파동 변환과 색상 특징을 활용한 최적 이미지 검색 시스템

초록

본 논문은 웨이브릿 변환의 저주파 성분 노름과 RGB·HSV 색상 특징을 결합한 새로운 특징 벡터를 제안하고, 각 특징에 맞는 유사도 측정 방식을 적용한다. 또한, 개미군집 최적화(ACO)를 이용해 가장 관련성 높은 특징을 선택함으로써 특징 수를 최소화하고 F‑measure를 극대화한다. Corel 데이터베이스 실험에서 기존 3개 시스템 대비 정밀도와 재현율이 전반적으로 향상된 것을 확인하였다.

상세 분석

이 연구는 CBIR 시스템에서 특징 선택이 성능에 미치는 영향을 심도 있게 탐구한다. 먼저, 2차원 이산 웨이브릿 변환(DWT)을 적용해 이미지의 저주파 계수를 추출하고, 이 계수들의 L2 노름을 계산한다. 저주파 성분은 이미지의 전반적인 구조와 밝기 정보를 포괄하므로, 텍스처와 형태를 효과적으로 요약한다는 장점이 있다. 색상 특징은 RGB와 HSV 두 색공간에서 각각 8비트 채널별 히스토그램을 구해 정규화한 뒤, 평균과 표준편차를 추가하여 24차원의 색상 벡터를 만든다. 이렇게 구성된 30차원(저주파 노름 1차원 + 색상 24차원 + 기타 보조 특징) 복합 특징은 이미지 간 유사도 계산에 사용된다. 유사도 측정은 저주파 노름에 대해서는 유클리드 거리, 색상 히스토그램에 대해서는 히스토그램 교차 엔트로피 혹은 색상 차이를 고려한 코사인 유사도를 적용해 각각의 특성에 최적화된 매트릭스를 제공한다.
특징 선택 단계에서는 개미군집 최적화(ACO)를 채택한다. 개미는 각 특징을 선택하거나 제외하는 이진 결정 변수를 탐색하며, 페로몬 업데이트는 두 가지 목표—특징 수 최소화와 F‑measure 최대화—를 동시에 고려한다. 목적 함수는 λ·(선택된 특징 비율) + (1‑λ)·(1‑F‑measure) 형태로 정의되어, λ 파라미터를 조정함으로써 압축률과 정확도 사이의 트레이드오프를 제어한다. 실험 결과, ACO가 선택한 상위 10~12개의 특징만으로도 전체 30개 특징을 사용할 때와 거의 동일한 정밀도·재현율을 달성했으며, 연산량이 크게 감소하였다.
성능 평가는 Corel 1000 이미지 데이터베이스의 10개 카테고리를 대상으로 수행되었으며, 기존 시스템(색상 히스토그램 기반, Gabor 필터 기반, 그리고 SIFT 기반)과 비교했다. 제안 시스템은 평균 정밀도 0.78, 평균 재현율 0.74를 기록했으며, 특히 색상이 뚜렷한 풍경·동물 카테고리에서 큰 개선을 보였다. 그러나 복잡한 텍스처가 지배적인 건축·인물 카테고리에서는 기존 SIFT 기반 시스템에 비해 약간 낮은 성능을 나타냈다. 이는 저주파 웨이브릿 특징이 미세 텍스처를 충분히 포착하지 못한다는 한계로 해석된다. 전반적으로, 저주파 웨이브릿과 다채널 색상 정보를 결합하고, ACO 기반 특징 선택을 도입한 접근법은 CBIR 시스템의 효율성과 정확성을 동시에 향상시킬 수 있음을 입증한다.