Digital Image Processing - Automatic Scale Selection

---

Automatic Scale Selection

이전에 다룬 Harris Detector의 문제점을 개선한 Automatic Scale Selection 기법에 대해 알아보자. 이름 그대로 Harris Detector가 Scale invariance가 부족하다는 점을 극복하여 자동으로 Scale에 대한 판단을 해내는 기법이다.

위와 같이 이미지가 확대 되었음에도 유사한 feature로 판단해내는 기법이다.

Scale에 따라 함수가 반응하는 것이 달라지고 normalization과정을 통해 scale이 조정되어 local feature를 비교하는 것이 쉬워지는 것을 볼 수 있다. 이때 사용하는 signature function으로 Laplacian-of-Gaussian(LoG)가 유용하게 사용된다.

아래와 같이 Laplacian 연산의 peak를 생성하는 부분을 characteristic scale로 정의한다.

아래와 같이 다양한 scale로 확장이 되는 Laplacian pyramid를 생성하여 3차원 벡터 구조를 만든다. 여기서 NMS(Non Maximum Suppression)을 3차원적으로 주변의 26개의 벡터와 비교하여 적용한다.

---

Scale-Space Blob Detector

이러한 기술이 사용된 Scale-Space Blob Detector를 보면 이름과 같이 우선 여러 scale의 LoG 필터를 적용하여 scale space를 생성한다. Scale-space에서 로컬 최대값을 찾아내는데, 이 최대값이 바로 이미지의 특정 스케일에서 중요한 특징들을 나타내는 blob이다.

위의 원본에 Scale-space blob detector를 적용하여 아래와 같이 다양한 scale의 LoG filtering 결과를 확인할 수 있다.

Blob이 생성된 결과를 이미지에 시각화해서 보면 아래와 같다. 실제로 저렇게 그려지는 것은 아니고 이러한 방식으로 local feature를 잡아낸다는 것을 보여주기 위한 시각화 과정이다.

---