Low Complexity Image Thresholding Based on Block Type Classification for Implementation of the Low Power Feature Extraction Algorithm

This paper proposes a block-type classification based image binarization for the implementation of the low-power feature extraction algorithm. The proposed method can be implemented with threshold value re-use technique approach when the image divided into $64{\times}64$ macro blocks size and calculating the threshold value for each block type only once. The algorithm is validated based on quantitative results that only a threshold value change rate of up to 9% occurs within the same image/block type. Existing algorithms should compute the threshold value for 64 blocks when the macro block is divided by $64{\times}64$ on the basis of $512{\times}512$ images, but all suggestions can be made only once for best cases where the same block type is printed, and for the remaining 63 blocks, the adaptive threshold calculation can be reduced by only performing a block type classification process. The threshold calculation operation is performed five times when all block types occur, and only the block type separation process can be performed for the remaining 59 blocks, so 93% adaptive threshold calculation operation can be reduced.

저전력 특징추출 알고리즘의 구현을 위한 블록 유형 분류 기반 낮은 복잡도를 갖는 영상 이진화

본 논문은 저전력 특징추출 알고리즘의 구현을 위한 블록 유형 분류 기반 영상 이진화 방법을 제안한다. 제안하는 방법은 영상 내에서 $64{\times}64$ macro block 크기로 영상을 나누고 각 블록 유형별 threshold 값을 한 번만 연산한 후 그 값을 re-use 하는 기법으로 구현될 수 있다. 알고리즘은 threshold 값이 같은 영상/블록 유형 내에서 최대 9%의 변화율만 발생하는 것을 정량적인 결과를 기반으로 검증했다. 기존 알고리즘은 $512{\times}512$ 이미지 기준으로 macro block을 $64{\times}64$로 나누었을 때 64개의 블록을 위해 threshold 값을 연산해야 하지만 제안하는 방법은 모두 같은 블록 유형이 출력되는 best case의 경우 threshold 연산을 한번만 수행하고, 나머지 63개의 블록에 대해서는 블록 유형 구분 과정만 수행하면 adaptive threshold calculation 연산을 98% 생략할 수 있다. 모든 블록 유형이 발생하는 worst case일 때 threshold calculation 연산은 다섯 번 수행되고, 나머지 59개의 블록에 대해서는 블록 유형 구분 과정만 수행할 수 있으므로 93%의 adaptive threshold calculation 연산을 생략할 수 있다.