온톨로지를 이용한 이미지내 객체 사이의 의미 정보 추론 :Inference of semantic information of the object in the image using ontology

김지원

추천

검색

자료유형: 학위논문

저자정보: 김지원 (호남대학교, 호남대학교 대학원)

지도교수: 김철원

발행연도: 2018

저작권: 호남대학교 논문은 저작권에 의해 보호받습니다.

이용수0

이 논문의 연구 히스토리 (2)

2020

온톨로지를 이용한 이미지내 객체사이의 의미 정보 추론

김지원 , 김철원 한국전자통신학회 논문지 2020.01 학술저널

2018

온톨로지를 이용한 이미지내 객체 사이의 의미 정보 추론

김지원 컴퓨터공학과 2018.01 학위논문

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

초록· 키워드

오류제보하기

이미지와 같은 멀티미디어 정보들의 증가로 저수준의 시각 정보에서 고수준의 의미 정보를 추출하는 방법에 대한 연구가 이루어지고 있으며, 이러한 정보를 자동으로 생성하는 다양한 기술들이 연구되고 있다. 그 중 영역기반 이미지 검색은 이미지를 유사한 성질(컬러-질감-모양)을 가진 영역으로 나눈 후, 나누어진 각 영역에 대해서 정보를 추출하여 저장하는 방법을 사용한다. 나누어진 영역은 전체 이미지와는 다르게 유사한 성질을 가지고 있으므로 저차원의 정보로도 정확하게 표현할 수 있다. 그러나 이미지의 다양한 형태와 특성들의 의미를 파악할 수 없기 때문에 이미지를 검색할 경우 개념적으로 명령과 다른 이미지가 검색될 수 있다.
그래서 이러한 단점을 보완하고자 온톨로지를 접목한 방법들이 제안되고 있다. 이 방법들은 의미정보와 이미지간의 관계를 표현한다. 한 장의 전체이미지와 다른 한 장의 전체이미지 사이의 유사도를 이용하는 방법이다. 이때, 보통의 경우 객체가 검색에서 중요한 부분을 차지한다는 가정 하에 주요 객체를 추출하여 사용하고 그 외의 다른 정보는 사용하지 않는다. 그러나 주요 객체가 없는 이미지도 있으며, 객체가 있어도 이미지 검색에서 중요한 부분을 차지하지 않을 수도 있다. 또한 객체를 추출하여 검색한다 하더라도 is-a 관계 즉, 포함관계만을 표현하므로 사람이 생각하는 의미적으로 비슷한 이미지를 검색하기는 어렵다. 이 경우 한 장의 이미지에 여러 객체가 있거나 그 객체들 사이의 관계를 표현하기 힘들다. 이러한 기술들은 대부분 한 장의 이미지에 하나의 정보를 추출하므로 이미지 내에 여러 객체가 조합되어 있는 경우 의미 정보를 추출하기 어렵다.
본 논문에서는 이미지에서 객체뿐만 아니라 배경의 정보를 이용하여 검색하는 시스템을 제안한다. 이미지내의 여러 객체와 배경 등을 추출하기 위하여 우선 각각의 Low-level features들을 세그멘테이션하여 추출한다. 이때 세그멘테이션의 성능을 높이기 위해 K-means알고리즘을 이용하여 각각의 이미지에 적합한 K값을 구하는 방법을 제안한다. 이렇게 세그멘테이션을 이용한 저수준 특징을 이용하여 객체와 배경을 추출하고, 온톨로지를 이용하여 의미관계를 추론한다. 제안하는 방법은 주요 객체가 없는 이미지까지 검색할 수 있으며, 복잡한 이미지 처리도 가능하고 사용자가 생각하는 의미적으로 유사한 이미지를 보다 효율적으로 검색할 수 있다.

There is a large amount of multimedia data on the web page, and a method of extracting semantic information from low level visual information for accurate retrieval is being studied. Among the methods, the region-based image retrieval uses a method of dividing an image into regions having similar properties (color ? texture - shape) and then extracting and storing information for each divided region. Since the divided region has a similar property to that of the whole image, it can be expressed accurately even at low dimensional information. However, since the meaning of various types and properties of images can not be grasped, images conceptually different form command can be searched when searching for images.
To overcome these problems, we propose a method that uses ontology. These methods express the relationship between semantic information and image. It uses similarity between one whole image and another whole image. In this method, we use a primary object except for any other information on the assumption that object takes important section in extracting image usually. But there are images without primary object and even if they have primary object it may not be a important section. Though we search images by extracting object it only means ‘is-a’ relationship in other words, including relationship. So it is difficult to searching semantically similar image. In this case a single image has many objects or it is difficult to express relationship between one object and another object. These techniques mostly extract a information from a single image so, if there are many combined object it is difficult to extract semantic information.
To overcome these problems, we propose a method that uses ontology. These methods express the relationship between semantic information and image. It uses similarity between one whole image and another whole image. In this method, we use a primary object except for any other information on the assumption that object takes important section in extracting image usually. But there are images without primary object and even if they have primary object it may not be a important section. Though we search images by extracting object it only means ‘is-a’ relationship in other words, including relationship. So it is difficult to searching semantically similar image. In this case a single image has many objects or it is difficult to express relationship between one object and another object. These techniques mostly extract a information from a single image so, if there are many combined object it is difficult to extract semantic information.

목 차
제 1 장 서 론 1
제 1절 연구 배경 1
제 2절 연구 목적 4
제 2 장 관련 연구 5
제 1절 저수준의 특징 추출 5
1.1. Color 추출 5
1.2. Texture 추출 12
1.3. Shape 추출 19
1.4. 웨이블릿에 기초한 특징 추출 기법 22
제 2절 클러스터링 25
2.1. K-means 클러스터링 25
2.2. SVM 클러스터링 26
제 3절 이미지 검색 방법 28
3.1. 키워드 기반 이미지 검색 방식 28
3.2. 내용기반 이미지 검색 방식 28
3.3. 온톨로지를 이용한 이미지 검색 시스템 32
제 3장 온톨로지를 이용한 이미지내 객체 사이의 의미 정보 추론 39
제 1절 시스템 구조 및 설계 39
1.1. 이미지의 객체와 배경의 정의 40
제 2절 저수준 특징 추출과 세그멘테이션 41
2.1. 컬러 특징 추출 41
2.2. 웨이블릿을 이용한 모양 및 질감 특징 추출 42
2.3. K-means를 이용한 이미지 분할(Image Segmentation) 46
2.4. 배경과 객체의 분류 49
제 3절 온톨로지 구축 및 추론 50
3.1. 온톨로지 구축 51
3.2. 추론 65
제 4장 실험 및 평가 68
제 1절 실험 68
제 2절 평가 69
제 5장 결 론 74
참고문헌 75
영문요약(ABSTRACT) 83

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 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)