논문 정리 Contour & Segmentation

1. Snakes : Active Contour Models

- 목적 : 이미지에서 사용자가 설정한 경계를 기준으로 (스네이크 에너지 최소화를 향한 반복계산을 통해) 가장 적합한 컨투어를 찾는 것 

- 스네이크는 외부 억제 힘과 이미지 힘에 영향을 받아 에지와 같은 특징을 향해 에너지를 최소화하는 것이다.

 - 스네이크 에너지 함수는 내부 에너지, 이미지 에너지, 외부 제약 에너지로 구성된다.

 내부 스플라인 힘 : Snake의 Smoothness 정도 조정.

이미지 힘 : Snake를 라인이나, edge, contour와같은 이미지 feature로 미는 역할. 

외부 제약의 힘 : 초기값 설정과 같이 사용자에 의해 이루어 지는 항으로 Snake를 edge주변에 두는 것이 유리.

 

2. Condensation : Conditional Density Propagation for Visual Tracking

  - 칼만 필터와 달리 비선형적인 움직임을 추적하기 위한 방법으로 통계&확률적인 방법을 사용한다.

  - 기본 원리는 일단 파티클을 뿌리고, 뿌려진 위치에서 얼마나 좋은지 확률적으로 표현한다. 모든 파티클의 확률을 정규화 시키고, 다음에 다시 뿌릴때는 이전에 획득한 확률을 기준으로 좀 더 좋은 위치에 많이 뿌리고, 좀 확률이 적은 위치에는 적게 뿌리는 원리이다. 예를 들어 설명하면, 낚시대를 10개를 가지고 낚시는 하는데, 처음에는 10개의 낚시대를 골고루 바다에 던져 물고기를 잡는다. 그런데 10분 후 1,2,3 번 위치에 놓인 낚시대에서 물고기를 많이 잡았다. 나머지 낚시대에서는 간혹 한마리씩 올라왔다고 가정해보자. 그렇다면 낚시꾼은 어떻게 해야할까. 당연히 물고기 많이 잡힌 쪽으로 낚시대를 옮길 것이다. 그러다가 다시 물고기가 안잡힌다. 그럼 다시 낚시대를 골고루 펼쳐야 옳은 판단 일 것이다. 이러한 원리가 결국 파티클 필터의 원리인 것이다. 예를 들어 설명한 물고기의 경우 잡았는지 안잡았는지 쉽게 판단이 가능하다. 이러한 판단은 시스템에 맞도록 적용하면 응용가능하다.

 

3. Active Shape Model

  - Point Distribution Models을 사용하여 다양한 모양에 대해 학습하여 검출하고자 하는 객체의 변화 가능한 정도에 대해 PCA를 통해 분석을 수행한다. PCA를 통해 얻는 고유벡터와 고유값을 이용하여 객체의 변화 정도를 모델화하고, 새로운 영상이 들어왔을 때 에지 정보를 이용하여 모양이 변할 수 있는 정도를 유지하면서 적당한 모양을 찾는 방법이다.

 

4. Intelligent Scissors for Image Composition

  - 대화형 도구로 사용자 입력에 따라서 시작 노드와 목표 노드 사이의 최적 경로를 찾는 그래프 검색 문제로서, 각 픽셀에서의 가중치를 계산하고, 계산된 가중치를 가지고 동적 프로그래밍 기법으로 최적의 패스를 검출한다. 사용자는 시드 포인트를 결정하고, Free Point Path로 대략적인 패스를 그리면 자동적으로 시드 포인트를 기준으로 현재 Free Points까지로 최적의 패스를 제공해준다. 최적의 패스를 구하는 방법은 앞에서 계산한 가중치와 2차원 동적 프로그래밍 기법을 사용한다.

 

5. Example-Based Learning for View-Based Human Face Detection

  - 복잡한 영상에서 사람의 정면 얼굴을 찾는 방법으로 얼굴 영상과 비얼굴 영상을 수집하여, 각 픽셀값을 벡터로 생성하고, 클러스터링을 하여 모델을 생성한다. 입력 영상이 들어오면, 얼굴 클러스터와 비얼굴 클러스터와의 거리를 구하고, 그 거리들을 이용하여 특징벡터를 생성한다. 생성된 벡터를 가지고 신경망을 통해 학습 및 인식을 수행하여 얼굴 영역을 검출한다.

6. Mean-Shift

  - Mean-shift는 알고리즘은 이름과 같이 평균 이동 방법이다. 현재 위치를 기준으로 일정 반경 안에 특징점들의 평균을 구하여 현재 위치를 다시 평균으로 이동하고, 이를 반복하는 방법이다. 현재 위치를 기준으로 특징점들의 평균을 구할때, 거리에 따른 가중치를 주기 위해 다양한 커널 함수가 사용되며, 현재 위치를 기준으로 반경의 크기에 따라 다른 결과를 나타낼수도 있다. 이러한 기법은 추적, 세그멘테이션 등 다양한 분야에 활용될 수 있다.

7. Adaboost

  - 아다부스트의 개념은 성능 그리 좋지 않은 약한 분류기들이 모여서 다수결(가중치 포함)에 따라서 어떤 결정을 하도록 하기 위해 수많은 약분류기들 중 가장 좋은 약분류기의 집합, 즉 강분류기는 생성하는 과정을 나타낸다. 기본 아이디어는 가장 학습 패턴을 잘 분류하는 약분류기를 선택하는 것이 첫번쨰 원칙이며, 두번째 원칙은 이전에 선택된 약분류기가 제대로 분류하지 못하는 것을 더 잘 분류하는 것을 뽑는 것이 두번째 원칙이다. 이러한 개념을 사용하여 분류기를 생성한다.

8. Nomalized Cut

  - 그래프 분할 알고리즘의 하나로 min cut의 경우 최소값을 위해 너무 작은 단위로 분류되는 문제점을 개선하기 위한 방법이다. 영상전체를 그래프 분할에 대응하여 고유벡터를 구하는 문제로 일반화시킨 알고리즘이다.

9. Level set

  - Level set 이론과 곡선 전개 이론을 사용한 세그멘테이션 방법이다. 반복적인 방법으로 시간 변화에 따라 움직이는 경계를 미분 방정식으로 표현하여 세그멘테이션을 수행한다.