과거엔 영상을 처리하기 위해 찾고자 하는 물체가 있는 영역과 없는 영역을 분할해야 했었다. 영역을 분할하는 방법에는 clustering, 영역 성장, 분할&통합, 히스토그램에 의한 영역 분할 방법이 있다.
Clustering
clustering은 cluster(부분집합)으로 패턴 벡터를 분할하는 처리이다. clustering에서 비슷한 값을 가지는 그룹으로 벡터들의 집합을 분할해야 한다. 벡터는 intensity 값, RGB 값, 계산된 특성, texture measurement와 같은 구성요소를 포함하고 픽셀 또는 그 주위의 값들로 표현된다. clustering방법에는 고전적인 clustering 방법, iterative K-Means clustering 등이 있다.
영역 성장 방법
영역 성장 방법에서는 single-linkage 영역 성장, centroid-linkage 영역 성장 등이 있다.
Split & Merge 분할 통합 기법
Split은 화면 전체에서 출발해 top-down으로 영역을 재분할하는 것이고, Merge은 최소 단위의 영역에서 출발하여 bottom-up으려 결합을 반복하는 것이다. Split & Merge 방법은 기계적으로 분할된 중간 레벨 분할 영상에서 출발하여 균일성과 영역 간의 유사성에 기초한 Split & Merge를 양방향으로 진행시키는 방법이다. 구체적으로, 우선 중간 정도의 분할 레벨에서 각 영역을 평균 농도로 근사화한다. 그리고 근사 정도가 낮은 영역을 재분할해서 유사한 특징을 가진 인접 영역과 통합한다. 또 알고리즘의 정지 기준은 근사 오차에 대한 threshold 값으로 정한다.
자세한 알고리즘의 경우 구글링 등을 통해 추가적으로 알아볼 필요가 있다.
히스토그램 기반 영역 분할기법
히스토그램에 의한 영역 분할에는 기본적인 히스토그램 기반 방법과 Ohlander’s Recursive 히스토그램 기반 기법이 있다.
위의 3가지 갈래의 기법들 모두 영상을 분할하는 것에 초점을 맞추었다. 위와 같은 분할을 통해 영상 속에 존재하는 대상물을 파악하고, 이를 바탕으로 대상물의 색깔, 개수, 면적등의 특징을 추출해낸다. 물론, 이 포스트에서 설명된 내용은 각각의 방법의 개요 정도만을 설명한 것이다. 실제 작동 알고리즘은 훨씬 복잡하고, 여러가지 통계적 기법이 함께 사용된다. 그러나, 우리가 초점을 맞출 알고리즘은 딥러닝을 기반으로 하는 알고리즘이기 때문에, 간략히 소개하고 넘어가도록 하겠다.