KR100483832B1 - 영상 텍스쳐 기술자 추출 방법 - Google Patents

영상 텍스쳐 기술자 추출 방법 Download PDF

Info

Publication number
KR100483832B1
KR100483832B1 KR10-2004-7001080A KR20047001080A KR100483832B1 KR 100483832 B1 KR100483832 B1 KR 100483832B1 KR 20047001080 A KR20047001080 A KR 20047001080A KR 100483832 B1 KR100483832 B1 KR 100483832B1
Authority
KR
South Korea
Prior art keywords
graphs
coefficients
image
directional
scale
Prior art date
Application number
KR10-2004-7001080A
Other languages
English (en)
Other versions
KR20040023678A (ko
Inventor
신현두
최양림
우펭
만주나스비.에스.
Original Assignee
삼성전자주식회사
더 리전츠 오브 더 유니버시티 오브 캘리포니아
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사, 더 리전츠 오브 더 유니버시티 오브 캘리포니아 filed Critical 삼성전자주식회사
Publication of KR20040023678A publication Critical patent/KR20040023678A/ko
Application granted granted Critical
Publication of KR100483832B1 publication Critical patent/KR100483832B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/196—Recognition using electronic means using sequential comparisons of the image signals with a plurality of references
    • G06V30/1983—Syntactic or structural pattern recognition, e.g. symbolic string recognition
    • G06V30/1988—Graph matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20068—Projection on vertical or horizontal image axis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

본 발명은 영상 텍스쳐 기술자 추출 방법에 관한 것으로서, 본 발명에 따른 영상 텍스쳐 기술자 추출 방법은, (a)서로 다른 방향성(orientation) 계수들을 가지는 소정의 필터들을 사용하여 입력 영상들을 필터링하는 단계, (b)상기 필터링된 영상들을 각각 소정 방향의 축상으로 투영시켜 각 방향의 픽셀 값들의 평균으로 이루어지는 데이터 그룹들을 얻는 단계, (c)상기 데이터 그룹들 중에서 소정의 분류 방법에 의하여 후보 데이터 그룹들을 선택하는 단계, (d)상기 후보 데이터 그룹들을 필터링하는데 사용된 상기 필터들의 방향성 계수들을 기초로 복수 개의 표시자(indicator)들을 결정하는 단계, 및 (e)상기 복수 개의 표시자들을 상기 영상의 텍스쳐 기술자로서 결정하는 단계를 포함하는 것을 특징으로 한다. 본 발명에 의하면, 영상내에 어떠한 종류의 텍스쳐 구조들이 존재하는 지가 직관적으로 파악될 수 있도록 허용하는 텍스쳐 기술자들을 추출할 수 있다.

Description

영상 텍스쳐 기술자 추출 방법{Method of describing image texture descriptor}
본 발명은 영상 텍스쳐(texture) 기술자(descriptor) 추출 방법 및 그 장치에 관한 것으로, 보다 상세하게는 영상을 탐색하고 브라우징(browsing)하는데 사용되고 상기 영상의 텍스쳐 특성을 기술하는 텍스쳐 기술자를 추출하는 영상 텍스쳐 기술자 추출 방법 및 그 장치에 관한 것이다.
최근, 영상 텍스쳐는 수많은 유사한 영상 패턴을 탐색하고 브라우징하는 중요한 시각적 특성으로 부각되고 있다. 예를 들면, 가버(Gabor) 필터에 의해 텍스쳐 기술자를 필터링하는 종래 텍스쳐 기술자는 가버 필터링에 의해 얻어진 계수들로 구성되는 텍스쳐 기술자를 추출한다. 그러나, 비록 종래 영상 텍스쳐 기술자들이 많은 벡터들로 구성됨에도 불구하고, 상기 텍스쳐 기술자로부터 텍스쳐 구조를 시각적으로 인지하는 것은 매우 어렵다.
본 발명의 목적은 영상내에 존재하는 텍스쳐 구조들을 직관적으로 파악할 수 있는 영상 텍스쳐 기술자를 추출하는 방법을 제공하는 것이다.
본 발명의 다른 목적은 컴퓨터가 상기 영상 텍스쳐 기술자 추출 방법을 실행하도록 배열된 컴퓨터 프로그램이 저장된 컴퓨터 독출가능 저장 매체를 제공하는 것이다.
본 발명의 또 다른 목적은 상기 영상 텍스쳐 기술자 추출 방법을 수행하는 영상 텍스쳐 기술자 추출 장치를 제공하는 것이다.
상기 목적을 달성하기 위하여, 영상의 텍스쳐 특징들을 기술하는 영상 텍스쳐 기술자를 추출하는 방법에 있어서, (a) 서로 다른 방향성(orientation) 계수들을 가지는 소정의 필터들을 사용하여 입력 영상들을 필터링하는 단계, (b) 상기 필터링된 영상들을 각각 소정 방향의 축상으로 투영시켜 각 방향의 픽셀 값들의 평균으로 이루어지는 데이터 그룹들을 얻는 단계, (c) 상기 데이터 그룹들 중에서 소정의 분류 방법에 의하여 후보 데이터 그룹들을 선택하는 단계, (d) 상기 후보 데이터 그룹들을 필터링하는데 사용된 상기 필터들의 방향성 계수들을 기초로 복수 개의 표시자(indicator)들을 결정하는 단계, 및 (e) 상기 복수 개의 표시자들을 상기 영상의 텍스쳐 기술자로서 결정하는 단계를 포함하는 것을 특징으로 하는 영상 텍스쳐 기술자 추출 방법이 제공된다.
상기 단계 (a)는 다른 스케일(scale) 계수들을 가지는 소정의 필터들을 사용하여 입력 영상들을 필터링하는 단계 (a-1)를 더 포함하고, 상기 단계 (d)는 상기 후보 데이터 그룹들을 필터링하는데 사용된 상기 필터들의 스케일 계수들을 기초로 복수 개의 표시자들을 결정하는 단계 (d-1)를 더 포함할 수 있다.
상기 영상 텍스쳐 기술자 추출 방법은, 상기 선택된 후보 데이터 그룹들을 필터링하는데 사용된 필터들의 스케일 계수들 또는 방향성 계수들과 근접한 또는 동일한 스케일 계수들 또는 방향성 계수들을 가지는 필터들에 의해 필터링된 데이터 그룹들의 존재를 기초로 다른 하나의 표시자를 결정하는 단계를 더 포함할 수 있다.
상기 영상 텍스쳐 기술자 추출 방법은, 상기 필터링된 영상들에 대하여 픽셀들의 평균 및 분산을 계산하고 상기 계산된 평균 및 분산을 사용하여 소정의 벡터를 얻는 단계를 더 포함할 수 있다.
본 발명의 다른 태양에 따라, 영상의 텍스쳐 특징들을 기술하는 영상 텍스쳐 기술자를 추출하는 방법에 있어서, (a) 다른 스케일 계수들을 가지는 소정의 필터들을 사용하여 입력 영상들을 필터링하는 단계, (b) 상기 필터링된 영상들을 각각 소정 방향의 축상으로 투영시켜 각 방향의 픽셀 값들의 평균으로 이루어지는 데이터 그룹들을 얻는 단계, (c) 상기 데이터 그룹들 중에서 소정의 선택 방법에 의하여 선택된 데이터 그룹들을 필터링하는데 사용된 상기 필터들의 스케일 계수들을 기초로 복수 개의 표시자들을 결정하는 단계, 및 (d) 상기 복수 개의 표시자들을 상기 영상의 텍스쳐 기술자로서 결정하는 단계를 포함하는 것을 특징으로 하는 영상 텍스쳐 기술자 추출 방법이 제공된다.
본 발명의 또 다른 태양에 따라, 영상의 텍스쳐 특징들을 기술하는 영상 텍스쳐 기술자를 추출하는 방법에 있어서, (a) 다른 방향성 계수들 및 다른 스케일 계수들을 가지는 소정의 필터들을 사용하여 입력 영상들을 필터링하는 단계, (b) 상기 필터링된 영상들을 수평 및 수직 축상으로 투영시켜 수평-축 투영 그래프들 및 수직-축 투영 그래프들을 얻는 단계, (c) 각 그래프에 대하여 정규화된(normalized) 자기-상관 값들을 계산하는 단계, (d) 상기 계산된 정규화된 자기-상관 값들이 소정 구간에서 국부적(local) 피크(peak) 및 국부적 골짜기(valley)를 형성하여, 각 정규화된 자기-상관 값에 대한 국부적 최대값들 및 국부적 최소값을 얻는 단계, (e) 상기 국부적 최대값들의 평균 및 상기 국부적 최소값들의 평균을 콘트라스트(contrast)로서 정의하는 단계, (f) 상기 국부적 최대값들의 평균에 대한 표준 편차의 비율이 소정의 임계값 이하인 그래프들을 제1 후보 그래프들로서 선택하는 단계, (g) 상기 선택된 제2 후보 그래프들을 필터링하는데 사용되는 필터들의 스케일 계수들 또는 방향성 계수들과 근접한 또는 동일한 스케일 계수들 또는 방향성 계수들을 가지는 필터들에 의해 필터링된 그래프들의 수에 따라 제2 후보 그래프들의 유형을 결정하는 단계, (h) 제2 후보 그래프들의 각 유형들에 속하는 그래프들의 수를 카운트하고, 각 유형의 제2 후보 그래프들에 대한 소정의 가중치들을 결정하는 단계, (i) 상기 카운트된 그래프들의 수들과 상기 결정된 가중치들의 곱들의 합을 계산하고 상기 계산 결과 값을 텍스쳐 기술자를 구성하는 제1 표시자로서 결정하는 단계, (j) 가장 큰 콘트라스트를 갖는 제2 후보 그래프들의 방향성 계수들 및 스케일 계수들을 제2 내지 제5 표시자로서 결정하는 단계, 및 (k) 상기 제1 표시자 및 상기 제2 내지 제5 표시자를 포함하는 표시자들을 해당 영상의 텍스쳐 기술자들로서 결정하는 단계를 포함하는 것을 특징으로 하는 영상 텍스쳐 기술자 추출 방법이 제공된다.
상기 영상 텍스쳐 기술자 추출 방법은, 상기 필터링된 영상들에 대하여 픽셀들의 평균 및 분산을 계산하고 상기 계산된 평균 및 분산을 사용하여 소정의 벡터를 얻는 단계를 더 포함할 수 있고, 단계 (k)는 상기 제1 표시자, 상기 제2 내지 제5 표시자 및 상기 소정의 벡터를 포함하는 표시자들을 해당 영상의 텍스쳐 기술자들로서 결정하는 단계를 포함한다.
바람직하게는, N은 소정의 양의 정수이고, 입력 영상은 NxN 픽셀들로 구성되며, 픽셀 위치는 i로 표기되고, i는 1에서 N까지의 수이며, 픽셀 위치(i)의 픽셀들로 표현되는 투영 그래프들은 P(i)로 표기되고, k는 1에서 N까지의 수라 할 때, 상기 정규화된 자기-상관은 NAC(k)로 표기되고 다음 수학식
에 따라 계산된다.
P_magn(i) 및 V_magn(i)를 상기 단계 (d)에서 결정된 국부적 최대값 및 국부적 최소값이라 할 때, 상기 콘트라스트는:
과 같이 결정된다.
상기 단계 (f)에서, d 및 S는 상기 국부적 최대값들의 평균 및 표준 편차이고, α는 소정의 임계값이라 할 때, 다음 수학식
을 만족하는 그래프들이 제1 후보 그래프들로서 선택된다.
상기 단계 (g)는, (g-1) 해당(pertinent) 후보 그래프의 스케일 또는 방향성 계수들과 동일한 스케일 또는 방향성 계수들을 가지는 하나 이상의 그래프들이 있고, 상기 해당 후보 그래프의 스케일 또는 방향성 계수들에 근접한 스케일 또는 방향성 계수들을 가지는 하나 이상의 그래프들이 있는 경우, 상기 해당 후보 그래프를 제1 유형 그래프로 분류하는 단계, (g-2) 해당 후보 그래프의 스케일 또는 방향성 계수들과 동일한 스케일 또는 방향성 계수들을 가지는 하나 이상의 그래프들이 있지만, 상기 해당 후보 그래프의 스케일 또는 방향성 계수들에 근접한 스케일 또는 방향성 계수들을 가지는 그래프가 없는 경우, 상기 해당 후보 그래프를 제2 유형 그래프로 분류하는 단계, 및 (g-3) 해당 후보 그래프의 스케일 또는 방향성 계수들과 동일하거나 근접한 스케일 또는 방향성 계수들을 가지는 그래프가 없는 경우, 상기 해당 후보 그래프를 제3 유형 그래프로 분류하는 단계를 포함한다.
상기 단계 (h)는, 상기 제1 내지 제3 유형의 그래프들 각각에 속하는 그래프들의 수를 카운트하고, 상기 유형의 그래프들 각각에 소정의 가중치들을 결정하는 단계를 포함한다.
상기 단계 (f) 이후에, 상기 제1 후보 그래프들에 소정의 클러스터링(clustering) 알고리듬을 적용하여 제2 후보 그래프들을 선택하는 단계가 더 포함될 수 있다.
바람직하게는, 상기 소정의 클러스터링 알고리듬은 변형된(modified) 응집(agglomerative) 클러스터링이다.
바람직하게는, 상기 단계 (j)에 있어서, 상기 수평-축 투영 그래프들 중에서 가장 큰 콘트라스트를 가지는 그래프의 방향성 계수가 제2 표시자로 결정되고; 상기 수직-축 투영 그래프들 중에서 가장 큰 콘트라스트를 가지는 그래프의 방향성 계수가 제3 표시자로 결정되며; 상기 수평-축 투영 그래프들 중에서 가장 큰 콘트라스트를 가지는 그래프의 스케일 계수가 제4 표시자로 결정되고; 상기 수직-축 투영 그래프들 중에서 가장 큰 콘트라스트를 가지는 그래프의 스케일 계수가 제5 표시자로 결정된다.
상기 단계 (j)는 제1 표시자, 제2 내지 제5 표시자 및 상기 소정의 벡터를 포함하는 표시자들을 해당 영상의 텍스쳐 기술자들로 결정하는 단계를 포함할 수 있다.
바람직하게는, 상기 소정의 필터들은 가버(Gabor) 필터들을 포함한다.
본 발명의 제2 목적을 달성하기 위하여, 본 발명의 일 태양에 따르면, (a) 영상 텍스처의 규칙성(regularity)을 표시하는 규칙성 표시자를 생성하는 단계; (b) 상기 영상 텍스처의 방향성을 표시하는 방향성 표시자를 생성하는 단계; (c) 상기 영상 텍스처의 스케일을 표시하는 스케일 표시자를 생성하는 단계; 및 (d) 상기 규칙성 표시자, 방향성 표시자 및 스케일 표시자를 조합하여 텍스처 기술자를 생성하는 단계를 포함하는 것을 특징으로 하는 영상의 텍스처 특징을 기술하는 방법을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공된다.
본 발명의 제3 목적을 달성하기 위하여, 영상의 텍스쳐 특징들을 기술하는 영상 텍스쳐 기술자를 추출하는 장치에 있어서, 다른 방향성 계수들을 가지는 소정의 필터들을 사용하여 입력 영상들을 필터링하는 필터링 수단, 상기 필터링된 영상들을 각각 소정 방향의 축상으로 투영시켜 각 방향의 픽셀 값들의 평균으로 이루어지는 데이터 그룹들을 얻는 투영 수단, 상기 데이터 그룹들 중에서 소정의 분류 방법에 의하여 후보 데이터 그룹들을 선택하는 분류 수단, 상기 선택된 후보 그래프들을 필터링하는데 사용된 필터들의 스케일 계수들 또는 방향성 계수들과 근접한 또는 동일한 스케일 계수들 또는 방향성 계수들을 가지는 필터들에 의해 필터링된 그래프들의 수를 기초로 다른 하나의 표시자를 결정하는 제1 표시자 결정 수단, 및 상기 결정된 후보 그래프들을 필터링하는데 사용된 상기 필터들의 스케일 계수들 및 방향성 계수들을 기초로 복수 개의 표시자들을 결정하는 제2 표시자 결정 수단을 포함하는 것을 특징으로 하는 영상 텍스쳐 기술자 추출 장치가 제공된다.
대안으로, 영상의 텍스쳐 특징들을 기술하는 영상 텍스쳐 기술자를 추출하는 장치에 있어서, 다른 방향성 계수들 및 다른 스케일 계수들을 가지는 소정의 필터들을 사용하여 입력 영상들을 필터링하는 필터링부, 상기 필터링된 영상들 각각에 대하여 픽셀들의 평균 및 분산을 계산하고 상기 계산된 평균 및 분산을 사용하여 소정의 벡터를 얻는 영상 평균/분산 계산부, 상기 필터링된 영상들을 수평 및 수직 축상으로 투영시켜 수평-축 투영 그래프들 및 수직-축 투영 그래프들을 얻는 투영부, 각 그래프에 대하여 정규화된 자기-상관 값을 계산하는 계산부, 상기 계산된 정규화된 자기-상관 값들이 소정 구간에서 국부적 피크 및 국부적 골짜기를 형성하여, 각 자기-상관 값에 대한 국부적 최대값들 및 국부적 최소값들을 검출하는 피크 검출/분석부, 상기 국부적 최대값들의 평균 및 상기 국부적 최소값들의 평균을 계산하는 평균/분산 계산부, 상기 국부적 최대값들의 평균에 대한 표준 편차의 비율이 소정의 임계값 이하인 요건을 충족하는 그래프들을 제1 후보 그래프들로서 선택하는 제1 후보 그래프 선택/저장부, 상기 제1 후보 그래프들에 소정의 클러스터링 알고리듬을 적용하여 제2 후보 그래프들로서 선택하는 제2 후보 그래프 선택/저장부, 상기 제2 후보 그래프들의 각 유형들 각각에 속하는 그래프들의 수를 카운트하고, 각 유형의 그래프들의 수를 나타내는 데이터 신호들을 출력하며, 상기 각 유형들에 속하는 그래프들에 대한 소정의 가중치들을 결정하고, 각 유형에 적용될 가중치들을 나타내는 데이터 신호들을 출력하는 분류부, 각 유형에 속하는 그래프들의 수를 나타내는 데이터 및 각 유형에 적용될 상기 가중치들을 나타내는 데이터의 곱들의 합을 계산하고, 상기 계산 결과를 텍스쳐 기술자를 구성하는 제1 표시자로서 결정하고 출력하는 제1 표시자 결정부, 상기 평균/분산 계산부로부터 출력되는 평균들을 사용하여 수학식 2에 따라 상기 콘트라스트를 계산하고, 상기 계산된 콘트라스트가 최대임을 표시하는 신호를 출력하는 콘트라스트 계산부, 상기 계산된 콘트라스트가 최대임을 표시하는 상기 신호에 응답하여, 저장된 제2 후보 그래프들 중에서 가장 큰 콘트라스트를 가지는 후보 그래프들을 출력하는 제2 후보 그래프 선택/저장부, 상기 수평-축 투영 그래프들 중에서 가장 큰 콘트라스트를 가지는 그래프의 방향성 계수가 제2 표시자로 결정되고; 상기 수직-축 투영 그래프들 중에서 가장 큰 콘트라스트를 가지는 그래프의 방향성 계수가 제3 표시자로 결정되며; 상기 수평-축 투영 그래프들 중에서 가장 큰 콘트라스트를 가지는 그래프의 스케일 계수가 제4 표시자로 결정되고; 상기 수직-축 투영 그래프들 중에서 가장 큰 콘트라스트를 가지는 그래프의 스케일 계수가 제5 표시자로 결정되는 제2 내지 제5 표시자 결정부, 및 상기 제1 표시자, 상기 제2 내지 제5 표시자 및 상기 소정의 벡터를 결합하고 상기 결합 결과를 해당 영상의 텍스쳐 기술자들로서 출력하는 텍스쳐 기술자 출력부를 포함하는 것을 특징으로 하는 영상 텍스쳐 기술자 추출 장치가 제공된다.
본 발명의 상기 목적들 및 장점들은 첨부한 도면을 참조하여 바람직한 실시예들을 상세히 설명함으로써 보다 명백하게 될 것이다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예들을 상세하게 설명할 것이다.
도 1a는 본 발명에 따른 영상 텍스쳐 기술자 추출 방법을 도시한다. 도 1a를 참조하면, N을 소정의 양의 정수라 할 때, N×N 픽셀, 예를 들어 128×128 픽셀들로 구성되는 입력 영상이 가버(Gabor) 필터를 사용하여 필터링된다(단계 100). 상기 가버 필터는 다른 방향성(orientation) 계수들 및 다른 스케일(scale) 계수들을 가지는 필터들로 구성된다. C1 및 C2를 소정의 양의 정수라 할 때, 상기 입력 영상은 C1 종류의 방향성 계수들 및 C2 종류의 스케일 계수들을 가지는 필터들에 의해 필터링되고, 상기 필터들은 C1×C2 종류의 필터링된 영상들을 출력한다.
다음, 픽셀들의 평균 및 분산은 C1×C2 종류의 필터링된 영상들 각각에 대하여 계산되고, 그 다음, 상기 평균 및 분산을 사용하여 벡터(Z)가 얻어진다(단계 102).
그 다음, 상기 필터링된 영상들은 x-축과 y-축 상으로 투영되고 x-투영 그래프들 및 y-투영 그래프들을 얻는다(단계 104).
각 그래프(P(i))(i는 1에서 N까지의 수)에 대한 정규화된 자기-상관(normalized auto-correlation: NAC) 값은 NAC(k)로 표기되고, 다음 수학식 1에 의해 계산된다:
여기서, 픽셀 위치는 i로 표기되고, 픽셀 위치(i)의 픽셀들로 표현되는 투영 그래프들은 P(i)로 표기되며, k는 1에서 N(N은 양의 정수)까지의 수이다.
다음으로, 상기 계산된 자기-상관값(NAC(k))이 소정의 구간에서 국부적으로 피크(peak)를 형성하여 국부적 최대값(P_magn(i))들이 구해지고, 상기 계산된 자기-상관값이 소정의 구간에서 국부적으로 골짜기(valley)를 형성하여 국부적 최소값(V_magn(i))이 구해진다(단계 108).
한편, 콘트라스트(contrast)는 다음 수학식 2와 같이 정의된다(단계 110):
또한, d 및 S는 상기 국부적 최대값들의 평균 및 표준 편차이고, α는 소정의 임계값이라 할 때, 다음 수학식 3을 만족하는 그래프들이 제1 후보 그래프들로서 선택된다(단계 112):
도 1b를 참조하면, 변형된(modified) 응집(agglomerative) 클러스터링(clustering)을 상기 제1 후보 그래프들에 적용하여 제2 후보 그래프들을 선택한다(단계 114). 변형된 응집 클러스터링 알고리듬은, 알.오. 두다(R.O. Duda) 및 피.이. 하트(P.E. Hart)에 의해 "유형 분류 및 장면 분석, 존 윌리 및 아들들, 뉴욕, 1973(Pattern Classification and Scene Analysis, John wiley and Sons, New York, 1973)"에서 개시된 응집 클러스터링을 적절하게 변형한 알고리듬이고, 이하 간략히 설명할 것이다. 우선, N 개의 그래프 P1, ..., PN에 있어서, 피크들 사이의 거리의 평균 및 표준 편차를 di 및 Si라 하고, 각 그래프는 (di, Si)에 해당하는 2차원 벡터를 가진다고 한다. 이제, (di, Si)에 해당하는 2차원 벡터를 사용하여 다음과 같이 Pi를 클러스터링한다. 원하는 클러스터의 수를 Mc라 하면, 초기 클러스터의 수 N에 대하여, 각각의 클러스터 Ci는 C1={P1}, C2={P 2}, ..., CN={PN}과 같이 표현할 수 있다. 클러스터들의 수가 Mc보다 작은 경우, 클러스터링은 정지된다. 다음으로, 서로간에 가장 거리가 먼 2 개의 클러스터 Ci 및 Cj가 얻어진다. Ci 및 Cj 사이의 거리가 소정의 임계값보다 더 큰 경우, 클러스터링은 정지된다. 그렇지 않으면, Ci 및 Cj를 머지(merge)하여 2 개의 클러스터 중 하나의 클러스터를 제거한다. 이러한 과정은 클러스트의 수가 소정의 수에 도달할 때까지 반복하여 수행된다. 그 다음, 상기 클러스터링된 클러스터들 중에서, 가장 많은 그래프를 가지는 클러스터가 선택되고 상기 선택된 클러스터내에 있는 그래프들은 후보 그래프들로서 선택된다.
이제, 제2 후보 그래프들은 3가지 유형으로 분류된다(단계 116). 상기 분류는 제2 후보 그래프들을 필터링하는데 사용되는 필터의 스케일 또는 방향성 계수들과 유사한 또는 동일한 스케일 또는 방향성 계수들을 가지는 필터에 의해 필터링되는 그래프의 수에 따라 수행된다. 이하에서는, 설명의 편의상, 일정 스케일 계수 또는 일정 방향성 계수를 가지는 필터에 의해 필터링된 그래프들은 일정-스케일-계수 그래프들 또는 일정-방향성-계수 그래프들로서 지칭될 것이다.
보다 상세하게 설명하면, 첫 번째로, 해당(pertinent) 후보 그래프의 스케일 또는 방향성 계수들과 동일한 스케일 또는 방향성 계수들을 가지는 하나 이상의 그래프들이 있고, 상기 해당 후보 그래프의 스케일 또는 방향성 계수들과 근접한 스케일 또는 방향성 계수들을 가지는 하나 이상의 그래프들이 있는 경우, 상기 해당 후보 그래프는 C1 유형 그래프로 분류된다. 두 번째로, 해당 후보 그래프의 스케일 또는 방향성 계수들과 동일한 스케일 또는 방향성 계수들을 가지는 하나 이상의 그래프들이 있지만, 상기 해당 후보 그래프의 스케일 또는 방향성 계수들과 근접한 스케일 또는 방향성 계수들을 가지는 그래프가 없는 경우, 상기 해당 후보 그래프는 C2 유형 그래프로 분류된다. 세 번째로, 해당 후보 그래프의 스케일 또는 방향성 계수들과 동일한 또는 근접한 스케일 또는 방향성 계수들을 가지는 그래프가 없는 경우, 상기 해당 후보 그래프는 C3 유형 그래프로 분류된다. 그 다음, 상기 C1, C2 및 C3 유형들 각각에 속하는 그래프들의 수를 카운트하여 각각 N1, N2 및 N3 으로 표기하고, 상기 C1, C2 및 C3 유형들 각각에 속하는 그래프들의 가중치들을 카운트하여 각각 W1, W2 및 W3으로 표기하고, 이하에서 설명할 것이다.
이제, 결정된 수(N1, N2 및 N3) 및 가중치(W1, W2 및 W3)를 사용하여 다음 계산이 수행된다:
여기서, 결과 (M)는 텍스쳐 기술자를 구성하는 제1 표시자(V1)로서 결정된다(단계 118).
제2 후보 그래프들에 대하여, 가장 큰 콘트라스트를 가지는 그래프들의 방향성 계수들 및 스케일 계수들은 제2 내지 제5 표시자로서 결정된다(단계 120). 보다 상세하게는, x-투영 그래프들 중에서, 가장 큰 콘트라스트를 가지는 그래프의 방향성 계수가 제2 표시자(V2)로 결정된다. 또한, y-투영 그래프들 중에서, 가장 큰 콘트라스트를 가지는 그래프의 방향성 계수가 제3 표시자(V3)로 결정된다. x-투영 그래프들 중에서, 가장 큰 콘트라스트를 가지는 그래프의 스케일 계수가 제4 표시자(V4)로 결정된다. 또한, y-투영 그래프들 중에서, 가장 큰 콘트라스트를 가지는 그래프의 스케일 계수가 제5 표시자(V5)로 결정된다.
단계 118에서 결정된 제1 표시자(V1), 제2 내지 제5 표시자(V2, V3, V4 및 V5), 및 단계 102에서 결정된 벡터(Z)를 사용하여, 텍스쳐 기술자, 즉, 텍스쳐 특징 벡터는 {[V1, V2, V3, V4, V5], Z}로 설정된다(단계 122).
큰 제1 표시자(V1)는 영상의 텍스쳐가 높은 레벨로 구조화되어있음을 나타낸다. 제1 표시자(V1)는 영상의 텍스쳐의 구조화도(structuredness)를 매우 잘 표현한다는 것이 실험적으로 확인되었다. 제2 및 제3 표시자(V2 및 V3)는 구조화도가 가장 잘 캡쳐된 2개의 양자화된 방향성을 표시한다. 제4 및 제5 표시자(V4 및 V5)는 구조화도가 가장 잘 캡쳐된 2개의 양자화된 스케일을 표시한다.
상기 텍스쳐 기술자는 브라우징 또는 검색(searching)-추출(retrieval) 애플리케이션에서 영상의 인덱스로서 사용된다. 특히, 본 발명에 따른 영상 텍스쳐 기술자 추출 방법에 의해 추출된 영상 텍스쳐 기술자는 브라우징 패턴이 규칙적인 체커 마크들(checker marks) 또는 구조 지향적 브라우징, 즉 자수 패턴(embroidery patterns)에 적합하게 사용된다. 따라서, 구조적으로 유사한 패턴을 탐색하는 경우, 구조 지향적 브라우징을 기초로 하는 애플리케이션에 본 발명에 따른 영상 텍스쳐 기술자 추출 방법을 적용함으로써 육안-인지(eye-perception)에 보다 적합한 영상 탐색이 허용된다. 따라서, 본 발명에 따른 영상 텍스쳐 기술자 추출 방법에 의하여 추출된 텍스쳐 기술자들을 구성하는 표시자들 중에서, 제1 내지 제5 표시자(V1, V2, V3, V4, V5)는 인지적 브라우징 성분(perceptual browsing component: PBC)들로서 지칭될 수 있다.
또한, 각 필터링된 영상들에 대하여, 픽셀 값들의 평균 및 분산이 계산된다. 상기 평균 및 분산을 사용하여 구한 벡터(Z)는 유사도 추출 성분(similarity retrieval component: SRC)으로서 지칭될 수 있다.
다시 말하면, 본 발명에 따른 영상 텍스쳐 기술자 추출 방법에 있어서, 텍스쳐 기술자는 영상내에 어떠한 종류의 텍스쳐 구조들이 존재하는 지가 직관적으로 파악될 수 있도록 허용한다.
영상의 텍스쳐의 구조화도에 대한 매우 좋은 표시자인 제1 표시자(V1), 구조화도가 가장 잘 캡쳐된 2개의 양자화된 방향성을 표시하는 제2 및 제3 표시자(V2 및 V3), 구조화도가 가장 잘 캡쳐된 2개의 양자화된 스케일을 표시하는 제4 및 제5 표시자(V4 및 V5)는 상기 영상의 텍스쳐 기술자들로서 사용된다고 설명했다. 그러나, 상술한 실시예는 설명하는 것으로만 사용되고 제한하는 목적은 아니다. 영상의 특성에 가장 적합한 단일 표시자 및 임의로 선택된 복수 개의 표시자들은, 또한 영상의 텍스쳐 기술자(들)로서 사용될 수 있다. 따라서, 상술한 실시예는 본 발명의 범위를 제한하려는 의도는 아니다.
또한, 상기 영상 텍스쳐 기술자 추출 방법은 컴퓨터 프로그램으로 작성할 수 있다. 상기 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 상기 프로그램은 컴퓨터가 읽을 수 있는 매체에 저장되고 컴퓨터에 의해 읽혀지고 실행됨으로써 상기 영상 텍스쳐 기술자 추출 방법을 구현한다. 상기 매체는 자기 기록 매체, 광 기록 매체, 반송파 매체 등을 포함한다.
또한, 상기 영상 텍스쳐 기술자 추출 방법은 영상 텍스쳐 기술자 추출 장치로 구현될 수 있다. 도 2는 본 발명에 따른 영상 텍스쳐 기술자 추출 장치를 도시하는 블록도이다. 도 2를 참조하면, 상기 영상 텍스쳐 기술자 추출 장치는 가버(Gabor) 필터(200), 영상 평균/분산 계산부(202), x-축 투영부(204), y-축 투영부(205), NAC 계산부(206) 및 피크 검출/분석부(208)를 포함한다. 또한, 상기 영상 텍스쳐 기술자 추출 장치는 평균/분산 계산부(210), 제1 후보 그래프 선택/저장부(212), 제2 후보 그래프 선택/저장부(214), 분류부(216), 제1 표시자 결정부(218), 콘트라스트 계산부(220), 제2 내지 제5 표시자 결정부(222) 및 텍스쳐 기술자 출력부(224)를 포함한다.
이하, 상기 영상 텍스쳐 기술자 추출 장치의 동작을 설명한다. N은 소정의 양의 정수라 하면, 상기 가버 필터(200)는 N×N 픽셀들, 예를 들어, 128×128 픽셀들로 구성되는 입력 영상을 다른 방향성 계수들 및 다른 스케일 계수들을 가지는 필터들(미도시)을 사용하여 필터링하고, 필터링된 영상들(image_filtered)을 출력한다. C1 및 C2는 소정의 양의 정수라 할 때, 상기 입력 영상은 C1 종류의 방향성 계수들 및 C2 종류의 스케일 계수들을 가지는 필터들에 의해 필터링되고, 상기 필터들은 C1×C2 종류의 필터링된 영상들을 출력한다.
상기 영상 평균/분산 계산부(202)는 상기 C1×C2 종류의 필터링된 영상들 각각에 대하여 픽셀들의 평균 및 분산을 계산하고, 그 다음 상기 평균 및 분산을 사용하여 벡터(Z)를 구하고 상기 구한 벡터(Z)를 출력한다.
상기 x-축 투영부(204) 및 상기 y-축 투영부(205)는 상기 필터링된 영상들을 x-축 및 y-축 상에 투영시켜 x-투영 그래프들 및 y-투영 그래프들을 얻는다. 다시 말하면, 픽셀 위치를 i(i는 1에서 N까지의 수)로 표현하면, 상기 x-축 투영부(204) 및 상기 y-축 투영부(205)는 상기 픽셀 위치(i)(i=1, ..., N)의 픽셀들에 의해 표현되는 투영 그래프들(P(i))을 출력한다.
상기 NAC 계산부(206)는 각 그래프(P(i))에 대하여 NAC(k)로 표기되는 정규화된 자기-상관(normalized auto-correlation: NAC) 값을 상기 수학식 1을 사용하여 계산한다.
상기 피크 검출/분석부(208)는 계산된 NAC(k)가 소정의 구간에서 국부적 피크를 형성하는 국부적 최대값(P_magn(i))들 및 계산된 NAC(k)가 소정의 구간에서 국부적 골짜기를 형성하는 국부적 최소값(V_magn(i))들을 검출한다.
상기 평균/분산 계산부(210)는 국부적 최대값(P_magn(i))들의 평균(d) 및 표준 편차(S)를 계산하고 출력한다. 상기 제1 후보 그래프 선택/저장부(212)는 평균(d) 및 표준 편차(S)를 수신하고, 소정의 임계값을 α라 할 때, 상기 수학식 3을 만족하는 그래프들을 제1 후보 그래프들(1st_CAND)로서 선택하고 상기 선택된 제1 후보 그래프들을 저장한다.
상기 제2 후보 그래프 선택/저장부(214)는 상기 제1 후보 그래프들에 변형된 응집 클러스터링을 적용하여 제2 후보 그래프들(2nd_CAND)로서 선택한다.
상기 분류부(216)는, 도 1b를 참조하여 설명한 바와 같이, 상기 제2 후보 그래프들에 대하여, C1, C2 및 C3 유형들 각각에 속하는 그래프들의 수를 카운트하여 각각 N1, N2 및 N3으로 표기하고, 각 유형의 그래프들의 수를 나타내는 데이터 신호(Ni)를 출력한다. 또한, 상기 분류부(216)는, C1, C2 및 C3 유형들 각각에 속하는 그래프들의 소정의 가중치들을 결정하고 각각 W1, W2 및 W3으로 표기하고, 각 유형에 적용될 가중치들을 나타내는 데이터 신호(Wi)를 출력한다.
상기 제1 표시자 결정부(218)는, 상기 결정된 수(N1, N2 및 N3) 및 가중치(W1, W2 및 W3)를 사용하여 상기 수학식 4에 따라 결과 M을 계산하고, 상기 계산 결과를 텍스쳐 기술자를 구성하는 제1 표시자(V1)로서 결정하고 출력한다.
상기 콘트라스트 계산부(220)는 수학식 2에 따라 콘트라스트를 계산하고 상기 계산된 콘트라스트가 최대임을 표시하는 신호(Cont_max)를 출력한다.
상기 제2 후보 그래프 선택/저장부(214)는 저장된 제2 후보 그래프들 중에서 최대인 콘트라스트를 가지는 후보 그래프들을 상기 제2 내지 제5 표시자 결정부(222)에 출력한다.
상기 제2 내지 제5 표시자 결정부(222)는 최대인 콘트라스트를 가지는 그래프들의 방향성 계수들 및 스케일 계수들을 제2 내지 제5 표시자들로서 결정한다. 다시 말하면, x-투영 그래프들 중에서, 가장 큰 콘트라스트를 가지는 그래프의 방향성 계수가 제2 표시자(V2)로 결정된다. 또한, y-투영 그래프들 중에서, 가장 큰 콘트라스트를 가지는 그래프의 방향성 계수가 제3 표시자(V3)로 결정된다. x-투영 그래프들 중에서, 가장 큰 콘트라스트를 가지는 그래프의 스케일 계수가 제4 표시자(V4)로 결정된다. 또한, y-투영 그래프들 중에서, 가장 큰 콘트라스트를 가지는 그래프의 스케일 계수가 제5 표시자(V5)로 결정된다.
상기 텍스쳐 기술자 출력부(224)는, 상기 제1 표시자 결정부(218)에서 출력된 제1 표시자(V1), 상기 제2 내지 제5 표시자 결정부(222)에서 출력된 제2 내지 제5 표시자(V2, V3, V4 및 V5), 및 상기 영상 평균/분산 계산부(202)에서 출력된 벡터(Z)를 사용하여, 텍스쳐 기술자, 즉, 텍스쳐 특징 벡터를 {[V1, V2, V3, V4, V5], Z}로 설정하고 출력한다.
도 3은 본 발명에 따른 영상 텍스쳐 기술자 추출 방법을 기초로 한 시뮬레이션에 의하여 브로다츠(Brodatz) 텍스쳐 영상들로부터 추출된 인지적 브라우징 성분(perceptual browsing component: PBC)들을 도시한다.
이상에서 설명한 바와 같이, 본 발명에 의하면, 영상 내에 어떠한 종류의 텍스쳐 구조들이 존재하는 지가 직관적으로 파악될 수 있도록 허용하는 텍스쳐 기술자들을 추출할 수 있다.
도 1a 및 도 1b는 본 발명에 따른 영상 텍스쳐 기술자 추출 방법을 도시하는 흐름도이다.
도 2는 본 발명에 따른 영상 텍스쳐 기술자 추출 장치를 도시하는 블록도이다.
도 3은 본 발명에 따른 상기 영상 텍스쳐 기술자 추출 방법을 기초로 한 시뮬레이션에 의하여 브로다츠(Brodatz) 텍스쳐 영상들로부터 추출된 인지적 브라우징 성분(perceptual browsing component: PBC)들을 도시한다.

Claims (4)

  1. 영상의 텍스쳐 특징(texture feature)들을 기술하는 영상 텍스쳐 기술자(descriptor)를 추출하는 방법에 있어서,
    (a) 서로 다른 방향성(orientation) 계수들을 가지는 필터들을 사용하여 입력 영상을 각각 필터링하는 단계;
    (b) 상기 필터링된 각 영상별로, X축 및 Y축 방향의 각각의 축 상의 픽셀 값들의 합을 구한 후 정규화하고, 픽셀값의 디렉셔널(directional) 평균값들로 이루어진 다수의 데이터 그룹들을 구하는 단계;
    (c) 상기 데이터 그룹들 중에서 후보 데이터 그룹들을 선택하는 단계;
    (d) 상기 후보 데이터 그룹들을 필터링하는데 사용된 상기 필터들의 방향성 계수들을 기초로 복수 개의 표시자(indicator)들을 결정하는 단계; 및
    (e) 상기 복수 개의 표시자들을 상기 영상의 텍스쳐 기술자로서 결정하는 단계를 포함하는 것을 특징으로 하는 영상 텍스쳐 기술자 추출 방법.
  2. 제1항에 있어서,
    상기 단계 (a)는,
    (a1) 서로 다른 스케일(scale) 계수들을 가지는 필터들을 사용하여 입력 영상들을 필터링하는 단계를 더 포함하고,
    상기 단계 (d)는,
    (d1) 상기 후보 데이터 그룹들을 필터링하는데 사용된 상기 필터들의 스케일 계수들을 기초로 복수 개의 표시자들을 결정하는 단계를 더 포함하는 것을 특징으로 하는 영상 텍스쳐 기술자 추출 방법.
  3. 제2항에 있어서,
    (f) 상기 선택된 후보 데이터 그룹들을 필터링하는데 사용된 필터들의 방향성 계수들, 상기 스케일 계수들과 근접한 또는 동일한 방향성 계수들, 또는 방향성 계수들을 가지는 필터들에 의해 필터링된 데이터 그룹들의 존재를 기초로 다른 하나의 표시자를 결정하는 단계를 더 포함하는 것을 특징으로 하는 영상 텍스쳐 기술자 추출 방법.
  4. 제3항에 있어서,
    (g) 상기 필터링된 영상들 각각에 대하여 픽셀들의 평균 및 분산을 계산하고 상기 평균 및 분산을 요소(elements)로 하는 벡터를 얻는 단계를 더 포함하는 것을 특징으로 하는 영상 텍스쳐 기술자 추출 방법.
KR10-2004-7001080A 1999-02-05 2000-02-03 영상 텍스쳐 기술자 추출 방법 KR100483832B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11874099P 1999-02-05 1999-02-05
US60/118,740 1999-02-05

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR10-2001-7009442A Division KR100444776B1 (ko) 1999-02-05 2000-02-03 영상 텍스쳐 추출 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20040023678A KR20040023678A (ko) 2004-03-18
KR100483832B1 true KR100483832B1 (ko) 2005-04-20

Family

ID=22380454

Family Applications (5)

Application Number Title Priority Date Filing Date
KR10-2004-7001080A KR100483832B1 (ko) 1999-02-05 2000-02-03 영상 텍스쳐 기술자 추출 방법
KR10-2001-7009442A KR100444776B1 (ko) 1999-02-05 2000-02-03 영상 텍스쳐 추출 방법 및 그 장치
KR10-2004-7001078A KR100452064B1 (ko) 1999-02-05 2000-02-03 디지털 영상 처리 장치
KR10-2004-7001082A KR100444778B1 (ko) 1999-02-05 2000-02-03 영상 텍스쳐 추출 방법 및 그 장치
KR10-2004-7001081A KR100444777B1 (ko) 1999-02-05 2000-02-03 영상 텍스쳐 추출 방법 및 그 방법을 실현시키기 위한프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체

Family Applications After (4)

Application Number Title Priority Date Filing Date
KR10-2001-7009442A KR100444776B1 (ko) 1999-02-05 2000-02-03 영상 텍스쳐 추출 방법 및 그 장치
KR10-2004-7001078A KR100452064B1 (ko) 1999-02-05 2000-02-03 디지털 영상 처리 장치
KR10-2004-7001082A KR100444778B1 (ko) 1999-02-05 2000-02-03 영상 텍스쳐 추출 방법 및 그 장치
KR10-2004-7001081A KR100444777B1 (ko) 1999-02-05 2000-02-03 영상 텍스쳐 추출 방법 및 그 방법을 실현시키기 위한프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체

Country Status (16)

Country Link
US (3) US6624821B1 (ko)
EP (3) EP1777658B1 (ko)
JP (2) JP2002536750A (ko)
KR (5) KR100483832B1 (ko)
CN (2) CN100405399C (ko)
AT (3) ATE371231T1 (ko)
AU (1) AU775858B2 (ko)
BR (1) BR0007956A (ko)
CA (2) CA2625839A1 (ko)
DE (3) DE60045319D1 (ko)
MX (1) MXPA01007845A (ko)
MY (2) MY128897A (ko)
NZ (1) NZ513144A (ko)
SG (1) SG142124A1 (ko)
TW (1) TW528990B (ko)
WO (1) WO2000046750A1 (ko)

Families Citing this family (105)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003252765B2 (en) * 1999-02-05 2006-06-29 Samsung Electronics Co., Ltd. Image texture retrieving method and apparatus thereof
KR100308456B1 (ko) * 1999-07-09 2001-11-02 오길록 주파수 공간상에서의 질감표현방법 및 질감기반 검색방법
KR100355404B1 (ko) 1999-12-03 2002-10-11 삼성전자 주식회사 주파수 공간상에서의 가보 필터를 이용한 질감표현방법 및질감기반 영상 검색방법
US6977659B2 (en) * 2001-10-11 2005-12-20 At & T Corp. Texture replacement in video sequences and images
US7606435B1 (en) 2002-02-21 2009-10-20 At&T Intellectual Property Ii, L.P. System and method for encoding and decoding using texture replacement
KR100908384B1 (ko) * 2002-06-25 2009-07-20 주식회사 케이티 블록상관계수를 이용한 영역기반 질감 추출 장치 및 그 방법
JP2005122361A (ja) * 2003-10-15 2005-05-12 Sony Computer Entertainment Inc 画像処理装置及び方法、コンピュータプログラム、記録媒体
US7415145B2 (en) * 2003-12-30 2008-08-19 General Electric Company Methods and apparatus for artifact reduction
JP4747881B2 (ja) * 2006-02-27 2011-08-17 セイコーエプソン株式会社 演算処理装置によるデータ変換方法、テクスチャの作成方法、プログラム、記録媒体、及びプロジェクタ。
JP2009539841A (ja) * 2006-06-06 2009-11-19 トラークス，インコーポレイテッド 自己免疫疾患の治療における抗ｃｄ３抗体の投与
EP1870836A1 (en) * 2006-06-22 2007-12-26 THOMSON Licensing Method and device to determine a descriptor for a signal representing a multimedia item, device for retrieving items in a database, device for classification of multimedia items in a database
JP5358083B2 (ja) * 2007-11-01 2013-12-04 株式会社日立製作所 人物画像検索装置及び画像検索装置
US7924290B2 (en) * 2007-05-30 2011-04-12 Nvidia Corporation Method and system for processing texture samples with programmable offset positions
KR101394154B1 (ko) 2007-10-16 2014-05-14 삼성전자주식회사 미디어 컨텐츠 및 메타데이터를 부호화하는 방법과 그 장치
JO3076B1 (ar) 2007-10-17 2017-03-15 Janssen Alzheimer Immunotherap نظم العلاج المناعي المعتمد على حالة apoe
US20140321756A9 (en) * 2008-05-27 2014-10-30 Samsung Electronics Co., Ltd. System and method for circling detection based on object trajectory
US8483431B2 (en) 2008-05-27 2013-07-09 Samsung Electronics Co., Ltd. System and method for estimating the centers of moving objects in a video sequence
US8107726B2 (en) * 2008-06-18 2012-01-31 Samsung Electronics Co., Ltd. System and method for class-specific object segmentation of image data
US8433101B2 (en) * 2008-07-31 2013-04-30 Samsung Electronics Co., Ltd. System and method for waving detection based on object trajectory
US20100027845A1 (en) * 2008-07-31 2010-02-04 Samsung Electronics Co., Ltd. System and method for motion detection based on object trajectory
US8073818B2 (en) * 2008-10-03 2011-12-06 Microsoft Corporation Co-location visual pattern mining for near-duplicate image retrieval
KR101194605B1 (ko) * 2008-12-22 2012-10-25 한국전자통신연구원 시간 연속적 텍스쳐 합성 장치 및 방법
KR101028628B1 (ko) 2008-12-29 2011-04-11 포항공과대학교 산학협력단 영상 텍스쳐 필터링 방법, 이를 수행하는 프로그램을 기록한 기록매체 및 이를 수행하는 장치
US8321422B1 (en) 2009-04-23 2012-11-27 Google Inc. Fast covariance matrix generation
US8396325B1 (en) 2009-04-27 2013-03-12 Google Inc. Image enhancement through discrete patch optimization
US8611695B1 (en) 2009-04-27 2013-12-17 Google Inc. Large scale patch search
US8391634B1 (en) * 2009-04-28 2013-03-05 Google Inc. Illumination estimation for images
US8385662B1 (en) 2009-04-30 2013-02-26 Google Inc. Principal component analysis based seed generation for clustering analysis
US8798393B2 (en) 2010-12-01 2014-08-05 Google Inc. Removing illumination variation from images
US9228026B2 (en) 2010-12-06 2016-01-05 Seattle Genetics, Inc. Humanized antibodies to LIV-1 and use of same to treat cancer
US8738280B2 (en) * 2011-06-09 2014-05-27 Autotalks Ltd. Methods for activity reduction in pedestrian-to-vehicle communication networks
LT3378535T (lt) 2011-10-28 2023-02-27 Prothena Biosciences Limited Humanizuoti antikūnai, atpažįstantys alfa-sinukleiną
US8790644B2 (en) 2012-01-27 2014-07-29 Neotope Biosciences Limited Humanized antibodies that recognize alpha-synuclein
US20130309223A1 (en) 2012-05-18 2013-11-21 Seattle Genetics, Inc. CD33 Antibodies And Use Of Same To Treat Cancer
UA118441C2 (uk) 2012-10-08 2019-01-25 Протена Біосаєнсиз Лімітед Антитіло, що розпізнає альфа-синуклеїн
AU2014248515B2 (en) 2013-03-13 2019-03-07 Prothena Biosciences Limited Tau immunotherapy
US10513555B2 (en) 2013-07-04 2019-12-24 Prothena Biosciences Limited Antibody formulations and methods
US9951131B2 (en) 2013-07-12 2018-04-24 Prothena Biosciences Limited Antibodies that recognize IAPP
US9850302B2 (en) 2013-07-12 2017-12-26 Prothena Biosciences Limited Antibodies that recognize IAPP
KR101713690B1 (ko) * 2013-10-25 2017-03-08 한국전자통신연구원 특징 선택 방법을 이용한 비주얼 기술자 추출 방법 및 시스템
US11191832B2 (en) 2013-11-19 2021-12-07 Prothena Biosciences Limited Monitoring immunotherapy of Lewy body disease from constipation symptoms
WO2015136472A1 (en) 2014-03-12 2015-09-17 Prothena Biosciences Limited Anti-laminin4 antibodies specific for lg4-5
US10407506B2 (en) 2014-03-12 2019-09-10 Prothena Biosciences Limited Anti-MCAM antibodies and associated methods of use
TW201623331A (zh) 2014-03-12 2016-07-01 普羅帝納生物科學公司 抗黑色素瘤細胞黏著分子（ｍｃａｍ）抗體類及使用彼等之相關方法
US20170158755A1 (en) 2014-03-12 2017-06-08 Prothena Biosciences Limited Anti-laminin4 antibodies specific for lg1-3
US20170002077A1 (en) 2014-03-13 2017-01-05 Prothena Biosciences Limited Combination treatment for multiple sclerosis
CA2944402A1 (en) 2014-04-08 2015-10-15 Prothena Biosciences Limited Blood-brain barrier shuttles containing antibodies recognizing alpha-synuclein
US9840553B2 (en) 2014-06-28 2017-12-12 Kodiak Sciences Inc. Dual PDGF/VEGF antagonists
KR102260805B1 (ko) * 2014-08-06 2021-06-07 삼성전자주식회사 이미지 검색 장치 및 그 방법
US20160075772A1 (en) 2014-09-12 2016-03-17 Regeneron Pharmaceuticals, Inc. Treatment of Fibrodysplasia Ossificans Progressiva
KR102258100B1 (ko) * 2014-11-18 2021-05-28 삼성전자주식회사 텍스쳐 처리 방법 및 장치
TWI718122B (zh) 2015-01-28 2021-02-11 愛爾蘭商普羅佘納生物科技有限公司 抗甲狀腺素運送蛋白抗體
TWI711631B (zh) 2015-01-28 2020-12-01 愛爾蘭商普羅佘納生物科技有限公司 抗甲狀腺素運送蛋白抗體
TWI718121B (zh) 2015-01-28 2021-02-11 愛爾蘭商普羅佘納生物科技有限公司 抗甲狀腺素運送蛋白抗體
KR20170140318A (ko) 2015-04-29 2017-12-20 리제너론 파마슈티칼스 인코포레이티드 진행성 골화성 섬유이형성증의 치료
US10162878B2 (en) 2015-05-21 2018-12-25 Tibco Software Inc. System and method for agglomerative clustering
WO2016197307A1 (en) 2015-06-08 2016-12-15 SZ DJI Technology Co., Ltd. Methods and apparatus for image processing
KR101627974B1 (ko) * 2015-06-19 2016-06-14 인하대학교 산학협력단 영상 블러에 강인한 영상 특징 기술자 생성 방법 및 장치
SG10202005460RA (en) 2015-06-30 2020-07-29 Seattle Genetics Inc Anti-ntb-a antibodies and related compositions and methods
CN105183752B (zh) * 2015-07-13 2018-08-10 中国电子科技集团公司第十研究所 关联查询红外视频图像特定内容的方法
WO2017046776A2 (en) 2015-09-16 2017-03-23 Prothena Biosciences Limited Use of anti-mcam antibodies for treatment or prophylaxis of giant cell arteritis, polymyalgia rheumatica or takayasu's arteritis
WO2017046774A2 (en) 2015-09-16 2017-03-23 Prothena Biosciences Limited Use of anti-mcam antibodies for treatment or prophylaxis of giant cell arteritis, polymyalgia rheumatica or takayasu's arteritis
AU2016381964B2 (en) 2015-12-30 2024-02-15 Kodiak Sciences Inc. Antibodies and conjugates thereof
WO2017149513A1 (en) 2016-03-03 2017-09-08 Prothena Biosciences Limited Anti-mcam antibodies and associated methods of use
MY191649A (en) 2016-03-04 2022-07-05 Jn Biosciences Llc Antibodies to tigit
WO2017153953A1 (en) 2016-03-09 2017-09-14 Prothena Biosciences Limited Use of anti-mcam antibodies for treatment or prophylaxis of granulomatous lung diseases
WO2017153955A1 (en) 2016-03-09 2017-09-14 Prothena Biosciences Limited Use of anti-mcam antibodies for treatment or prophylaxis of granulomatous lung diseases
CA3022765A1 (en) 2016-05-02 2017-11-09 Prothena Biosciences Limited Antibodies recognizing tau
JP7481726B2 (ja) 2016-05-02 2024-05-13 プロセナ バイオサイエンシーズ リミテッド タウ認識抗体
ES2933491T3 (es) 2016-05-02 2023-02-09 Prothena Biosciences Ltd Inmunoterapia tau
WO2017208210A1 (en) 2016-06-03 2017-12-07 Prothena Biosciences Limited Anti-mcam antibodies and associated methods of use
EP3478714A2 (en) 2016-07-02 2019-05-08 Prothena Biosciences Limited Anti-transthyretin antibodies
EP3478715A2 (en) 2016-07-02 2019-05-08 Prothena Biosciences Limited Anti-transthyretin antibodies
WO2018007924A2 (en) 2016-07-02 2018-01-11 Prothena Biosciences Limited Anti-transthyretin antibodies
AU2018250695A1 (en) 2017-04-14 2019-11-07 Kodiak Sciences Inc. Complement factor D antagonist antibodies and conjugates thereof
KR20200030029A (ko) 2017-05-02 2020-03-19 프로테나 바이오사이언시즈 리미티드 타우 인식 항체
WO2019064053A1 (en) 2017-09-28 2019-04-04 Prothena Biosciences Limited DOSAGE REGIMES FOR THE TREATMENT OF SYNUCLEINOPATHIES
EP3508499A1 (en) 2018-01-08 2019-07-10 iOmx Therapeutics AG Antibodies targeting, and other modulators of, an immunoglobulin gene associated with resistance against anti-tumour immune responses, and uses thereof
JP2021534196A (ja) 2018-08-23 2021-12-09 シージェン インコーポレイテッド 抗ｔｉｇｉｔ抗体
CA3117816A1 (en) 2018-11-26 2020-06-04 Forty Seven, Inc. Humanized antibodies against c-kit
US20220023348A1 (en) 2018-11-28 2022-01-27 Forty Seven, Inc. Genetically modified hspcs resistant to ablation regime
CN109670423A (zh) * 2018-12-05 2019-04-23 依通（北京）科技有限公司 一种基于深度学习的图像识别***、方法及介质
BR112021015477A2 (pt) 2019-02-05 2021-12-28 Seagen Inc Anticorpos anti-cd228 e conjugados anticorpo-fármaco
TW202100550A (zh) 2019-03-03 2021-01-01 愛爾蘭商普羅帝納生物科學公司 識別ｔａｕ之抗體
EP3994171A1 (en) 2019-07-05 2022-05-11 iOmx Therapeutics AG Antibodies binding igc2 of igsf11 (vsig3) and uses thereof
AU2020358859A1 (en) 2019-10-04 2022-05-12 Seagen Inc. Anti-PD-L1 antibodies and antibody-drug conjugates
EP4041312A4 (en) 2019-10-10 2023-12-20 Kodiak Sciences Inc. METHOD FOR TREATING AN EYE DISORDER
EP3822288A1 (en) 2019-11-18 2021-05-19 Deutsches Krebsforschungszentrum, Stiftung des öffentlichen Rechts Antibodies targeting, and other modulators of, the cd276 antigen, and uses thereof
BR112022013589A2 (pt) 2020-01-08 2022-09-13 Regeneron Pharma Tratamento da fibrodisplasia ossificante progressiva
CA3176257A1 (en) 2020-03-26 2021-09-30 Seagen Inc. Methods of treating multiple myeloma
BR112022024221A2 (pt) 2020-06-02 2022-12-20 Arcus Biosciences Inc Anticorpos para tigit
EP4175668A1 (en) 2020-07-06 2023-05-10 iOmx Therapeutics AG Antibodies binding igv of igsf11 (vsig3) and uses thereof
TW202221034A (zh) 2020-08-04 2022-06-01 美商西根公司 抗ｃｄ２２８抗體和抗體－藥物共軛體
CA3173151A1 (en) 2020-11-03 2022-05-12 Deutsches Krebsforschungszentrum Stiftung Des Offentlichen Rechts Target-cell restricted, costimulatory, bispecific and bivalent anti-cd28 antibodies
WO2022162203A1 (en) 2021-01-28 2022-08-04 Vaccinvent Gmbh Method and means for modulating b-cell mediated immune responses
EP4284422A1 (en) 2021-01-28 2023-12-06 Vaccinvent GmbH Method and means for modulating b-cell mediated immune responses
CN117120084A (zh) 2021-01-28 2023-11-24 维肯芬特有限责任公司 用于调节b细胞介导的免疫应答的方法和手段
KR20230165911A (ko) 2021-04-09 2023-12-05 씨젠 인크. 항-tigit 항체를 사용한 암의 치료 방법
TW202327650A (zh) 2021-09-23 2023-07-16 美商思進公司 治療多發性骨髓瘤之方法
WO2023201267A1 (en) 2022-04-13 2023-10-19 Gilead Sciences, Inc. Combination therapy for treating trop-2 expressing cancers
WO2023201268A1 (en) 2022-04-13 2023-10-19 Gilead Sciences, Inc. Combination therapy for treating tumor antigen expressing cancers
TW202409083A (zh) 2022-05-02 2024-03-01 美商阿克思生物科學有限公司 抗-tigit抗體及其用途
WO2024068777A1 (en) 2022-09-28 2024-04-04 Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts Modified ace2 proteins with improved activity against sars-cov-2
WO2024097816A1 (en) 2022-11-03 2024-05-10 Seagen Inc. Anti-avb6 antibodies and antibody-drug conjugates and their use in the treatment of cancer
WO2024108053A1 (en) 2022-11-17 2024-05-23 Sanofi Ceacam5 antibody-drug conjugates and methods of use thereof

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3010588B2 (ja) * 1991-05-01 2000-02-21 松下電器産業株式会社 パターン位置決め装置とパターン類別装置
US5579471A (en) 1992-11-09 1996-11-26 International Business Machines Corporation Image query system and method
US5659626A (en) * 1994-10-20 1997-08-19 Calspan Corporation Fingerprint identification system
AU4985096A (en) * 1995-03-02 1996-09-18 Parametric Technology Corporation Computer graphics system for creating and enhancing texture maps
JPH09101970A (ja) * 1995-10-06 1997-04-15 Omron Corp 画像検索方法および画像検索装置
JP3645024B2 (ja) * 1996-02-06 2005-05-11 株式会社ソニー・コンピュータエンタテインメント 描画装置及び描画方法
JPH09251554A (ja) * 1996-03-18 1997-09-22 Nippon Telegr & Teleph Corp <Ntt> 画像処理装置
JP3609225B2 (ja) * 1996-11-25 2005-01-12 日本電信電話株式会社 類似オブジェクト検索装置
US6381365B2 (en) * 1997-08-22 2002-04-30 Minolta Co., Ltd. Image data processing apparatus and image data processing method
US6192150B1 (en) * 1998-11-16 2001-02-20 National University Of Singapore Invariant texture matching method for image retrieval
US6424741B1 (en) * 1999-03-19 2002-07-23 Samsung Electronics Co., Ltd. Apparatus for analyzing image texture and method therefor
US6594391B1 (en) * 1999-09-03 2003-07-15 Lucent Technologies Inc. Method and apparatus for texture analysis and replicability determination
KR100788642B1 (ko) * 1999-10-01 2007-12-26 삼성전자주식회사 디지털 영상 텍스쳐 분석 방법
KR100355404B1 (ko) * 1999-12-03 2002-10-11 삼성전자 주식회사 주파수 공간상에서의 가보 필터를 이용한 질감표현방법 및질감기반 영상 검색방법

Also Published As

Publication number Publication date
AU775858B2 (en) 2004-08-19
EP1453000A2 (en) 2004-09-01
CA2625839A1 (en) 2000-08-10
KR100444778B1 (ko) 2004-08-18
NZ513144A (en) 2003-05-30
EP1453000A3 (en) 2004-10-20
KR100452064B1 (ko) 2004-10-08
KR100444777B1 (ko) 2004-08-18
JP2004158042A (ja) 2004-06-03
DE60036082T2 (de) 2008-06-12
AU2464600A (en) 2000-08-25
CN1341248A (zh) 2002-03-20
DE60045319D1 (de) 2011-01-13
EP1777658A1 (en) 2007-04-25
KR20040023679A (ko) 2004-03-18
WO2000046750A1 (en) 2000-08-10
JP2002536750A (ja) 2002-10-29
EP1777658B1 (en) 2008-01-23
EP1153365A4 (en) 2002-11-06
US6624821B1 (en) 2003-09-23
US20030193510A1 (en) 2003-10-16
KR20040023680A (ko) 2004-03-18
US7027065B2 (en) 2006-04-11
KR20040023676A (ko) 2004-03-18
SG142124A1 (en) 2008-05-28
BR0007956A (pt) 2002-04-09
MXPA01007845A (es) 2004-06-22
KR20040023678A (ko) 2004-03-18
CN1523537A (zh) 2004-08-25
EP1153365B1 (en) 2007-08-22
CN100405399C (zh) 2008-07-23
DE60037919T2 (de) 2009-07-09
US7199803B2 (en) 2007-04-03
ATE490518T1 (de) 2010-12-15
EP1153365A1 (en) 2001-11-14
EP1453000B1 (en) 2010-12-01
ATE371231T1 (de) 2007-09-15
DE60036082D1 (de) 2007-10-04
CA2361492A1 (en) 2000-08-10
KR20010113667A (ko) 2001-12-28
KR100444776B1 (ko) 2004-08-16
DE60037919D1 (de) 2008-03-13
ATE385007T1 (de) 2008-02-15
MY138084A (en) 2009-04-30
CN100489892C (zh) 2009-05-20
TW528990B (en) 2003-04-21
MY128897A (en) 2007-02-28
US20040169658A1 (en) 2004-09-02

Similar Documents

Publication Publication Date Title
KR100483832B1 (ko) 영상 텍스쳐 기술자 추출 방법
CN111401177B (zh) 基于自适应时空注意力机制的端到端行为识别方法及***
EP1233374B1 (en) Apparatus and method for extracting objects based on feature matching between segmented regions in images
JP5414416B2 (ja) 情報処理装置及び方法
US20120301014A1 (en) Learning to rank local interest points
US20110085728A1 (en) Detecting near duplicate images
CN111125416A (zh) 一种基于多特征融合的图像检索方法
CN103324753A (zh) 基于共生稀疏直方图的图像检索方法
CN116994034A (zh) 一种基于特征金字塔的小目标检测算法
AU2003252765B2 (en) Image texture retrieving method and apparatus thereof
Krig et al. Global and Regional Features
Chen et al. An efficient framework for location-based scene matching in image databases
Huang et al. A Method for Content-Based Image Retrieval with a Two-Stage Feature Matching
Anish et al. ADVANCING IMAGE RETRIEVAL: UNITING ATTENTION-POWERED CONVNETS WITH SIFT FEATURES
CN117079160A (zh) 无人机图像识别网络训练方法、应用方法及电子设备
CN118155029A (zh) 基于深度学习的红外和可见光图像融合和目标检测方法
Wolf et al. Image saliency mapping and ranking using an extensible visual attention model based on MPEG-7 feature descriptors
Park et al. Content-based classification of images using centroid neural network with divergence measure
Shen et al. DeepContour: A Deep Convolutional Feature Learned by Positive-sharing Loss for Contour Detection draft version, CVPR2015

Legal Events

Date Code Title Description
A107 Divisional application of patent
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20120329

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20130328

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20160330

Year of fee payment: 12

FPAY Annual fee payment

Payment date: 20170330

Year of fee payment: 13

LAPS Lapse due to unpaid annual fee