The Journal of Korea Institute of Information, Electronics, and Communication Technology (한국정보전자통신기술학회논문지)

Korea Information Electronic Communication Technology (한국정보전자통신기술학회)
권호 표지
DOI QR코드

DOI QR Code

A Study on Implementation of the High Speed Feature Extraction System Based on Block Type Classification

블록 유형 분류 알고리즘 기반 고속 특징추출 시스템 구현에 관한 연구

  • Lee, Juseong (School of Electrical Engineering, Korea University) ;
  • An, Ho-Myoung (Department of Electronics, Osan University)
  • Received : 2019.02.28
  • Accepted : 2019.04.17
  • Published : 2019.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, we propose a implementation approach of the high-speed feature extraction algorithm. The proposed method is based on the block type classification algorithm which reduces the computation time when target macro block is divided to smooth block type that has no image features. It is quantitatively identified that occurs at 29.5% of the total image using 200 standard test images with $64{\times}64$ macro block size. This means that within a standard test image containing various image information, 29.5% can reduce the complexity of the operation. When the proposed approach is applied to the Canny edge detection, the required latency of the edge detection can be completely eliminated, such as 2D derivative filter, gradient magnitude/direction computation, non-maximal suppression, adaptive threshold calculation, hysteresis thresholding. Also, it is expected that operation time of the feature detection can be reduced by applying block type classification algorithm to various feature extraction algorithms in this way.

본 논문은 고속 특징추출 알고리즘의 구현 방법을 제안한다. 제안하는 방법은 블록 유형 분류 알고리즘을 기반으로, 블록 유형 분류 알고리즘 적용 시, 영상 특징 정보가 발생하지 않는 스무스 블록에서 연산을 생략하여 영상 특징 검출에 필요한 연산시간을 감소시킬 수 있다. 200장의 표준 테스트 이미지를 활용해 매크로 블록의 크기를 $64{\times}64$로 나누어 스무스 블록의 발생 빈도를 측정한 결과 전체의 29.5%만큼 발생하는 것을 정량적으로 확인했다. 이 의미는 다양한 영상 정보를 포함하고 있는 표준 테스트 이미지 내에서는 29.5%에 해당하는 만큼 연산의 복잡도를 감소시킬 수 있다는 의미를 나타낸다. 제안된 방법을 케니 윤곽선 검출 알고리즘에 적용하면 이차원 미분 필터, 그라디언트 크기 및 방향 연산, 비최대 억제, 적응형 임계값 연산, 히스테리시스 임계 처리와 같은 총 다섯 단계의 영상처리에 필요한 지연시간을 완전히 제거할 수 있다. 이와 같은 방법으로 다양한 특징 검출 알고리즘에 블록 유형 구분 알고리즘을 적용해, 연산에 필요한 시간을 감소할 수 있을 것을 기대한다.

Keywords

JBJTBH_2019_v12n3_186_f0001.png 이미지

그림. 1. Canny edge detection 알고리즘의 블록 다이어그램. Fig. 1. Block diagram of Canny edge detection algorithm.

JBJTBH_2019_v12n3_186_f0002.png 이미지

그림. 2. 블록 유형 구분 알고리즘 기반 Canny edge detection 수행과정. Fig. 2. Process of Canny edge detection based on block type classification algorithm

JBJTBH_2019_v12n3_186_f0003.png 이미지

그림. 3. 블록 유형 구분 알고리즘의 의사 코드 [8]. Fig. 3. Pseudo-codes of the block type classification algorithm [8].

JBJTBH_2019_v12n3_186_f0004.png 이미지

그림. 4. 각 블록 유형의 high level threshold (P1) 값의 백분율 [8]. Fig. 4. Percentage of high level threshold (P1) values for each block type [8].

JBJTBH_2019_v12n3_186_f0005.png 이미지

그림. 5. 블록 유형 구분 기반 Canny edge detection의 High level threshold (P1) 값 설정 과정 [8]. Fig. 5. Process of high level threshold value (P1) for Canny edge detection based on block type classification [8].

JBJTBH_2019_v12n3_186_f0006.png 이미지

그림. 6. Berkeley Segmentation Dataset [10]의 예시. Fig. 6. Example of the Berkeley Segmentation Dataset [10].

JBJTBH_2019_v12n3_186_f0007.png 이미지

그림. 7. 제안된 블록 유형 구분 알고리즘 기반 고속 특징추출 시스템의 블록 다이어그램. Fig. 7. Proposed high speed feature extraction system based on block type classification algorithm.

References

  1. W. Kim, J. Lee, H. An, and J. Kim, "High-Performance and Low-Complexity Image Pre-Processing Method Based on Gradient-Vector Characteristics and Hardware-Block Sharing," Trans. Electr. Electron. Mater, (TEEM), vol. 18, no. 6, pp. 320-322, Dec. 2017. https://doi.org/10.4313/TEEM.2017.18.6.320
  2. W. Kim, J. Lee, and H. An, "Gradient Magnitude Hardware Architecture based on Hardware Folding Design Method for Low Power Image Feature Extraction Hardware Design," Journal of Korea institute of information, electronics, and communication technology (KIIECT), vol. 10, no. 2, pp. 141-146, Apr. 2017. https://doi.org/10.17661/JKIIECT.2017.10.2.141
  3. W. Kim, J. Lee, H. An, and B. Kim, "Image Filter Optimization Method based on common sub-expression elimination for Low Power Image Feature Extraction Hardware Design," Journal of Korea institute of information, electronics, and communication technology (KIIECT), vol. 10, no. 2, pp. 192-197, Apr. 2017. https://doi.org/10.17661/JKIIECT.2017.10.2.192
  4. W. Kim, J. Lee, and H. An, "Low Complexity Gradient Magnitude Calculator Hardware Architecture Using Characteristic Analysis of Projection Vector and Hardware Resource Sharing," Journal of Korea institute of information, electronics, and communication technology (KIIECT), vol. 9, no. 4, pp. 414-418, Aug. 2016. https://doi.org/10.17661/JKIIECT.2016.9.4.414
  5. J. Canny, "A Computational Approach to Edge Detection," in IEEE Transactions on Pattern Analysis and Machine Intelligence , vol. PAMI-8, no. 6, Nov. 1986.
  6. M. Nixon and A. Aguado, "Low-level feature extraction," in Feature Eextraction & Image Processing for Computer Vision, 3rd ed., Academic Press, Sep. 2012.
  7. N. Otsu, "A threshold selection method from gray-level histograms," IEEE Trans. Syst., Man. Cybern., vol. 9, no. 1, pp. 62-66, Jan. 1979. https://doi.org/10.1109/TSMC.1979.4310076
  8. Q. Xu, S. Varadarajan, C. Chakrabarti, and L. J. Karam, "A Distributed Canny Edge Detector: Algorithm and FPGA Implementation," IEEE Trans. on Image Processing, vol. 23, no. 7, pp. 2944-2960, Jul. 2014. https://doi.org/10.1109/TIP.2014.2311656
  9. J. K. Su and R. M. Mersereau, "Post-processing for artifact reduction in JPEG-compressed images," in Proc. IEEE ICASSP, vol. 3, pp. 2363-2366, May. 1995.
  10. P. Arbelaez, C. Fowlkes, and D. Martin, (2015). The Berkeley Segmentation Dataset and Benchm ark [Online]. Available: http://www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/