본 논문에서는 칼라 특징으로 칼라 오토코렐로그램(autocorrelogram)을 선택하고 질감 특징으로 BDIP(block difference inverse probabilities)와 BVLC(block variance of local correlation coefficient)를 선택하여 이들을 효율적으로 추출하고 결합한 다중 특징기반 영상검색 기법을 제안한다. 칼라 오토코렐로그램은 영상의 H(hue), S(saturation) 칼라 성분으로부터 추출 하였고, BDIP와 BVLC는 V(value) 성분으로부터 추출하였다. 이때 각 특징추출 시 계산량을 고려하여 간소화된 오토코렐로그램과 BVLC를 제안하여 사용하였으며, 추출한 특징들을 효율적으로 저장하기 위해 특징벡터성분들의 값을 그 분포에 따라 균등 또는 비균등 양자화 하여 사용하였다. Corel DB및 VisTex DB에 대한 실험 결과, 칼라 오토코렐로그램과 BDIP, BVLC 질감 특징을 결합함으로써 동일한 차원에서 오토코렐로그램만을 사용할 때보다 최대 9.5%, BDIP, BVLC만을 사용할 때보다 최대 4% 검색성능이 향상되었다. 또한 제안한 다중 특징은 웨이브렛 모멘트, CSD, 칼라 히스토그램에 비해 특징벡터의 저장공간을 약 3분의 1 정도 적게 차지하면서 검색성능이 각각 최대 12.6%, 14.6%, 27.9% 우수하게 나타남을 확인할 수 있었다.
This paper presents a content-based image retrieval (CBIR) method using the combination of color and texture features. As a color feature, a color autocorrelogram is chosen which is extracted from the hue and saturation components of a color image. As a texture feature, BDIP(block difference of inverse probabilities) and BVLC(block variation of local correlation coefficients) are chosen which are extracted from the value component. When the features are extracted, the color autocorrelogram and the BVLC are simplified in consideration of their calculation complexity. After the feature extraction, vector components of these features are efficiently quantized in consideration of their storage space. Experiments for Corel and VisTex DBs show that the proposed retrieval method yields 9.5% maximum precision gain over the method using only the color autucorrelogram and 4.0% over the BDIP-BVLC. Also, the proposed method yields 12.6%, 14.6%, and 27.9% maximum precision gains over the methods using wavelet moments, CSD, and color histogram, respectively.
