Computer Vision Theory : 관심 영역 & 관심 채널

   

관심 영역 (ROI)


1 관심 영역이란 이미지 상에서 관심 있는 영역을 의미합니다. ROI라 부르며 Region Of Interest의 약자입니다. 이미지를 처리함에 있어서 객체를 탐지하거나 검출하는 경우, 이부분을 명확하게 관심 영역이라 지정할 수 있습니다.

알고리즘을 구성시, 초기 검출 단계에서는 이미지 전체에 대해 오브젝트를 검출합니다. 이 후, 추가적인 알고리즘이 적용된다면 해당 오브젝트의 이미지 영역에서 알고리즘을 진행하는 방법이 가장 좋습니다. 객체를 탐지한 이후에 두 번째 알고리즘을 적용할 때 객체 주변 영역에 대해서 불필요한 연산이 들어가게 됩니다. 불필요한 이미지 영역에 대해서도 연산이 시작되므로 그 만큼 연산량이 많아지고 많은 리소스를 소모하게됩니다.

알고리즘의 정확도와 연산속도의 향상을 위해서는 관심 영역을 설정해야합니다. 만약, 이미지에서 시계에서 시간을 받아오는 알고리즘을 구성한다면, 첫 번째로 시계라는 객체를 검출하고, 붉은색 영역을 관심 영역으로 설정한 다음 해당 이미지 안에서 시간을 검출하는 알고리즘을 구성해야합니다. 관심 영역 지정을 효율적으로 사용한다면 알고리즘의 정확도연산 속도를 높일 수 있습니다.



관심 채널 (COI)


2 관심 채널이란 이미지 상에서 관심 있는 채널을 의미합니다. COI라 부르며 Region Of Channel의 약자입니다. 역시, 이미지를 처리함에 있어서 특정 채널을 사용하여 연산을 진행하는 경우, 이 부분을 관심 채널이라 부를 수 있습니다.

색상 이미지 (BGR)에는 매우 많은 데이터가 담겨있습니다. 이 때 채널을 분리하여 특정 채널에 대해 연산을 시작한다면 단순하게 1/3배로 데이터의 양이 줄어듭니다. 또한, 채널을 모두 분리한 뒤에 동일한 알고리즘을 적용하여 더 많은 결과를 얻을 수 있습니다. 단순하게 계산하는 데이터의 양은 1/3배로 줄지만, 얻어내는 데이터의 양은 3배로 늘어나게 됩니다.

채널을 분리하였을 때, GrayScale과 비슷한 형태를 보입니다. 하지만, GrayScale의 경우, Y = 0.299 x R + 0.587 x G + 0.114 x B의 공식을 통해 얻어진 값입니다. 각 채널의 값에 대한 가중치의 곱으로 GrayScale을 생성합니다. 확실하게 데이터의 변형이 생깁니다. Green 채널에 대한 값에 가장 영향을 많이 받으며, Blue 채널에 대해 가장 영향을 적게 받습니다. 특정 알고리즘을 구성할 때에는 각각의 채널에 대한 연산이 더 높은 정확도를 얻어낼 수 있습니다.



관심 영역관심 채널 둘 다 데이터의 형태를 변형하는 것이 아닌, 특정 영역을 불러와 연산량과 정확도를 높이는데 사용할 수 있습니다. 알고리즘을 구성하는데 있어 관심 영역, 관심 채널, 비관심 영역, 비관심 채널을 구분한다면 효율 높은 프로그램을 구성할 수 있습니다.



  • Writer by : 윤대희




도움이 되셨다면 광고 클릭 부탁드립니다.

⤧  Next post Computer Vision Theory : 전처리 알고리즘 ⤧  Previous post Computer Vision Theory : 이미지와 동영상의 이해