In analyzing natural scene images, texture plays an important role because such images are full of various textures.
Although texture is crucial information in analyzing natural scene images, the texture segmentation problem is still hard to solve since the texture often exhibit non-uniform statistical characteristics.
Although there are several supervised approaches that partition an image according to pre-defined semantic categories,
the ever-changing appearances in the natural images make such schemes intractable.
To overcome this limitation, we propose a novel unsupervised texture segmentation method for natural images by using the Region-based Markov Random Field(RMRF) model which enforces the spatial coherence between neighbor regions.
We introduce the concept of pivot regions which play a decisive role to incorporate local data interaction.
By forcing pivot regions adhere to initial labels, we make the Markov Random Field evolve fast and precisely.
The proposed algorithm based on the pivot regions and the MRF for encapsulating spatial dependencies between neighborhoods yields high performance for the unsupervised segmentation of natural scene images.
Quantitative and qualitative evaluations prove that the proposed method achieves comparable results with other algorithms.
질감 특성이 강하게 나타나는 자연 영상의 분할은 영상처리와 컴퓨터 비젼에서 다루는 어려운 문제이며 활발하게 연구되는 분야 중 하나이다.
자연 영상에서 질감은 매우 풍부하게 나타나 영상 분할에 중요한 역할을 한다.
하지만 부분적인 빛, 그림자, 가림 등의 다양한 영향이 자연 영상의 질감 분할을 어렵게 만든다.
또한, 질감은 같은 자연 영상의 부류에 속한다 할지라도 다르게 나타날 수 있기 때문에
우리는 비감독형 방식을 선택하여 질감 분할을 수행하였다.
특히, 상향식 모형을 이용하여 단계가 진화할 수록 작은 세그멘트가 점점 병합되어 최종 결과를 이끌어 내도록 설계하였다.
또한, 작은 질감 단위들의 반복인 질감을 효과적으로 다루기 위해 공간적으로 주변과의 관계를 모델링하는 마코프 랜덤 필드를 도입하여 성능 향상을 꾀하였다.
제안하는 방법은 가장 먼저 과분할이 선행되고, 크기가 매우 작아 질감 특성을 왜곡하는 세그멘트의 병합이 이어진다.
이후 각 세그멘트의 질감과 색깔 특성을 바탕으로 주변의 세그멘트와 병합하여,
명확한 질감 특성을 보이는 세그멘트가 큰 면적을 갖도록 만들어준다.
큰 면적을 가지는 상위 세그멘트를 마코프 랜덤 필드의 레이블을 정하는데,
이 때 레이블의 갯수는 입력 영상 적응적으로 정해진다.
각 세그멘트와 레이블 사이의 특징 차이를 마코프 랜덤 필드의 에너지로 구축한 후,
에너지 최소화 문제를 풀면 최종 질감 분할 결과를 얻게 된다.
우리가 제안하는 알고리즘의 성능을 평가하기 위해 다양한 자연 영상에 대해 실험을 실시하였다.
정량적 및 정성적 비교를 통해 제안하는 알고리즘이 최근 다른 알고리즘보다 우수한 성능을 보임을 확인하였다.
