시계열 매칭 기술을 이용한 스케일링-불변 및 부분 노이즈 제거를 지원하는 윤곽선 이미지 매칭 :Boundary Image Matching Supporting Scaling-Invariant and Partial Denoising Using Time-Series Matching Techniques

김범수

추천

검색

자료유형: 학위논문

저자정보: 김범수 (강원대학교, 강원대학교 대학원)

지도교수: 문양세

발행연도: 2013

저작권: 강원대학교 논문은 저작권에 의해 보호받습니다.

이용수3

이 논문의 연구 히스토리 (5)

2019

대용량 이미지 데이터베이스를 위한 부분 노이즈제거를 지원하는 윤곽선 매칭 시스템 설계 및 구현

김범수 , 김진욱 한국컴퓨터정보학회논문지 2019.05 학술저널

2013

시계열 매칭 기술을 이용한 스케일링-불변 및 부분 노이즈 제거를 지원하는 윤곽선 이미지 매칭

김범수 컴퓨터 2013.01 학위논문

2012

스케일링-불변 윤곽선 이미지 매칭 시스템의 설계 및 구현

김범수 , 김상필 , 문양세 외 1명 한국정보과학회 학술발표논문집 2012.06 학술대회자료

2009

2008년도 학생논문 경진대회 수상작 - 시계열 이동평균 변환을 이용한 노이즈 제어 윤곽선 이미지 매칭

김범수 , 문양세 , 김진호 정보과학회논문지 : 데이타베이스 2009.08 학술저널

스케일링 불변 지원 윤곽선 이미지 매칭

김범수 , 문양세 , 길명선 한국정보과학회 학술발표논문집 2009.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 논문에서는 이미지 도메인의 문제를 시계열 도메인 문제로 변환하여 해결하는 방법을 제안한다. 윤곽선 이미지 매칭에서 이미지의 왜곡을 제거하는 것은 직관적이고 정확한 매칭을 위해 매우 중요한 요소이다. 그런데, 고려 대상인 이미지의 스케일링 및 부분 노이즈는 무한하기 때문에, 이러한 왜곡을 고려하는 매칭은 매우 어려운 문제(challenging problem)이다. 본 논문에서는 윤곽선 이미지 매칭 중 이미지의 스케일링과 부분 노이즈 문제를 다룬다.
먼저, 스케일링-불변 윤곽선 이미지 매칭을 시계열 도메인에서 해결한다. 이를 위해, 먼저 스케일링 거리(scaling distance)를 정의하고, 이를 구하는 보간 기반 계산법을 제시한다. 다음으로, 두 윤곽선 이미지간의 스케일링-불변 거리(scaling-invariant distance) 개념을 제시한다. 본 논문에서는 스케일링-불변 거리의 상한과 하한을 구하는 방법을 제안하고, 이를 바탕으로 두 이미지의 유사성 여부를 판단하는 분할-정복 전략 기반의 재귀 알고리즘들을 제시한다. 마지막으로, 스케일링-불변 윤곽선 이미지 매칭을 수행하기 위한 순차 매칭과 인덱스 기반 매칭을 각각 제안한다.
다음으로, 부분 노이즈 제거 윤곽선 이미지 매칭을 시계열 도메인에서 해결한다. 이를 위해, 먼저 부분 노이즈 제거 시계열(partial denoising time-series)을 정의하여 이미지 도메인이 아닌 시계열 도메인에서 신속하게 문제를 해결하는 방법을 제안한다. 다음으로, 두 윤곽선 이미지, 즉 질의 시계열과 데이터 시계열에서 구성된 부분 노이즈 제거 시계열들, 간에 가질 수 있는 최소거리인 부분 노이즈 제거 거리(partial denoising distance)를 제시한다. 본 논문에서는 이를 두 윤곽선 이미지 간의 유사성 척도로 사용하여 이미지 매칭을 수행한다. 그러나, 부분 노이즈 제거 거리를 측정하기 위해 많은 계산이 빈번하게 발생하여 매우 큰 오버헤드를 가지므로, 본 논문에서는 부분 노이즈 제거 거리의 하한을 구하는 방법을 제안한다. 마지막으로, 부분 노이즈 제거 윤곽선 이미지 매칭의 질의 방식에 따라 범위 질의 매칭과 k-NN 질의 매칭을 각각 제안한다.
실험 결과, 제안한 방법들은 직관적이고 정확한 매칭을 수행하는 것으로 나타났다. 또한, 본 논문에서 제안한 스케일링-불변의 인덱스 기반 매칭과 부분 노이즈 제거 이미지 매칭의 개선된 알고리즘은 기본 매칭 알고리즘에 비해 그 성능을 수 배에서 수십 배까지 향상시킴을 성능 실험을 통해 확인하였다. 향후 연구로는 유클리디안 거리 대신 DTW 거리를 사용하도록 연구를 확장하는 것과 부분 노이즈 제거 윤곽선 이미지 매칭에서는 인덱스 기반 매칭 연구로 확장해 나갈 예정이다.

In this paper, we propose solutions to problems of boundary image matching by converting the image domain to the time-series domain. Removing distortion is an essential factor for the more intuitive and more accurate results in boundary image matching. We note that supporting the scaling-invariance and removing partial noise is a challenging problem since the number of possible scaling factors and partial noise is infinite. In this paper we address the scaling-invariant and partial denoising problems in boundary image matching.
First, we solve the scaling-invariant problem in the time-series domain instead of the image domain. To solve the problem, we define the scaling distance between boundary images and present an interpolation-based method to compute this distance in the time-series domain, and we propose the notion of scaling-invariant distance between boundary images. We also present how to compute its lower and upper bounds. Using these lower and upper bounds we propose recursive algorithms that use the divide-and-conquer strategy for determining the scaling-invariant similarity between boundary images. We finally propose sequential and index-based matching methods, respectively.
Second, we solve partial denoising boundary image matching in the time-series domain. To solve this problem, we first define partial denoising time-series which can be generated from an original image time-series by removing a variety of partial noise and propose an efficient mechanism that quickly obtains those partial denoising time-series in the time-series domain rather than the image domain. We next present the partial denoising distance, whch is the minimum distance from a query time-series to all possible partial denoising time-series generated from a data time-series, and we use this partial denoising distance as a similarity measure in boundary image matching. Using the partial denoising distance, however, incurs a severe computational overhead since there are a large number of partial denoising time-series to be considered. To solve this problem, we derive a tight lower bound for the partial denoising distance and formally prove its correctness. We also propose range and k-NN search algorithms exploiting the partial denoising distance in boundary image matching.
Experimental results show that proposed methods get more intuitive and more accurate results. In addition, compared with the simple matching algorithms, we finally show that our index-based algorithm in scaling-invariant boundary image matching and our advanced algorithm using the lower bound in partial denoising boundary image matching improve search performance by up to an order of magnitude through extensive experiments. As the future work, we may consider the DTW distance instead of the Euclidean distance, and we also may consider an index-based matching in partial denoising boundary image matching.

#시계열 매칭 #시계열 데이터베이스 #데이터 마이닝 #윤곽선 이미지 매칭 #이동평균 변환 #스케일링-불변 #부분 노이즈 제거

목 차
1. 서 론 1
2. 관련 연구 9
2.1 시계열 매칭 9
2.2 이미지 매칭 11
3. 시계열 매칭 기술을 이용한 스케일링-불변 윤곽선 이미지 매칭 15
3.1 스케일링 거리와 스케일링-불변 거리 15
3.1.1 스케일링 거리와 이의 계산 15
3.1.2 스케일링-불변 거리와 이의 상한 및 하한 20
3.2 스케일링-불변 유사 이미지 판단 알고리즘 24
3.3 스케일링-불변 윤곽선 이미지 매칭 29
3.3.1 순차 매칭 29
3.3.2 인덱스 기반 매칭 30
3.4 성능 평가 33
3.4.1 실험 데이터 및 환경 33
3.4.2 스케일링-불변 윤곽선 이미지 매칭 검색 결과 36
3.4.3 스케일링-불변 검색과 회전-불변 검색 비교 40
3.4.4 스케일링-불변 유사 이미지 판단 알고리즘 비교 44
3.4.5 순차 매칭과 인덱스 기반 매칭 비교 46
4. 시계열 매칭 기술을 이용한 부분 노이즈 제거 윤곽선 이미지 매칭 50
4.1 문제 정의 및 기본 해결책 50
4.2 기본 매칭 알고리즘 55
4.3 부분 노이즈 제거 거리의 하한 58
4.4 하한 기반의 개선된 매칭 알고리즘 60
4.5 성능 평가 62
4.5.1 실험 데이터 및 환경 62
4.5.2 부분 노이즈 제거 윤곽선 이미지 매칭 검색 결과 63
4.5.3 검색 시간 평가 67
5. 결 론 71
참고문헌 74
영문초록 80

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (5)

초록· 키워드

목차

최근 본 자료

댓글(0)