Content based image retrievals are more and more important in processing image data in the multimedia age. Among these methods, color based image retrieval among them quantizes color distribution of images respectively and measure similarities among them[1,2,3].
Conventional algorithms use 3-dimensional histograms and turn out to be remarkably robust in variations such as a change in orientation, a shift in viewing position, a change in the scene background, partial occlusion, or even a radical change in shape[1]. However, the method neglects affinity with the human perception of color similarity (i.e., a red image and a blue image have the same dissimilarity from an orange one). In order to correct this discrepancy, Harfer uses a weighing factor, but this method has a higher computational complexity than the histogram intersection[4]. Another problem is that the number of bins in a histogram is quite large[4,5,6]. Particularly, it is hard to quantize color space finely with a small number of bin numbers because of quantization structure limits. In order to correct the demerit, 1-dimentional histogram, which independently quantizes three coordinates, is used. This method sometimes produces a color classification mistake which retrieves the worst image[7].
Multi-quantization which consists of three finely quantized 1-dimensional histograms and one coarsely quantized 3-dimensional histogram is proposed as a solution[8]. This method considers an adjacent color without additional special calculation complexity and has a good result in similar image retrievals and sub-image retrievals. Particularly in the cases that color distribution peaks in some regions such as opponent color space, HSV color space, YCbCr color space and so on. Using finely divided color spaced quantization, better results are obtained[9]. Therefore, multi-quatization, which quantizes color space finely with a small number of bins without color classification mistakes, has better results than any other methods.
멀티미디어 시대에 영상 자료를 처리함에 있어 내용 기반 검색 방법은 그 중요성이 부각되어 지고 있다. 그 중의 한 분야인 색을 이용한 검색 방법으로는 각 이미지의 고유한 색 분포에 대해 양자화를 하고 이에 대한 유사도를 비교하는 방법이 사용된다[1,2,3].
기존 알고리즘은 주로 3차원 히스토그램을 사용하였는데 주위 배경에 대한 물체의 혼란, 물체를 보는 각도에 의한 물체 인식 능력, 차단과 다양한 해상도 등에 강한 장점을 가지고 있다[1]. 그러나 이 방법만으로는 인접 빈에 대한 고려 요소가 없어 경우에 따라 사람이 인식하는 것과 차이를 보일 수가 있다. 즉 오렌지 색 이미지가 파란색 이미지보다 붉은색 이미지에 더 가까움에도 불구하고 이를 구별 할 수 없다. 이에 하퍼는 먼 빈보다 가까운 빈에 가중치를 주어 이를 구별하고자 하였으나 많은 계산량을 요구하는 단점을 가지고 있다[4]. 그리고 3차원 히스토그램의 경우 사용된 빈 수에 비해 색 분포를 세밀하게 양자화하기 힘들다[4,5,6]. 이에 대한 극복으로 1차원 히스토그램의 경우 각 축에 대해 독립적으로 양자화하여 적은 빈 수로 색 분포를 세밀하게 양자화할 수는 있으나 양자화 구조상의 오류로 엉뚱한 이미지가 가까운 이미지로 찾아질 가능성을 내포하고 있다[7].
제안하고자 하는 다중 양자화 방법은 이러한 문제를 극복하고자 한 개의 거칠게 양자화된 삼차원 히스토그램과 세 개의 세밀하게 양자화된 일차원 히스토그램을 사용하였다[8]. 이 방법은 특별한 계산량의 추가 없이 인접 색에 대한 고려가 가능하여 유사 이미지 검색이나 서브 이미지 검색에 좋은 결과를 가진다. 특히 보색 색 공간, HSV 색 공간 또는 YCbCr 색 공간 등과 같이 색 분포가 일부 영역에 집중되는 색 공간에서의 양자화의 경우 세밀화 할수록 좀더 좋은 결과를 얻을 수 있는데 적은 빈 수로도 양자화 구조상의 오류 없이 세밀하게 양자화 할 수 있는 다중 양자화의 경우 기존 알고리즘에 비해 효율적인 결과를 얻을 수 있다[9].
