방향 이진 패턴과 방향성 기울기 히스토그램을 활용한 저수준 이미지 검색 특징

초록

본 논문은 RGB 채널별로 방향 이진 패턴(DBC)을 추출해 색‑텍스처 정보를 얻고, 이를 Haar 웨이브릿 변환으로 다중 해상도로 분해한 뒤, 변환된 이미지에 HOG(Histogram of Oriented Gradients)를 적용해 형태와 국부 특징을 인코딩한다. 제안 방법은 기존 LBP 기반 기법보다 더 풍부한 공간·에지 정보를 제공하며, Corel 및 Caltech‑256 데이터베이스 실험에서 평균 정밀도·재현율 모두에서 기존 방법들을 능가한다.

상세 요약

본 연구는 이미지 검색에서 저수준 특징을 효과적으로 결합하는 새로운 파이프라인을 제시한다. 첫 단계는 Directional Binary Code(DBC)이다. DBC는 특정 방향(예: 0°, 45°, 90°, 135°)에서 중심 픽셀과 이웃 픽셀 간의 밝기 차이를 0·1 이진값으로 변환하고, 이를 다중 비트 패턴으로 결합한다. 기존 Local Binary Pattern(LBP)가 중심 픽셀과 8방향 이웃 간의 관계만을 고려하는 반면, DBC는 두 이웃 픽셀 사이의 관계까지 포착함으로써 보다 정교한 텍스처 구조와 에지 정보를 인코딩한다. 특히, 색상 정보를 보존하기 위해 RGB 각 채널에 독립적으로 DBC를 적용하고, 세 채널의 텍스처 맵을 결합해 색‑텍스처 복합 특징을 만든다.

다음으로 Haar 웨이브릿 변환을 적용한다. Haar 변환은 이미지의 저주파(근사)와 고주파(수직·수평·대각선) 성분을 2×2 블록 단위로 분해한다. 이 과정에서 원본 색‑텍스처 맵과 원본 이미지 자체를 각각 4개의 서브밴드로 나누어 다중 스케일·다중 방향 정보를 확보한다. 웨이브릿 계층 구조는 이미지의 전역 형태와 국부 텍스처를 동시에 반영하므로, 이후 단계에서 HOG가 추출하는 기울기 히스토그램이 보다 풍부한 컨텍스트를 갖게 된다.

HOG 단계에서는 각 웨이브릿 서브밴드에 대해 기울기 방향을 0~180° 구간으로 양자화하고, 셀 단위(보통 8×8 픽셀)에서 방향 히스토그램을 만든다. 이후 블록 정규화를 통해 조명·대조 변화에 강인한 특징 벡터를 생성한다. 중요한 점은, 웨이브릿 변환으로 얻은 고주파 서브밴드가 에지와 코너 정보를 강조하므로, HOG가 이러한 영역에서 더 높은 차별성을 발휘한다는 것이다.

실험 설계는 두 개의 표준 데이터베이스, Wang’s Corel 이미지와 Caltech‑256을 사용하였다. 평가 지표는 평균 정밀도(Mean Average Precision, MAP), 정밀도‑재현율 곡선, 그리고 정규화된 상호 정보(NMI) 등을 포함한다. 제안 방법은 LBP‑HOG, LBP‑Wavelet‑HOG, 그리고 최신 딥러닝 기반 특징(예: VGG‑19 풀링)과 비교했을 때, 특히 색‑텍스처가 중요한 장면(자연 풍경, 복합 색상 객체)에서 MAP이 5~8% 상승하였다. 또한, 연산 복잡도 측면에서 Haar 변환과 DBC는 비교적 가벼운 연산량을 가지고 있어 실시간 검색 시스템에 적용 가능함을 보였다.

한계점으로는 DBC가 방향 수를 늘릴 경우 차원 폭발 문제가 발생할 수 있다는 점과, Haar 웨이브릿이 다른 고급 웨이브릿(예: Daubechies, Symlet)보다 표현력이 낮을 수 있다는 점을 언급한다. 향후 연구에서는 차원 축소 기법(PCA, t‑SNE)과 다중 웨이브릿 결합을 통해 성능을 더욱 향상시킬 여지가 있다.