선군집분할방법에 의한 특징 추출 = Feature Extraction by Line-clustering Segmentation Method

다국어 초록 (Multilingual Abstract)

In this paper, we propose a new class of segmentation technique for feature extraction based on the statistical and regional classification at each vertical or horizontal line of digital image data. Data is processed and clustered at each line, different from the point or space process. They are designed to segment gray-scale sectional images using a horizontal and vertical line process due to their statistical and property differences, and to extract the feature. The techniques presented here show efficient results in case of the gray level overlap and not having threshold image. Such images are also not easy to be segmented by the global or local threshold methods. Line pixels inform us the sectionable data, and can be set according to cluster quality due to the differences of histogram and statistical data. The total segmentation on line clusters can be obtained by adaptive extension onto the horizontal axis. Each processed region has its own pixel value, resulting in feature extraction. The advantage and effectiveness of the line-cluster approach are both shown theoretically and demonstrated through the region-segmental carotid artery medical image processing.

국문 초록 (Abstract)

영상신호의 수직축 및 수평축 화소 성분 분석을 통해서, 영상 내부에 존재하는 각 영역의 군집적 특성을 통계 및 영역적으로 처리 분류함으로써 필요한 특징을 추출할 수 있는 새로운 형태의 영역분할처리 알고리즘을 제시한다. 종래의 점처리나 면처리 방식에 비해 이 방식은 수평축과 수직축 상에서의 연속적인 선처리 방식이라고 할 수 있다. 영상을 구성하는 영역간 경계가 암시적으로 구분되어 있으나, 명시적으로는 불투명하고, 영상 특성의 분기점 또한 불명확하고 중복되어 있음으로 인하여 문턱치처리나 분기점처리로 그 영역간 특징을 분할, 추출하기가 곤란한 경우에 이 방식은 우수한 효과가 있다. 수평축 및 수직축 선처리를 통해 각 영역들의 특성들을 군집으로 처리한 다음 처리한 축과 수직 방향으로 축차적 적응진행처리한다. 그 결과 영상 내 각 영역은 화소값의 중복에도 불구하고 하나의 군집으로 자리매김하면서 군집 고유의 화소값을 갖는다. 그리고 처리후 영상은 각 군집에 부여한 새로운 화소값으로 변환함으로 필요한 특징이 추출된다. 이 방식은 특히 영역 분할을 통해 시각적 효과를 극대화시킬 필요가 있는 경동맥 초음파 의료영상에서 우수한 결과를 보였다.

참고문헌 (Reference)

1 "경동맥 내막-중막 두께와 관상동맥질환의 심한 정도와의 상관관계" 33 (33): 401-408, May.2003.

2 "Unsupervised multistage image classification using hierarchical clustering with a Bayesian similarity measure" 14 (14): 312-320, Mar.2005.

3 "On the statistical analysis of dirty pictures" 48 (48): 259-302, 1986

4 "Interal ratio : A new class of global thresholding techniques for handwriting images" 21 (21): 761-768, Aug.1999.

5 "Inference in Model-Based Cluster Analysis" 285 : Mar.1995.

6 "Discriminant analysis and statistical pattern recognition" John Wiley 1992.

7 "Digital image processing" Prentice Hall 2001.

8 "Bayesian morphology: Fast unsupervised Bayesian image analysis" 95 (95): 555-568, Jun.1999.

9 "A Threshold Selection Method from Gray-Level Histograms" 9 (9): 62-66, 1979.

10 "A Markov random field approach to multi-scale shape analysis" 416-431, jun.2003.