Feature Extration

27 Nov 2018 Tags:

Image Segmentationd을 통해서 물체를 배경으로부터 분리하여 인식하고 boundary를 얻었다. Feature extration을 통해서는 물체의 특징점을 찾는다.

물체의 boundary를 찾았다면 하나의 물체라고 인식
그 물체(혹은 boundary)로 부터 어떤 특징점을 얻는가
물체를 boundary가 아닌 영역으로 추출했을 때 어떤 특징들이 있는지

Feature Extraction

Feature Extraction은 물체를 찾는 detection와 물체에 대해 설명을 하는 description으로 나뉜다.
예를 들어 물체의 모서리(corner)라는 특징을 사용해서 삼각형과 사각형을 설명한다면, 삼각형은 모서리가 3개인 도형이고 사각형은 모서리가 4개인 도형이라 설명 할 수 있다.

BOUNDARY FOLLOWING

물체의 둘레를 따라 경계를 탐색하는 방법이다.

컴퓨터에게 원을 설명하기 위한 알고리즘

시작점은 전체 이미지의 가장 왼쪽 가장 상위에 있는 점
이미지(b)를 기준으로 c에서 시작해서 8 방면에 있는 점들을 시계방향(오른쪽)을 탐색
가장 먼저 만난 값이 1인 점을 edge라 가정을 하고 b로 마킹, c는 b 하나 전 점으로 마킹
b가 b0일때, 다시 말해 수렴할 때까지 2, 3을 반복한다.

c = 물체 || 배경, b = edge edge를 찾을 때 하나의 segment라고 인지한다.

do  {
    for ( n : = c to n[7]  ) {
          if ( n[i] == 1) {
                b_new = n [i];
                c = n [i-1];
                break;
          }
    }
} while ( b != b0 );

SIGNATURE

2차인 영상을 1차로 변환한다. 좌표 = 중심으로부터 거리를 계산 가능하다. 원 : 원 = 거리가 일정 사각형은 = 중심으로부터 거리가 반복적이다. range = [r : root(2)*r] 각 좌표와 중점의 거리 차를 구해서 좌표대신 할당한다.

영상 물체의 edge가 구불구불해도 1차 좌표축에 표현이 가능하다.

BOUDNARY FEATURE DESCRIPTORS

바운더리들의 특징을 어떻게 묘사하는가

diameter 직경 : max of distance btwn pi, pj
계산을 다 해봐서 가장 두 점의 차가 큰 경우 
길이 m   = major axis 가장 거리가 긴 좌표축 
 tan (0) = y/x
(0) = (tan-1) = y/x
minor axis major에 직교하는 경우 

statistic moments 
nth modment of z : n제곱시의 표준 편차 같은 느낌 

REGION FEATURE DECRIPTORS : 영역 찾기

p = 둘레길이 
compactness = p^2 / a

면적이 같을 때, 주변 둘레가 더 클면 클수록 compact하다고 한다. 가령, 같은 크기의 오렌지와 포도를 경우, boundary가 더 컴팩트한 물체를 오렌지라고 할 수 있다.

circularity  : 4* PI* A  / p^2얼마나 더 각진지 
A= r^2 * pi
4* PI* A  / p^2 
if  p = 2*pi* r:
 4 * pi*pi*r ^2 / (2*pi*r)^2 == 1

원일 때는 circularity = 1
사각형이라면 circularity = 4pi1/16 < 1
삼각형이라면 circularity = (root(3) /4 )* 4* pi / 9 > 1
1에 가까울 수록 원이 된다.

lim 1 = circle
effective diameter : 면의 지름 근삿값
eccentricity : 타원 
maximum distance ( axis 와 관련된 ) 를 찾고, a의 axis를 둔다. 

Texture  : frequency ( 머리카락, 나뭇잎)
p : histogram을 합 1로 argmax 

relative intensity = 평균에서의 분포 

variance가 클수록 r(z)가 커지고, 작을 수록 r(z)가 0에 가까워진다. 강약이 있을수록 이미지에 앙약이 생긴다.

Standard deviation : 평균에서 얼마나 차이가 나는 가
R(normalized) : smooth 0에 가까움 
third moment : 식에 p = 3 대입 -> 평균 대비 밝은지 어두운지
uniformity : smooth할 수록 값이 크다 .
반대로 entropy : 값들끼리 대비가 클수록 값이 크다.

lynring24 blog