEE Transactions on Pattern Analysis and Machine Intelligence 23 (5) : 603 ~ 619

5. [학술지(정기간행물)] - S. Makrogiannis / 2005 / A Region Dissimilarity Relation that Combines Feature-Space and Spatial Information for Color Image Segmentation / IEEE Transactions on System, Man, and Cybernetics, Part B 35 (1) : 44 ~ 53

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

박안진

소속기관 숭실대학교

주요연구분야 공학 > 컴퓨터학 공학 > 전기전자공학 > 정보통신공학

논문수 17 이용수 2,309

김정환

소속기관 건국대학교

주요연구분야 공학 > 컴퓨터학 TOP 10% 자연과학 > 물리학

논문수 101 이용수 9,252

정기철

소속기관 숭실대학교

주요연구분야 공학 > 컴퓨터학 TOP 10% 복합학 > 학제간연구

논문수 88 이용수 9,814

이 논문과 함께 이용한 논문

2차원 동영상의 3차원 변환을 위한 깊이 단서의 신뢰성 기반 적응적 깊이 융합

한찬희 , 최해철 , 이시웅 한국콘텐츠학회논문지 2012 .12

수동 영상 분할 도움을 위한 상호작용적 대상 객체 확인 및 형태 예측 3차원 시각화 기법

정건화 , 김재일 , 김태호 외 1명 한국정보과학회 학술발표논문집 2012 .11

인터랙티브 그래프 컷을 이용한 이동물체 분리

공기종 , 오세영 한국지능시스템학회 학술발표 논문집 2012 .11

영상분할을 위한 2차원 무한 은닉 마코프 모형의 비모수적 베이스 추정

김선월 , 조완현 한국정보과학회 학술발표논문집 2011 .06

Salinecy Map을 결합한 Chan-Vese Model의 꽃 영역 분할

서인혜 , 김수형 , 이명은 한국멀티미디어학회 학술발표논문집 2010 .11

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2009-569-019101652

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (25)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)