In this paper, we propose to solve the problem of extracting the boundary of an object. It is one of the most significant problems in image processing, computer vision, and pattern recognition.
The conventional methods for this problem can be classified into two classes: model-free and model-based algorithm. The model-free algorithms generally use local properties, such as gray level, texture, or color. These local features can be useful, but these features are sensitive to noise and are not as expressive as a global shape. The model-base algorithms, such as G-snake [23], AI-snake [24], point distribution model [25], Eigensnake [28], and AI-Eigensanke [29], constrain on the overall shape using prior knowledge of a specific object shape built from a training set of image. These methods, however, search only in the normal direction toward the strongest image edge, which therefore would not discriminate well between nearby edges and could fail to converge adequately. And the shape deformations of these methods are modeled using linear combinations of the eigenvectors of variations from the mean shape. For these, it is necessary to sample boundary points into equivalent number, which could cause the problem of point correspondence among training images.
The proposed method solves these problems using the curvature of boundary and the moments of overall shape obtained without sampling boundary points. It's formulated by Bayesian rule based on prior knowledge and likelihood derived from the edge and curvature information of the input image. To find high curvature points correspond to mean curvature of training shapes makes convergence of discriminate function fast. The prior knowledge is described as shape model based on moment for overcoming correspondence problem, which is effective to extract more accurate boundary.
Moment formulated from contour sequence of object has two new properties available in the algorithm of extracting boundary; the relationship of moments for leading low computational cost, and the derivation of gradient function of moment for representing variation of moment related to the deformation of a local template.
In addition, the proposed method is expanded to multi-class object case, where individual boundary extractor is designed using the basis vector set of each group clustered to reduce projection error. The final boundary is selected by means of Bayesian descriminant function proportional to the probabilistic similarity between a shape in an input image and the shapes of a group.
The simulation results show the robustness of the proposed method to noise, occlusion, and rotation. Compared with point distribution model and active contour model, our method decreases the computation cost through avoiding fluctuation of convergence and extracts more accurate boundary by solving correspondence problem.
본 논문은 물체의 윤곽선에 대한 정보를 가지고 있는 학습 영상들이 주어졌을 때 이를 사전지식으로 활용하여 적외선 영상과 같이 물체와 배경의 구분이 어려운 저화질 영상이나 배경이 복잡한 영상으로부터 물체 윤곽선을 검출하기 위한 기법을 제안하였다.
제안하는 윤곽선 검출 기법에서는 학습 영상들의 윤곽선 정보를 효율적으로 이용하기 위해서, PDM의 윤곽선 에지 정보와 윤곽선의 곡률 정보를 모두 다루는 SSM과, 부가적으로 표본화에 의한 대응 문제를 해결하는 모멘트 모델을 첨가한 ESSM을 정의였다. 그리고 이 모양 모델로 표현되는 윤곽선이 영상 내에 존재할 확률에 비례하는 판별 함수를 Bayesian 법칙의 사후 확률 최대화에 근거하여 정량적으로 유도하였다. 회전, 평행 이동, 그리고 크기를 나타내는 4개의 자세 계수들과 통계적 모양 모델의 N 개의 고유벡터 계수들에 의해 표현되는 가변형 윤곽선 템플릿은 윤곽선 검출 과정에서 이 판별 함수에 의해 실제 윤곽선과 동일하도록 변형된다.
윤곽선의 위치 정보만 이용하는 기존 기법과는 달리, 제안 기법은 윤곽선의 곡률과 전역적인 특징인 모멘트를 이용함으로써, 더욱 정확한 윤곽선 획득을 가능케 하고, 가변형 윤곽선 템플릿이 실제 윤곽선의 대응 위치를 보다 빨리 찾도록 유도함으로써 구현 과정에서의 반복 횟수를 줄이며, PDM이 가지는 표본화에 의한 대응 문제를 해결 하였다. 본 논문에서 이용하는 모멘트는 기존의 영역 전체의 화소로부터 얻는 모멘트보다 적은 연산 시간으로 얻을 수 있는 윤곽선 기반의 모멘트이다. 이 모멘트는 윤곽선의 한 점이 미세하게 변할 때 모멘트의 변화량을 유도할 수 있고, 이로 인해 모멘트로부터 윤곽선 모양의 복구를 가능케 하였다.
모의 실험에서는 곡률을 이용하는 제안한 기법이 기존의 PDM보다 빨리 최적해에 수렴하며, 잡음과 가려짐 현상에 강인한 특징을 가짐을 보였다. 또한 윤곽선 기반 모멘트가 영역 기반 모멘트 보다 빠른 시간에 얻을 수 있음을 합성 영상과 일반 물체 영상에 대해 증명하였고, 모멘트의 변화량을 이용하는 SEPMM을 통해서 표본화와 이로 인한 대응 문제 때문에 초래되는 기존 기법의 부정확한 윤곽선 표현을 개선한 결과를 제시하였다. 마지막으로 배경과 물체의 구분이 명확하지 않은 저화질의 적외선 영상으로부터 차량 윤곽선을 검출하는 모의 실험에 ESSM을 적용하여 성능을 증명하였다.
부가적으로 학습 영상들의 모양이 서로 다른 물체 정보로 구성되어 있고 입력 영상 내에 어떠한 물체가 존재하는지 모르는 상황에 대처하기 위해서, 앞서 제안한 기법을 MESSM로 확장하였다. 이 기법은 unsupervised clustering 기법을 통해 학습 영상 세트를 비슷한 윤곽선 특징 분포를 가지는 그룹으로 분할한 후 그룹 별로 각각의 기저 벡터를 할당함으로써 각 그룹의 윤곽선 모델들을 구성한다. 윤곽선 검출 과정에서는 각각의 기저 벡터 집합을 가지는 윤곽선 검출기들을 병렬적으로 수행한 후, 주어진 그룹의 학습 영상들과 유사한 윤곽선이 입력 영상에 존재할 에너지를 나타내는 Bayesian 판별 함수에 의해 윤곽선 검출기들의 결과들 중 하나가 최종 결과로서 도출된다. 모의 실험에서는 2가지 종류의 합성 영상에 대해 모든 학습 영상으로부터 얻은 하나의 기저 벡터 집합을 이용하는 기존 기법과 제안 기법의 성능을 비교하였으며, ATR 시스템에 제안 기법을 적용하여 적외선 영상들로부터 윤곽선을 검출한 결과를 제시하였다.
