Journal of the Institute of Convergence Signal Processing (융합신호처리학회논문지)

The Korea Institute of Convergence Signal Processing (한국융합신호처리학회)
권호 표지

3D Film Image Classification Based on Optimized Range of Histogram

히스토그램의 최적폭에 기반한 3차원 필름 영상의 분류

  • Lee, Jae-Eun (Dept. of IT Convergence & Applications Engineering, Pukyong National University) ;
  • Kim, Young-Bong (Dept. of IT Convergence & Applications Engineering, Pukyong National University) ;
  • Kim, Jong-Nam (Dept. of IT Convergence & Applications Engineering, Pukyong National University)
  • 이재은 (부경대학교 IT융합응용공학과) ;
  • 김영봉 (부경대학교 IT융합응용공학과) ;
  • 김종남 (부경대학교 IT융합응용공학과)
  • Received : 2021.06.16
  • Accepted : 2021.06.30
  • Published : 2021.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

In order to classify a target image in a cluster of images, the difference in brightness between the object and the background is mainly concerned, which is not easy to classify if the shape of the object is blurred and the sharpness is low. However, there are a few studies attempted to solve these problems, and there is still the problem of not properly distinguishing between wrong pattern and right pattern images when applied to actual data analysis. In this paper, we propose an algorithm that classifies 3D films into sharp and blurry using the width of the pixel values histogram. This algorithm determines the width of the right and wrong images based on the width of the pixel distributions. The larger the width histogram, the sharp the image, while the shorter the width histogram the blurry the image. Experiments show that the proposed algorithm reflects that the characteristics of these histograms allows classification of all wrong images and right images. To determine the reliability and validity of the proposed algorithm, we compare the results with the other obtained from preprocessed 3D films. We then trained the 3D films using few-shot learning algorithm for accurate classification. The experiments verify that the proposed algorithm can perform higher without complicated computations.

영상의 군집 속에서 특정 영상을 분류하기 위해서는 주로 목표 영상과 배경의 명암 차이를 구하는데 만약 특정 영상의 윤곽선이 흐리고 선명도가 낮다면 이를 분류하기가 쉽지 않다. 하지만 이러한 영상을 분류하기 위한 연구들이 많지 않으며, 지금까지 발표된 방법들을 적용하더라도 제대로 구분하지 못한다는 어려움이 있다. 본 논문에서는 각 3차원 필름 영상들의 히스토그램을 구한 후, 히스토그램의 최고 빈도를 기준으로 특정 빈도에서의 폭을 구하여 윤곽선이 흐린 불량패턴의 영상을 분류하는 방법을 제안한다. 실험을 통하여 정품 패턴과 불량 패턴 영상의 히스토그램 분포의 차이가 뚜렷하다는 것을 확인할 수 있었으며, 이러한 히스토그램의 특성을 반영한 제안 알고리즘을 통하여 모든 영상들을 정확하게 분류할 수 있다는 것을 보였다. 제안한 알고리즘의 성능을 평가하기 위하여 이진화, 히스토그램, 가장자리 검출을 이용한 각각의 유사도 검정들과 퓨샷 러닝의 분석 결과를 비교분석 하였으며, 실험을 통하여 제안한 알고리즘은 앞선 네 가지 방법들보다 복잡한 계산 없이 높은 성능을 낼 수 있다는 것을 검증하였다.

Keywords

Acknowledgement

본 논문은 중기청 창업성장 기술개발사업, 과학기술정보통신부 지역SW서비스 사업화 지원 과제 및 산업통상자원부와 한국산업기술진흥원의 지역혁신 클러스터 육성사업(R&D P0004797)의 지원으로 수행되었습니다.

References

  1. P. Hsu, and B. Y. Chen. "Blurred image detection and classification." International Conference on Multimedia Modeling. Springer, Berlin, Heidelberg, pp. 277-286, 2008.
  2. R. Wang, W. Li, R. Li, and L. Zhang, "Automatic blur type classification via ensemble SVM," Signal processing: image communication, Vol. 71, pp. 24-35, 2019.
  3. Y. Li, and L. Liu, "Image quality classification algorithm based on InceptionV3 and SVM,". In MATEC Web of Conferences, Vol. 277, EDP Sciences, 2019.
  4. M. Fan, R. Huang, W. Feng, and J. Sun, " Image blurred classification and blurred usefulness assessment," In 2017 IEEE International Conference on Multimedia & Expo Workshops (ICMEW), pp. 531-536, 2017.
  5. S. W. Kwon, M. H. Kim, J. H. Kim, and S. W. Hong, "Changes in the Performance for Predicting Inappropriate Thermal Images according to the Composition of Datasets," Transactions of the Korean Society of Mechanical Engineers-A, Vol. 44, No. 12, pp. 933-940, 2020. https://doi.org/10.3795/KSME-A.2020.44.12.933
  6. R. Wang, W. Li, R. Qin, and J. Wu, "Blur image classification based on deep learning." In 2017 IEEE International Conference on Imaging Systems and Techniques (IST), pp. 1-6, 2017.
  7. Y. Li, X. Ye, and Y. Li, "Image quality assessment using deep convolutional networks," AIP Advances, Vol. 7, No. 12, 125324, 2017. https://doi.org/10.1063/1.5010804
  8. J. S. Owotogbe, T. S. Ibiyemi, and B. A. Adu, "Edge Detection Techniques on Digital Images-A Review," Int J Innov Sci Res Technol, Vol. 4, pp.329-332, 2019.
  9. W. A. Mustafa, and M. M. M. A.Kader, " Binarization of document images: A comprehensive review," In Journal of Physics: Conference Series, IOP Publishing, Vol. 1019, No. 1, p. 012023, 2018. https://doi.org/10.1088/1742-6596/1019/1/012023
  10. Y. Wang, Q. Yao, J. T. Kwok, and L. M. Ni, "Generalizing from a few examples: A survey on few-shot learning," ACM Computing Surveys (CSUR), Vol. 53, No. 3, pp. 1-34, 2020.
  11. Keras, https://keras.io/examples/vision/reptile/