earticle

영어

Most image segmentation methods are to represent observed feature vectors at each pixel, which are assumed as appropriated probability models. These models can be used by statistical estimating or likelihood clustering algorithms of feature vectors. EM algorithms have some calculation problems of maximum likelihood for unknown parameters from incomplete data and maximum value in post probability distribution. First, the performance is dependent upon starting positions and likelihood functions are converged on local maximum values. To solve these problems, we mixed the Gausian function and histogram at all the level values at the image, which are proposed most suitable image segmentation methods. This proposed algoritms are confirmed to classify most edges clearly and variously, which are implemented to MFC programs.

한국어

영상분할의 대부분의 방법들은 각 화소에서 관측되는 특징벡터로 표현하며 이들에 대하여 적절한 확률모델을 가정하게 된다. 이들 확률 모델을 결정하는 파라미터들을 통계적 방법으로 추정하여 이용하거나 각 특징 벡터간의 유사 도를 기반으로 하는 군집 알고리즘을 사용하여 분할을 수행하는 방법들을 이용한다. 이의 대표적인 방법인 EM알고리즘은 불완전한 데이터에서 미지의 파라미터에 대한 최대 우도를 계산하는 경우나 사후 확률 분포의 최대 값을 구하는 문제 등의 응용 분야가 매우 다양하지만 몇 가지의 구조적 문제점을 가지고 있다. 먼저 추정량의 성능이 시작점에 크게 의존한다는 것이며 따라서 우도 함수가 국부적 최대 값에 수렴한다는 것이다. 이러한 문제점을 해결하기 위하여 영상의 모든 레벨 값을 중심으로 형성된 가우시안 함수와 원 영상의 히스토그램을 혼합하여 영상의 새로운 히스토그램을 통해 임계 값을 설정하는 최적화된 영상분할 기법을 제시한다. 제안된 알고리즘은 MFC를 통해 구현하였으며 영상을 임계 값의 개수에 따라 다양하게 나누어 보았을 때 에지부분이 선명하게 나타나며 세밀하고 정확한 영상으로 분할됨을 확인할 수 있다.