[논문 리뷰] Image Colour Segmentation by Genetic Algorithms

Vitorino Ramos, Fernando Muge|ArXiv.org|2004. 12. 17.

Image Retrieval and Classification Techniques참고 문헌 20인용 수 33

한 줄 요약

이 논문은 색상 특징 공간에서 분할을 최적화하기 위해 k-Means 군집화를 통합한 유전 알고리즘(GA) 기반의 비지도 색상 이미지 분할 방법을 제안한다. 분할을 NP-완전 최적화 문제로 포지셔닝함으로써, 군집 중심과 분할 수를 진화시켜 문양이 있는 이미지, 장식 돌 및 피부 병변에 대해 최소한의 사용자 입력으로 효과적인 성능을 보여준다.

ABSTRACT

Segmentation of a colour image composed of different kinds of texture regions can be a hard problem, namely to compute for an exact texture fields and a decision of the optimum number of segmentation areas in an image when it contains similar and/or unstationary texture fields. In this work, a method is described for evolving adaptive procedures for these problems. In many real world applications data clustering constitutes a fundamental issue whenever behavioural or feature domains can be mapped into topological domains. We formulate the segmentation problem upon such images as an optimisation problem and adopt evolutionary strategy of Genetic Algorithms for the clustering of small regions in colour feature space. The present approach uses k-Means unsupervised clustering methods into Genetic Algorithms, namely for guiding this last Evolutionary Algorithm in his search for finding the optimal or sub-optimal data partition, task that as we know, requires a non-trivial search because of its intrinsic NP-complete nature. To solve this task, the appropriate genetic coding is also discussed, since this is a key aspect in the implementation. Our purpose is to demonstrate the efficiency of Genetic Algorithms to automatic and unsupervised texture segmentation. Some examples in Colour Maps, Ornamental Stones and in Human Skin Mark segmentation are presented and overall results discussed. KEYWORDS: Genetic Algorithms, Colour Image Segmentation, Classification, Clustering.

연구 동기 및 목표

• 유사하거나 비정적 문양 영역을 포함한 이미지에서 비지도 색상 이미지 분할 과제를 해결하기 위해.
• 사전 지식 없이 최적의 분할 영역 수를 자동으로 결정하기 위해.
• 진화 계산을 활용해 복잡한 문양 분야에서 군집화 정확도와 강인성을 향상시키기 위해.
• 유전 알고리즘 프레임워크 내에서 k-Means 군집화를 통합하여 적응적이고 글로벌 최적화를 수행하기 위해.
• 색상 지ap, 장식 돌 및 인간 피부 병변을 포함한 실제 이미지에서 방법을 검증하기 위해.

제안 방법

• 분할 문제를 색상 특징 공간에서의 글로벌 최적화 과제로 공식화한다.
• 사용자 정의 챔버론 표현을 통해 군집 파라미터를 표현한 유전 알고리즘을 사용하여 군집 중심과 군집 수를 진화시킨다.
• 군집 내 밀도와 군집 간 분리도를 기반으로 분할 품질을 평가하는 피트니스 함수를 사용하며, k-Means 군집화에 의해 이끌린다.
• 각 세대에서 군집 할당을 개선하고 수렴성을 향상시키기 위해 GA 내부에서 k-Means 알고리즘을 활용한다.
• 선택, 교차 및 변이와 같은 유전 연산자를 적용하여 최적 또는 부분 최적 분할에 도달하도록 해법을 진화시킨다.
• 하이브리드 접근 방식을 통해 구현: GA가 탐색을 이끌고, k-Means가 각 세대에서 국소 최적화를 수행한다.

실험 결과

연구 질문

• RQ1 사전 지식 없이 유전 알고리즘이 색상 이미지 분할에서 군집의 수와 위치를 효과적으로 최적화할 수 있는가?
• RQ2 GA 프레임워크 내에 k-Means를 통합함으로써 문양이 있는 이미지에서 분할 정확도는 어떻게 향상되는가?
• RQ3 이 하이브리드 접근 방식은 실제 이미지에서 유사하거나 비정적 문양 영역을 어느 정도 잘 처리할 수 있는가?
• RQ4 제안된 방법은 다양한 이미지 유형에서 강인하고 자동으로 분할을 수행할 수 있는가?
• RQ5 이 방법은 색상 지도, 장식 돌 및 피부 병변과 같은 벤치마크 이미지에서 어떤 성능을 보이는가?

주요 결과

• 제안된 GA-k-Means 하이브리드 방법은 유사하거나 비정적 영역을 포함한 복잡한 무늬 패턴을 가진 색상 이미지를 성공적으로 분할한다.
• 이 방법은 사용자가 지정한 군집 수가 필요 없이 자동으로 분할 영역 수를 결정한다.
• 색상 지도, 장식 돌 및 인간 피부 병변에 대한 결과는 최소한의 수동 간섭으로도 시각적으로 일관되고 정확한 분할을 보여준다.
• GA 내부에 k-Means를 통합함으로써 최적화 과정의 수렴성과 안정성이 향상된다.
• 기존 군집화 방법이 실패하는 도전적인 분할 과제에서도 이 방법은 강인성을 보여준다.
• 실제 데이터셋에서 경쟁적인 성능을 달성하여, 이 방법이 비지도 색상 분할에 효과적임을 검증한다.