[논문 리뷰] Fuzzy color model and clustering algorithm for color clustering problem

Dae‐Won Kim, Kwang H. Lee|arXiv (Cornell University)|2024. 07. 09.

Remote Sensing and Land Use인용 수 6

한 줄 요약

이 논문은 색상 불확실성을 나타내기 위해 CIELAB 공간에서 3차원 퍼지 색(ball) 모델과 이 모델을 이용한 색 데이터 파티션화를 위한 퍼지 클러스터링 알고리즘을 제안한다.

ABSTRACT

The research interest of this paper is focused on the efficient clustering task for an arbitrary color data. In order to tackle this problem, we have tried to model the inherent uncertainty and vagueness of color data using fuzzy color model. By taking fuzzy approach to color modeling, we could make a soft decision for the vague regions between neighboring colors. The proposed fuzzy color model defined a three dimensional fuzzy color ball and color membership computation method with two inter-color distances. With the fuzzy color model, we developed a new fuzzy clustering algorithm for an efficient partition of color data. Each fuzzy cluster set has a cluster prototype which is represented by fuzzy color centroid.

연구 동기 및 목표

• 색상 데이터의 불확실성과 지각적 모호성 아래 색상 클러스터링에 대한 동기를 부여한다.
• JND 기반 부피를 갖춘 3차원 퍼지 색 ball 표현을 도입한다.
• 색 원소 간 거리와 퍼지 색 간의 거리 정의한다.
• 색 데이터 분할을 위한 퍼지 색 중심점을 사용하는 퍼지 클러스터링 알고리즘을 개발한다.
• 클러스터링 결과 향상을 위한 기준 퍼지 색을 활용한 초기화 scheme를 제공한다.

제안 방법

• CIELAB 공간에서 중심과 JND 기반 반경을 갖는 3차원 퍼지 색 구(ball)을 정의한다.
• 두 가지 거리 측정치를 도입한다: 1) CIELAB 공간의 원소-원소 거리, 2) 중심과 JND를 고려하는 퍼지 색과 색 원소 간의 거리.
• 색 원소에 대한 합이 1이 되도록 퍼지 색의 멤버십 함수 μ를 정의한다.
• 퍼지 색 중심에 대한 가중 거리를 최소화하는 퍼지 클러스터링 목적 함수 J(F)를 수식화한다.
• 몬셀 휠의 기준 퍼지 색 및 CIELAB의 흰색/검은색/회색을 사용하여 중심점을 시드하는 초기화 방법을 제안한다.
• 각 퍼지 클러스터 중심을 퍼지 색 구(ball)로 나타내어 소프트 클러스터 할당을 가능하게 한다.

실험 결과

연구 질문

• RQ1 색상 불확실성과 지각적 모호성을 색상 클러스터링 프레임워크에 어떻게 모델링할 수 있는가?
• RQ2 퍼지 색 구(ball) 표현과 특수한 거리 측정치를 결합하면, 명확한(crisp) 방법에 비해 색상 데이터 클러스터링이 개선되는가?
• RQ3 이 맥락에서 색 클러스터에 대한 퍼지 멤버십은 어떻게 계산하고 제약해야 하는가(합이 1이 되도록)?
• RQ4 퍼지 색 기반 클러스터링에서 어떤 초기화 전략이 더 나은 수렴을 yield 하는가?
• RQ5 JND 기반 부피를 사용하는 것이 클러스터링에서 색상 유사성 판단에 어떤 영향을 미치는가?

주요 결과

• CIELAB 공간에서 3D 퍼지 구(ball)을 기반으로 색상 중심과 지각적 허용 오차를 JND 반경으로 표현한다.
• 두 가지 거리 측정: ρ 색 원소 간 거리와 δ 퍼지 색과 색 원소 간의 거리, 중심 거리와 JND를 포함한다.
• 퍼지 색에 대한 멤버십 함수 μ가 정의되어 어떠한 색 원소에 대해 멤버십이 1로 합산되며 퍼지 색 중심에 근접함을 반영한다.
• 퍼지 클러스터링 목적 함수 J(F)가 최소화되어 퍼지 클러스터에 색 데이터를 분할하고 중심은 퍼지 색으로 표현된다.
• 초기화 스킴은 몬셀의 바퀴에서 13개의 기준 퍼지 색과 CIELAB 축을 사용하여 클러스터 중심을 시드하고 초기화를 개선한다.
• 이 접근 방식은 색상 클러스터링에서 소프트 의사결정을 가능하게 하며 클러스터링을 위한 균일하고 지각적으로 기반한 색 공간을 제공한다.