[논문 리뷰] Shape DNA: Basic Generating Functions for Geometric Moment Invariants

Erbo Li, Yazhou Huang외 2명|arXiv (Cornell University)|2017. 03. 07.

Image Retrieval and Classification Techniques참고 문헌 23인용 수 7

한 줄 요약

이 논문은 기하 모멘트 불변량(GMIs)을 구성하기 위한 '형상 DNA'로 작용하는 두 가지 기본 생성 함수—점 벡터의 내적과 벡터(외적) 곱—을 도입한다. 이러한 함수들을 다중 적분을 통해 조합함으로써 원시 불변량(PIs)을 유도하며, 이는 히우의 일곱 개의 불변량을 포함한 모든 알려진 GMIs를 더 단순하고 독립적인 구성 요소로 분해한다. 이 방법은 2차원 및 3차원 기하 분석을 위한 저차수, 독립적인 불변량을 통합적이고 체계적으로 구성할 수 있게 하여 더 깊이 있는 구조적 이해와 고차원 및 다양체 기반 응용에 확장 가능한 프레임워크를 제공한다.

ABSTRACT

Geometric moment invariants (GMIs) have been widely used as basic tool in shape analysis and information retrieval. Their structure and characteristics determine efficiency and effectiveness. Two fundamental building blocks or generating functions (GFs) for invariants are discovered, which are dot product and vector product of point vectors in Euclidean space. The primitive invariants (PIs) can be derived by carefully selecting different products of GFs and calculating the corresponding multiple integrals, which translates polynomials of coordinates of point vectors into geometric moments. Then the invariants themselves are expressed in the form of product of moments. This procedure is just like DNA encoding proteins. All GMIs available in the literature can be decomposed into linear combinations of PIs. This paper shows that Hu's seven well known GMIs in computer vision have a more deep structure, which can be further divided into combination of simpler PIs. In practical uses, low order independent GMIs are of particular interest. In this paper, a set of PIs for similarity transformation and affine transformation in 2D are presented, which are simpler to use, and some of which are newly reported. The discovery of the two generating functions provides a new perspective of better understanding shapes in 2D and 3D Euclidean spaces, and the method proposed can be further extended to higher dimensional spaces and different manifolds, such as curves, surfaces and so on.

연구 동기 및 목표

• 형상 분석에서 모든 기하 모멘트 불변량(GMIs)을 뒷받침하는 기본 구성 요소—생성 함수(GFs)—를 규명하는 것.
• 2차원 및 3차원 유클리드 공간에서 유사성 및 아핀 변환을 위한 독립적이고 저차수의 GMIs를 체계적으로 구성하는 방법을 개발하는 것.
• 기존의 불변량, 예를 들어 히우의 일곱 개의 불변량을 더 단순하고 원시적인 불변량(PIs)으로 재표현하고 분해하여 더 깊은 구조적 관계를 드러내는 것.
• 이 프레임워크를 고차원 공간과 곡선, 표면과 같은 다양체로 일반화하여 형상 검색 및 인식 분야에 더 넓은 적용 가능성을 확보하는 것.

제안 방법

• 유클리드 공간 내 점 벡터의 내적과 벡터(외적) 곱을 핵심 생성 함수(GFs)로 제안하며, 이는 형상 불변량의 기초 'DNA'로 기능한다.
• 좌표의 다항식 표현을 기하 모멘트로 변환하기 위해 점 벡터에 대한 다중 적분을 사용하며, 이는 불변량 구성의 기초를 이룬다.
• GF의 조합을 선택하고 그 곱을 모멘트 기반 표현으로 평가함으로써 원시 불변량(PIs)을 도출하며, 이는 독립성과 저차수를 보장한다.
• GF 분석을 적용하여 히우의 잘 알려진 일곱 개의 기하 모멘트 불변량을 더 단순한 PIs로 분해함으로써 그 내재된 구조적 단순성을 드러낸다.
• 2차원에서 유사성 및 아핀 변환에 대해 독립적인 불변량의 완전한 집합을 구성하였으며, 그 중 일부는 새로 보고된 것이다.
• 일반화된 모멘트 통합을 통해 3차원 및 고차원 공간, 비정적 다양체인 곡선과 표면으로 프레임워크를 확장한다.

실험 결과

연구 질문

• RQ1 2차원 및 3차원 유클리드 공간에서 모든 기하 모멘트 불변량을 체계적으로 생성할 수 있는 기본 생성 함수는 무엇인가?
• RQ2 히우의 일곱 개의 잘 알려진 모멘트 불변량은 어떻게 더 단순하고 원시적인 불변량(PIs)으로 구조적으로 분해될 수 있는가?
• RQ3 유사성 및 아핀 변환에 대해 2차원에서 최소이면서 독립적인 저차수 불변량 집합을 구성할 수 있는가? 이는 실용적 사용성을 향상시킬 수 있는가?
• RQ4 GF 기반 프레임워크는 어느 정도 고차원 공간과 곡선, 표면과 같은 다양한 기하 다양체로 일반화될 수 있는가?

주요 결과

• 점 벡터의 내적과 벡터(외적) 곱은 모든 기하 모멘트 불변량의 'DNA'로 작용하는 두 가지 기본 생성 함수(GFs)로 규명되었다.
• 히우의 일곱 개를 포함한 모든 알려진 기하 모멘트 불변량은 원시 불변량(PIs)의 선형 조합으로 분해될 수 있으며, 이는 더 깊이 있는 구조적 계층을 드러낸다.
• 유사성 및 아핀 변환에 대해 2차원에서 새로운 최소 집합의 독립적이고 저차수의 불변량을 제안하였으며, 일부는 새로 보고된 것으로서 계산이 더 간단하다.
• 고차수 다항식 불변량에서 발생하는 수치적 불안정성 문제를 피하기 위해 저차수 PIs에 집중함으로써 불변량의 안정적이고 효율적인 계산이 가능해진다.
• 일반화된 모멘트 통합을 통해 3차원 및 고차원 공간, 곡선과 표면과 같은 다양체로 프레임워크를 확장할 수 있다.
• GF 기반 접근은 불변량을 이해하고 생성하기 위한 통합적인 대수적 및 기하학적 프레임워크를 제공하며, 형상 검색, 물체 인식 및 패턴 분류 분야에 직접적인 영향을 미친다.