[논문 리뷰] Objective, Probabilistic, and Generalized Noise Level Dependent Classifications of sets of more or less 2D Periodic Images into Plane Symmetry Groups

Andrew Dempsey, Peter Moeck|arXiv (Cornell University)|2020. 09. 17.

Image Retrieval and Classification Techniques참고 문헌 36인용 수 4

한 줄 요약

이 논문은 푸리에 공간 분석을 통해 2차원 주기적 이미지를 평면 대칭군으로 분류하기 위한 객관적이고 확률적인 프레임워크를 제안한다. 이는 카나타니의 기하학적 아카이케 정보 기준(GAIC)과 가중치를 통합하여 소음 수준에 따라 조정 가능한 일반화된 대칭 분류를 가능하게 하며, 실제 이미지에서 주기적 반복 수가 부족하거나 주관적인 임계값이 문제되는 장기적인 과제를 통계적으로 근거를 둔 계층적 분류를 통해 해결한다.

ABSTRACT

Crystallographic symmetry classifications from real-world images with periodicities in two dimensions (2D) are of interest to crystallographers and practitioners of computer vision studies alike. Currently, these classifications are typically made by both communities in a subjective manner that relies on arbitrary thresholds for judgments, and are reported under the pretense of being definitive, which is impossible. Moreover, the computer vision community tends to use direct space methods to make such classifications instead of more powerful and computationally efficient Fourier space methods. This is because the proper functioning of those methods requires more periodic repeats of a unit cell motif than are commonly present in images analyzed by the computer vision community. We demonstrate a novel approach to plane symmetry group classifications that is enabled by Kenichi Kanatani's Geometric Akaike Information Criterion and associated Geometric Akaike weights. Our approach leverages the advantages of working in Fourier space, is well suited for handling the hierarchic nature of crystallographic symmetries, and yields probabilistic results that are generalized noise level dependent. The latter feature means crystallographic symmetry classifications can be updated when less noisy image data and more accurate processing algorithms become available. We demonstrate the ability of our approach to objectively estimate the plane symmetry and pseudosymmetries of sets of synthetic 2D-periodic images with varying amounts of red-green-blue and spread noise. Additionally, we suggest a simple solution to the problem of too few periodic repeats in an input image for practical application of Fourier space methods. In doing so, we effectively solve the decades-old and heretofore intractable problem from computer vision of symmetry detection and classification from images in the presence of noise.

연구 동기 및 목표

• 컴퓨터 시각 및 결정학 분야에서 2차원 주기적 이미지로부터의 주관적이고 임계값에 의존하는 대칭 분류 문제를 해결하기 위해.
• 실제 이미지에서 주기적 반복 수가 부족한 상황에서도 직접 공간 방법의 한계를 극복하고, 효율적이고 강력한 푸리에 공간 분류를 가능하게 하기 위해.
• 새로운 낮은 소음 데이터나 향상된 알고리즘이 제공될 경우 업데이트 가능한 일반화된, 소음 수준에 따라 조정되는 분류 시스템을 개발하기 위해.
• 분류에 대한 잘못된 확신을 방지하기 위해 대칭군 할당에 대한 신뢰도를 정량화하는 확률적 프레임워크를 제공하기 위해.
• 기하학적 정보 기준을 활용하여 결정학적 대칭 관계의 계층성을 통합한 통합적이고 계산적으로 효율적인 분류 모델을 구축하기 위해.

제안 방법

• 이 방법은 입력 이미지의 푸리에 변환에 대한 적합도를 기반으로 후보 평면 대칭군을 평가하고 순위를 매기기 위해 카나타니 켄이치의 기하학적 아카이케 정보 기준(GAIC)을 활용한다.
• 기하학적 아카이케 가중치를 사용하여 각 대칭군에 대한 사후 확률을 계산함으로써 불확실성과 데이터 품질을 반영하는 확률적이고 객관적인 분류를 가능하게 한다.
• 이 방법은 소음 수준에 따라 일반화되어 있어, 이미지 품질 향상 또는 새로운 데이터 확보 시 분류를 향상시킬 수 있다.
• 낮은 반복 수를 가진 이미지에서 주기적 반복 수를 인위적으로 증가시키는 새로운 데이터 증강 기법을 도입하여 효과적인 푸리에 공간 분석을 가능하게 한다.
• 결정학적 대칭의 계층성을 처리하기 위해 일관된 확률적 프레임워크 내에서 부분군과 상위군을 평가한다.
• 17개의 평면 결정학적 군의 수학적 구조를 활용하여 분류 결과의 일관성과 완전성을 보장한다.

실험 결과

연구 질문

• RQ1 2차원 주기적 이미지의 평면 대칭군 분류를 주관적이고 확정적인 방식에서 객관적이고 확률적인 방식으로 어떻게 전환할 수 있는가?
• RQ2 주기적 반복 수가 부족하여 신뢰할 수 있는 대칭 탐지가 어려운 이미지에 대해 푸리에 공간 방법을 최적으로 적용하는 방법은 무엇인가?
• RQ3 입력 이미지의 소음 수준을 어떻게 체계적으로 대칭 분류에 통합하여 향후 데이터 향상에 대비한 업데이트를 가능하게 할 수 있는가?
• RQ4 결정학적 대칭군 간의 계층적 관계를 확률적 설정에서 존중하는 통합 프레임워크를 개발할 수 있는가?
• RQ5 GAIC와 같은 정보 기준이 이미지 데이터로부터 대칭군 가설을 객관적으로 순위 매기는 데 어떤 역할을 하는가?

주요 결과

• 제안된 방법은 빨간색-초록색-파란색 및 산란 소음 수준이 다양한 합성 2차원 주기적 이미지를 성공적으로 분류하여 다양한 소음 조건에서도 강건성을 입증한다.
• GAIC 가중치에 기반한 확률적 대칭 할당은 임의의 임계값 설정에 대한 통계적으로 타당한 대안을 제공하며, 분류에 대한 잘못된 확신을 감소시킨다.
• 이 프레임워크는 일반화된, 소음 수준에 따라 조정 가능한 업데이트를 가능하게 하며, 향후 고해상도 데이터나 향상된 알고리즘이 제공될 경우 분류를 정밀하게 개선할 수 있다.
• 데이터 증강 기법은 주기적 반복 수 부족 문제를 효과적으로 완화하여, 실생활 이미지에 대한 푸리에 공간 분석의 가능성을 높인다.
• 메서드는 진정한 대칭과 가짜 대칭(가짜 대칭)을 모두 정확히 식별하며, 결과적으로 대칭군 후보 간 일관된 계층적 관계를 보여준다.
• 푸리에 스펙트럼의 전체 정보를 활용함으로써, 특히 소음이 많거나 반복 수가 적은 상황에서 전통적인 직접 공간 방법보다 정확도와 신뢰성 면에서 뛰어난 성능을 보인다.