한국정보과학회논문지:데이타베이스 (Journal of KIISE:Databases)

한국정보과학회 (Korean Institute of Information Scientists and Engineers)
권호 표지

결정적 어닐링 EM 알고리즘을 이요한 칼라 영상의 분할

Segmentation of Color Image using the Deterministic Annealing EM Algorithm

  • 발행 : 2001.09.01
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문에서는 가우시안 혼합모형을 이용한 새로운 칼라 영상의 분할 알고리즘을 제안한다. 기존의 EM 알고리즘의 문제점인 국부적 최대값의 문제를 해결하기 위하여 최대 엔트로피의 원리를 이용하는 결정적 어닐링 EM 알고리즘을 소개하였고, 여러 색상들로 구성된 영상에 대하여 가우시안 혼합모형을 가정하였으며, 결정적 어닐링 EM 알고리즘을 사용하여 이들의 모수를 추정하는 방법을 알아보았다. 또한 혼합모형에 성분의 수를 자동으로 결정할 수 있는 방법을 제시하였으며 선택된 최적의 혼합모형을 사용하여 각 화소에 대한 사후확률을 계산하고 이들의 최대값을 이용하여 영상분할을 실시하였다. 결정적 어닐링 EM 알고리즘이 기존의 EM 알고리즘보다 혼합모형의 모수를 더 정확하게 추정한다는 것과 혼합모형의 성분의 수를 결정하는 제안된 방법의 성능을 실험결과를 통하여 고찰하였고, 또한 두 가지 실제 영상을 통하여 제안된 알고리즘이 기존의 알고리즘 보다 영상을 더 효율적으로 분할 할 수 있음을 보였다.

In this paper we present a novel color image segmentation algorithm based on a Gaussian Mixture Model(GMM). It is introduced a Deterministic Annealing Expectation Maximization(DAEM) algorithm which is developed using the principle of maximum entropy to overcome the local maxima problem associated with the standard EM algorithm. In our approach, the GMM is used to represent the multi-colored objects statistically and its parameters are estimated by DAEM algorithm. We also develop the automatic determination method of the number of components in Gaussian mixtures models. The segmentation of image is based on the maximum posterior probability distribution which is calculated by using the GMM. The experimental results show that the proposed DAEM can estimate the parameters more accurately than the standard EM and the determination method of the number of mixture models is very efficient. When tested on two natural images, the proposed algorithm performs much better than the traditional algorithm in segmenting the image fields.

키워드

참고문헌

  1. Unser, M., Aldroubi, A. and Eden, M., 'Recursive Regulation Filters: Design, Properties and Applications,' IEEE Transactions on PAMI, Vol. 13, No. 3, pp.272-277, 1991 https://doi.org/10.1109/34.75514
  2. Geman, S. and Geman, D., 'Stochastic Relaxation, Gibbs Distributions and the Bayesian Restoration of Images,' IEEE Trans. PAMI, Vol. 6, pp.721-741, 1984
  3. McLachlan, G. J., Ng, S. K., Galloway, G. J. and Wang, D., 'Clustering of Magnetic Resonance Images,' Technical Report, Department of Mathematics, University of Queensland, Australia, 1998
  4. Hofmann, T. and Buhman, J. M., 'Pairwise Data Clustering by Deterministic Annealing,' IEEE Transactions on PAMI, Vol. 19, No. 1, pp.1-13, 1997 https://doi.org/10.1109/34.566806
  5. Ueda, N. and Nakano, R., 'Deterministic Annealing EM Algorithm,' Neural Network Vol. 11, pp. 271-282, 1998 https://doi.org/10.1016/S0893-6080(97)00133-0
  6. Neal, R. M. and Hilton, G. E., 'A View of the EM Algorithm that Justifies Incremental and other Variants,' Technical Report, Department of Statistics, University of Toronto, Canada, 1998
  7. Medasani, S. and Krishnapuram, R., 'Determination of the Number of Components in Gaussian Mixtures Using Agglomerative Clustering,' Proceedings of IEEE ICNN, Houston, USA, Vol. 3, pp.1412-1417, 1997 https://doi.org/10.1109/ICNN.1997.614001
  8. Cheung, Yiu-ming and Xu, Lei, 'Some Further Studies on Detection the Number of Clusters,' Proceedings of IEEE ICNN, Houston, USA, Vol. 3, pp.1479-1483, 1997 https://doi.org/10.1109/ICNN.1997.614015
  9. McKenzie, P. and Alder, M., 'The EM Algorithm used for Gaussian Mixture Modelling and its Initialization,' Pattern Recognition in practice IV, Vlieland, 1994
  10. Belongie, S., Carson, C., Greenspan, H. and Malik, J., 'Color-and Texture-Based Image Segmentation Using EM and Its Application to Content-Based Image Retrieval,' IEEE Computer Society, pp.675-682, 1998