[영상처리] 이미지매칭(2) - 매칭전략과 성능분석

 

앞서 두 점을 매칭하기 위한 거리를 구하는 방법을 알아보았습니다. → 이미지매칭(1)

오늘은 매칭 후 매칭성능을 평가하기 여러 방법을 알아봅시다.

 

영상의 매칭

두 영상을 매칭하는 경우, 각 영상에서 뽑은 특징벡터를 각각 ai, bj라고 했을 때

- 첫 번째 영상의 특징벡터 ai ( 1<= i <= m )

- 두 번째 영상의 특징백터 bj ( 1<= j <= n )

서로 다른 두 영상에서 추출한 두 점 ai 와 bj가 d(ai, bj)<T를 만족하면 성공적으로 매칭되었다고 할 수 있습니다.

이때 임계값인 T를 정하는 것이 중요한 전략입니다!

- 만약 T가 낮을경우 FN비율이 많아집니다. (진짜 매칭쌍인데 실패하는 경우)

- 만약 T가 높을경우 FP비율이 많아집니다. (가짜 매칭쌍인데 맺어지는 경우)

---

FN과 FP라는 용어가 나왔는데, 이를 잠깐 살펴봅시다.

confusion-matrix

앞에 T(True)가 붙은 애들이 정확히 예측한 경우, F(False)가 붙은 애들이 오답으로 예측한 경우입니다.

뒤에 N과 P는 예측한 답이 False(Negative)인지, True(Positive)인지를 나타냅니다.

즉 FN이면 N이므로 False로 예측했지만, F이므로 실제 답(True)과 다른 경우입니다.

---

따라서 이를 고려하여 적절한 T를 찾아주어야 합니다.

 

ROC성능분석

매칭성능을 평가하기위해 ROC곡선을 그려봅시다.

ROC곡선

ROC(Receiver Operating Characteristic)곡선이란, T를 조금씩 증가시키며 수집한 점 (FPR, TPR)을 이은 곡선입니다.

ROC곡선은 매개변수에 따라 거짓 긍정률과 참긍정률이 어떻게 변하는지 한 눈에 보여주므로 성능 분석에 자주 사용됩니다.

 

FPR(거짓 긍정률)과 TPR(참 긍정률)의 정의는 다음과 같습니다.

참 긍정률 (진짜 쌍이고 맺어지는 경우)

거짓 긍정률 (가짜 쌍인데 맺어지는 경우)

곡선이 왼쪽 위 구석에 가까울 수록 더 좋습니다. 왼쪽 위 구석을 지나는 곡선은 이상적인 성능을 뜻합니다.

 

수치 하나로 성능을 표현해야 할 때에는 곡선아래 면적을 성능지표로 사용하면 됩니다. AUC(Area Under Curve)라고 부르고 클 수록 좋습니다.

 

최근접 거리비율 전략

매칭쌍을 구하기 위한 또다른 방법으로 최근접 거리 비율 전략이 있습니다. 식을 살펴봅시다!

가장 가까운점 bj와 두번째 가까운점 bk를 구합니다.

두 점이 식을 만족하면 ai와 bj가 대응쌍이 됩니다.

간단한 방법이지만 높은 성능을 보입니다. SIFT또한 이러한 방법을 사용한다고 합니다.

 

Reference

오일석(2014), 컴퓨터 비전 Computer Vision, 한빛아카데미

혼동행렬(Confusion Matrix)