[논문 리뷰] Gray Level Co-Occurrence Matrices: Generalisation and Some New Features

Bino Sebastian V, A. Unnikrishnan외 1명|arXiv (Cornell University)|2012. 05. 22.

Image Retrieval and Classification Techniques인용 수 42

한 줄 요약

이 논문은 콘텐츠 기반 이미지 검색(CBIR) 작업에서 기존 Haralick 특징보다 우수한 성능을 보이는 새로운 텍스처 기술자로 회색 수준 공존 행렬(GLCM)에서 유도된 트레이스 특징을 소개한다. 연구는 GLCM를 n차원 화소 강도 이미지로 일반화하고, 실험을 통해 트레이스 특징이 향상된 성능을 보임을 입증한다.

ABSTRACT

Gray Level Co-occurrence Matrices (GLCM) are one of the earliest techniques used for image texture analysis. In this paper we defined a new feature called trace extracted from the GLCM and its implications in texture analysis are discussed in the context of Content Based Image Retrieval (CBIR). The theoretical extension of GLCM to n-dimensional gray scale images are also discussed. The results indicate that trace features outperform Haralick features when applied to CBIR.

연구 동기 및 목표

• n차원 화소 강도 이미지에 적용 가능한 일반화된 Gray Level Co-Occurrence Matrices(GLCM) 프레임워크를 개발하는 것.
• GLCM에서 유도된 새로운 텍스처 특징 '트레이스'를 제안하여 향상된 텍스처 표현을 가능하게 하는 것.
• 콘텐츠 기반 이미지 검색(CBIR) 작업에서 트레이스 특징의 성능을 기존의 잘 알려진 Haralick 특징과 비교 평가하는 것.
• 트레이스 특징이 텍스처 분류 작업에서 효과적인 이유에 대한 이론적 및 실험적 근거를 제공하는 것.

제안 방법

• 공존 개념을 2차원 이미지 이상으로 확장하여 n차원 화소 강도 이미지에 대한 GLCM를 정의하는 것.
• GLCM의 대각선 원소들의 합으로 정의된 트레이스 특징을 유도함. 즉, 트레이스 = Σ p(i,i)이며, 여기서 p(i,j)는 화소 강도 i와 j의 동시확률이다.
• 표준 GLCM 특징과 결합하여 트레이스 특징을 텍스처 기술자로 활용하여 이미지 표현을 수행하는 것.
• 기준 데이터셋을 사용하여 CBIR 작업에 제안된 특징 집합을 적용하고 검색 정확도를 평가하는 것.
• 표준 평가 지표를 사용하여 트레이스 특징의 성능을 기존의 전통적 Haralick 특징과 비교하는 것.
• 공간적 관계를 다중 차원에서 고려함으로써 GLCM 수학적 구조를 다차원 이미지 데이터 처리에 일반화하는 것.

실험 결과

연구 질문

• RQ1 GLCM 프레임워크는 어떻게 n차원 화소 강도 이미지로 확장될 수 있는가?
• RQ2 GLCM에서 추출된 트레이스 특징의 이론적 및 실용적 의의는 무엇인가?
• RQ3 기존의 표준 Haralick 특징과 비교해 볼 때 트레이스 특징은 텍스처 구분 능력을 향상시키는가?
• RQ4 기존 방법과 비교해 실제 CBIR 응용에서 트레이스 기반 특징 집합은 어떻게 성능을 발휘하는가?
• RQ5 텍스처 분석에서 트레이스를 균일성 또는 균일성의 척도로 사용할 경우의 의미는 무엇인가?

주요 결과

• GLCM의 대각선 원소들의 합으로 정의된 트레이스 특징은 텍스처의 균일성을 효과적으로 캡처하며, 강력한 분류 능력을 보임.
• 일반화된 GLCM 프레임워크는 공존 개념을 n차원 이미지 데이터로 성공적으로 확장하여 더 넓은 적용 가능성을 확보함.
• 실험 결과, 트레이스 특징이 CBIR 기준 데이터셋에서 기존의 전통적 Haralick 특징보다 검색 정확도에서 뛰어난 성능을 보임.
• 특히 균일한 텍스처와 비균일한 텍스처를 구분하는 데 있어 트레이스 특징이 뛰어난 강건성과 일관성을 보임.
• 기본 Haralick 특징 대비 기준 성능에 비해 더 높은 정밀도와 재현율을 달성함.
• 트레이스 특징의 이론적 기반은 타당하며, 대trast 및 균일성과 같은 알려진 텍스처 특성과 일치함.