3. 3/18
1. 서론
멀티미디어 데이터의 급증으로,멀티미디어 데이
터 정보검색은 사용자에게 접근 편리함을 제공
중요 Keyword : 검색 정확도
검색 딜레이
문제점 : 잘못된 대표 특징벡터로 인한 성능저하
대량의 영상 특징치 추출로 신속성저하
목적 : 유전자 알고리즘을 이용해 최소의 영상
특징 추출 알고리즘
5. 5/18
3. 내용기반 영상 특징(1)
주로 색상, 질감, 모양의 3가지 특징치
주로 자연영상 검색이므로 모양은 제외
6. 6/18
3. 내용기반 영상 특징(2)
- 색상 특징 추출
HSV 모델을 사용 – 인간의 시각능력에 유사
150 x 150 영상으로 사이즈 고정
15 x 15 블록으로 일정 크기로 분할
각 영역별로 HSV의 Joint Histogram을 구함
그 중 가장 두드러진 h, s, v를 대표값으로 구함
7. 7/18
3. 내용기반 영상 특징(3)
- 질감 특징 추출
Gray-level co-occurrence matrix를 이용하여, 그
중 엔트로피 특징을 추출
15 x 15 블록으로 나눠, 4방향( 0도,90도,45도,135
도)에 대해, 정규화된 gray-level co-occurrence
matrix 를 계산
각 Entry의 Frequency를 통해 각 방향 당 엔트로피
를 구한 후, 정규화하여 특징치를 얻음
9. 9/18
4. 제안된 알고리즘(2)
- 특징 벡터 인코딩
Chromosome structure( 염색체 구조 )
1. h, s, v와 질감 특징치인 entropy 각각에 대해 인코딩하여 최적의 대
표 특징치를 찾아냄
2. 선택 영역 : 1로 해당 비트에
선택 안된 영역 : 0로 해당 비트에 들어감
3. 25개중 5개만을 랜덤하게 대표 특징치로 뽑는다.
10. 10/18
4. 제안된 알고리즘(3)
- 적합도 평가(Fitness function)
각 영역의 특징치는 픽셀 값들의 평균치나,
히스토그램의 최빈수를 이용하는 것이 일반
적이지만 Local minima에 빠지기 쉽다.
11. 11/18
4. 제안된 알고리즘(4)
- 적합도 평가(Fitness function)
1. 일관성을 위한 조건
각 영역들의 내부성질, 즉 밝기,질감등이
서로 비슷해야 한다는 것
각 픽셀들의 분산을 척도로 사용
값이 작아지는 방향으로 진화
12. 12/18
4. 제안된 알고리즘(5)
- 적합도 평가(Fitness function)
2. 노이즈에 강건하기 위한 조건
각 영역간 거리를 유클리디안 디스턴스 구함
값이 커질수록 전역에서 골고루 뽑힌것
는 서브영역의 좌표 값
13. 13/18
4. 제안된 알고리즘(6)
- 적합도 평가(Fitness function)
3. 일정한 패턴에 강건하기 위한 조건
히스토그램 최빈수 방법의 문제점 해결
ex). 외곽 테두리의 검은색 띠
가 커지는 인접성이 적은 방향으로
14. 14/18
4. 제안된 알고리즘(7)
- 적합도 평가(Fitness function)
4. 최적의 대표 특징치 추출을 위한 적합도
F 는 적합도 함수
서로 다른 성격의 값을 합하므로 가중치
를 주었고, 실험에서는 1로 하였다.
15. 15/18
4. 제안된 알고리즘(8)
- 유전자 연산
개체군은 255개의 population이 염색체로
구성, 랜덤으로 10개의 1세대 염색체 추출
1. 선택 : 룰렛 휠 방법으로 2개의 부모 염색
체를 선택
2. 교배 : 단순교배사용, 2개의 자식 개체,
이때 교배 확률은 1
3. 돌연변이 : one-포인트 돌연변이, 돌연변
이 비트 열에 ‘1’이 5개가 없으면 다시 실시,
돌연변이 확률은 0.05
16. 16/18
4. 제안된 알고리즘(9)
- 매개변수 선언과 학습 중지
교배 확률 : 1.0
돌연변이 확률 : 0.05
1세대의 개체군의 평균 적합도가
threshold=0.44보다 작고 최저 적합도가
threshold2=0.40 보다 작다면 학습을 중지하
고, 최저 값을 가지는 염색체를 선택.
만족 못할 경우 다시 수행