[논문 리뷰] Evolutionary Optimisation Methods for Template Based Image Registration

Lukasz Machowski, Tshilidzi Marwala|arXiv (Cornell University)|2007. 05. 11.

Advanced Vision and Imaging참고 문헌 9인용 수 5

한 줄 요약

이 논문은 템플릿 기반 이미지 레지지스트레이션을 위한 네 가지 최적화 방법—유전 알고리즘(GA), 시뮬레이티드 어닐링(SA), 입자 군집 최적화(PSO), 널더-미드 심플렉스—을 평가한다. 오차 최소화 기반으로 수평, 수직, 스케일링 파라미터를 고려하며, SA가 가장 정밀하고, GA가 가장 정확하며, PSO는 균형 잡힌 대안이며, 심플렉스는 국소 최소값에 갇히기 쉬운 것으로 나타났다. 향상시키기 위해 사전 처리와 이산 최적화 방법을 제안한다.

ABSTRACT

This paper investigates the use of evolutionary optimisation techniques to register a template with a scene image. An error function is created to measure the correspondence of the template to the image. The problem presented here is to optimise the horizontal, vertical and scaling parameters that register the template with the scene. The Genetic Algorithm, Simulated Annealing and Particle Swarm Optimisations are compared to a Nelder-Mead Simplex optimisation with starting points chosen in a pre-processing stage. The paper investigates the precision and accuracy of each method and shows that all four methods perform favourably for image registration. SA is the most precise, GA is the most accurate. PSO is a good mix of both and the Simplex method returns local minima the most. A pre-processing stage should be investigated for the evolutionary methods in order to improve performance. Discrete versions of the optimisation methods should be investigated to further improve computational performance.

연구 동기 및 목표

• 템플릿 기반 이미지 레지지스트레이션의 정확도와 정밀도 향상을 위한 진화 최적화 기법을 평가하기 위해.
• 유전 알고리즘, 시뮬레이티드 어닐링, 입자 군집 최적화, 널더-미드 심플렉스의 성능을 비교하여 템플릿을 장면 이미지에 레지지스트레이션하는 데에 사용하기 위해.
• 수렴성, 강인성, 계산 효율성 측면에서 각 방법의 강점과 한계를 규명하기 위해.
• 사전 처리를 통한 진화 방법 향상 및 이산 최적화 변형 탐색과 같은 개선 방안을 제안하기 위해.

제안 방법

• 템플릿-장면 대응 관계를 측정하기 위한 오차 함수를 정의하여 최적화의 目적 함수로 사용한다.
• 유전 알고리즘은 선택, 교차, 변이 연산자를 사용하여 매개변수 집합(이동 및 스케일링)의 집단을 진화시킨다.
• 시뮬레이티드 어닐링은 온도 스케줄을 사용한 확률적 탐색을 통해 국소 최소값을 회피하고 매개변수 공간을 탐색한다.
• 입자 군집 최적화는 탐색 공간 내에서 개별 최적 및 전역 최적 솔루션을 기반으로 입자 위치를 갱신한다.
• 널더-미드 심플렉스 방법은 반사, 확장, 압축 연산을 사용하는 심플렉스 형태의 매개변수 점 집합을 기반으로 직접 탐색을 수행한다.
• 최적화 방법의 수렴성을 향상시키기 위해 초기 시작점을 선택하는 사전 처리 단계를 적용한다.

실험 결과

연구 질문

• RQ1 다양한 진화 최적화 방법이 템플릿 기반 이미지 레지지스트레이션에서 정밀도와 정확도 측면에서 어떻게 비교되는가?
• RQ2 시뮬레이티드 어닐링, 유전 알고리즘, 입자 군집 최적화, 널더-미드 심플렉스가 레지지스트레이션 오차를 최소화하는 데에 어떤 성능을 보이는가?
• RQ3 초기 시작점의 선택이 수렴성과 해의 품질에 어떤 영향을 미치는가?
• RQ4 진화 방법이 국소 최적화 기법인 널더-미드 심플렉스보다 국소 최소값을 피하는 데 얼마나 뛰어난가?
• RQ5 이러한 맥락에서 진화 방법의 성능을 향상시키기 위해 어떤 개선 조치를 취할 수 있는가?

주요 결과

• 시뮬레이티드 어닐링은 최적의 레지지스트레이션 매개변수를 찾는 데 가장 높은 정밀도를 보였다.
• 유전 알고리즘은 가장 높은 정확도를 달성하여 항상 전역 최적해에 가까운 해를 찾았다.
• 입자 군집 최적화는 뛰어난 정밀도와 정확도를 동시에 확보하여 균형 잡힌 성능을 보였다.
• 널더-미드 심플렉스 방법은 자주 국소 최소값에 수렴하여 이 문제에 대해 제한된 강인성을 보였다.
• 진화 최적화 방법의 성능 향상을 위해 초기 시작점을 선택하는 사전 처리가 권장된다.