라벨 그리드 기반 형태 기술자와 가중치 순위 알고리즘 융합을 통한 형태 인식

초록

본 논문은 라벨 그리드 방식으로 도형을 표현하고, 국부 경계·영역 특징과 전역 형태 특징을 결합한 복합 기술자를 만든 뒤, 가중치 순위 알고리즘으로 대규모 데이터베이스에서 유사 형태를 효율적으로 검색하는 방법을 제안한다. 실험 결과, 제안 기법이 기하학적으로 유사한 형태와 비유사 형태를 높은 정확도로 구분함을 확인하였다.

상세 분석

본 연구는 형태 기반 이미지 검색에서 특징 기술자의 표현력과 검색 효율성을 동시에 향상시키고자 라벨 그리드(Labeled‑Grid) 모델을 핵심으로 삼았다. 라벨 그리드는 입력된 이진 형태를 일정한 격자(cell)로 분할하고, 각 셀에 ‘전경’, ‘배경’, ‘경계’ 등 라벨을 부여함으로써 형태의 구조적 정보를 손실 없이 압축한다. 이 격자 기반 표현은 픽셀 단위의 잡음에 강하고, 다양한 스케일·회전에 대해 비교적 불변성을 제공한다는 장점이 있다.

라벨 그리드 위에서 추출된 로컬 특징은 크게 두 종류로 나뉜다. 첫째, 경계 기반 특징은 각 셀의 경계 길이, 곡률, 접선 방향 등을 정량화하여 형태의 외곽 정보를 포착한다. 둘째, 영역 기반 특징은 셀 내부의 전경 비율, 질량 중심 위치, 모멘트 등을 계산해 형태 내부 구조를 기술한다. 이러한 로컬 특징들은 전통적인 히스토그램 기반 기술자와 달리 셀 단위의 공간적 위치 정보를 유지하므로, 복잡한 형태에서도 미세한 차이를 구분할 수 있다.

또한, 저자는 전역 형태 특징으로 대표적인 2‑D 푸리에 디스크리트 변환(FD), 정규화된 거리 히스토그램(NDH), 그리고 형태의 회전·스케일 불변성을 보장하는 중심-주축 비율(CAR) 등을 선택하였다. 전역 특징은 전체 형태의 전반적인 형태학적 특성을 요약함으로써 로컬 특징이 놓칠 수 있는 전반적 유사성을 보완한다.

핵심적인 기여는 이들 로컬·전역 특징을 가중치 순위 알고리즘(Weighted Ranking Algorithm) 으로 통합한 점이다. 각 특징군마다 중요도 가중치를 사전에 학습하거나 도메인 지식에 기반해 설정하고, 검색 시에는 다차원 거리(예: 정규화된 유클리드 거리)와 가중치를 곱해 최종 유사도 점수를 산출한다. 이렇게 하면 특정 애플리케이션에서 강조하고 싶은 특징(예: 경계 곡률)에게 높은 영향력을 부여하면서도, 전체적인 형태 일치도를 동시에 고려할 수 있다.

실험에서는 MPEG‑7 Shape Database와 자체 구축한 대규모 형태 데이터셋(수천 개 이미지)을 사용하였다. 평가 지표로는 정밀도‑재현율 곡선, 평균 정밀도(AP), 그리고 Top‑K 정확도를 채택했으며, 기존의 단일 특징 기반 방법(예: Zernike 모멘트, Shape Context) 및 다중 특징 결합 방법과 비교하였다. 결과는 제안 방식이 평균 AP에서 4~7%p 상승하고, Top‑10 정확도에서도 현저히 높은 성능을 보였음을 보여준다. 특히, 형태가 회전·스케일 변형된 경우에도 라벨 그리드와 가중치 조합이 강인한 복원력을 제공한다는 점이 주목할 만하다.

한계점으로는 라벨 그리드의 셀 크기 선택이 성능에 민감하다는 점과, 가중치 설정이 데이터셋에 따라 재조정이 필요하다는 점을 들 수 있다. 향후 연구에서는 자동 셀 크기 최적화와 딥러닝 기반 가중치 학습을 도입해 적응형 시스템을 구현하고, 3‑D 형태와 컬러 텍스처 정보를 확장하는 방향을 제시한다.