챕터 6: Descriptors (피처 디스크립터)

---

1. 개념 및 기본 원리

• Descriptor란? 이미지에서 검출된 Keypoint(Interest Point) 주변의 시각적 정보를 수치화한 Feature Vector로, 이미지 매칭, 인식, 3D 재구성 등에서 핵심 역할을 한다. Feature Descriptor는 “이미지의 지문(fingerprint)” 역할을 하며, 서로 다른 이미지에서 같은 포인트임을 정량적으로 비교할 수 있도록 한다.

---

2. Feature Descriptor의 요구 조건

1. Repetitiveness (반복성)

   • 서로 다른 이미지에서도 같은 포인트를 독립적으로 검출해야 한다.

2. Invariance (불변성)

   • Translation, Rotation, Scale, Affine, Noise, Blur 등의 변화에 대해 강인해야 한다.

3. Locality (지역성)

   • 가림(Occlusion), Clutter, 조명 변화 등 국부적 변화에 잘 견뎌야 한다.

4. Distinctiveness (구별성)

   • 주변 구조가 충분히 독특해야 한다(비슷한 곳끼리는 구분 가능해야 한다).

5. Quantity (수량성)

   • 충분한 개수의 Keypoint가 검출되어야 전체 이미지를 잘 대표할 수 있다.

6. Efficiency (효율성)

   • 계산 및 저장이 효율적이어야 한다.

---

3. 주요 Feature Descriptor 종류와 작동 원리

1) LBP (Local Binary Pattern)

• 원리: 3x3 윈도우 내에서 중심 픽셀과 8개 이웃 픽셀 값을 비교, 이웃 픽셀이 중심보다 크거나 같으면 1, 아니면 0. → 8자리 이진수 생성, 이를 10진수로 변환하여 중심 위치에 저장.

• 수식:

  $$ LBP(x_c, y_c) = \sum_{p=0}^{7} s(g_p - g_c) \cdot 2^p $$

  $s(x) = 1$ if $x \geq 0$, else $0$

• Uniform LBP: 0↔1 전이가 2번 이하인 패턴. 예시: 00000000, 11111111(유니폼), 01010101(비유니폼)

• 장점: 빠르고 단순하며 조명 변화에 강함

• 단점: 큰 스케일 변화나 회전에 약함

---

2) SIFT (Scale-Invariant Feature Transform)

• 핵심 특징:

  • Scale, Rotation 불변
  • 128차원 Feature Vector

• 주요 과정:

  1. Scale-space에서 극값(Extrema) 검출 (Difference of Gaussian, DoG)
  2. Keypoint Localization
  3. Orientation Assignment (Gradient 방향)
  4. Descriptor 생성 (4x4 셀, 각 셀별 8방향 Histogram → 총 128차원)

• 수식:

  $$ D(x, y, \sigma) = L(x, y, k\sigma) - L(x, y, \sigma) $$

  $$ m(x, y) = \sqrt{(L(x+1, y) - L(x-1, y))^2 + (L(x, y+1) - L(x, y-1))^2} $$

  $$ \theta(x, y) = \arctan2(L(x, y+1) - L(x, y-1), L(x+1, y) - L(x-1, y)) $$

• 장점: 변화에 강함, 매칭 성능 우수

• 단점: 연산량 많음, 특허 문제

---

3) SURF, GLOH, DAISY, BRISK, LATCH, LIFT 등

• SURF (Speeded-Up Robust Features): SIFT와 유사, Box Filter 및 Integral Image로 계산 효율 극대화

• GLOH, DAISY: SIFT 구조 확장/변형. 더 길거나 공간 분할이 세분화된 벡터

• BRISK, LATCH, LIFT: Binary Descriptor 기반(0/1), 속도 빠름, 대용량 매칭에서 강점

---

4. Descriptor 비교/정리 표

Descriptor	대표적 특징	장점	단점
LBP	3x3 이진패턴, Uniform 패턴	계산 빠름, 조명 변화에 강함	스케일/회전 변화 약함
SIFT	Scale/Rotation 불변, 128D	변화에 강함, 매칭 정확	느림, 특허
SURF	Box Filter, 빠른 연산	속도 빠름	특허, 일부 상황 약함
Binary류	BRISK, LATCH 등	대용량에서 빠름	정보 손실, 민감성 있음

---

5. Descriptor Matching(매칭) 및 거리 계산

• Euclidean Distance (실수형):

  $$ d(\mathbf{f}1, \mathbf{f}2) = \sqrt{\sum{i=1}^{N} (f{1i} - f_{2i})^2} $$

• Hamming Distance (Binary Descriptor):

  • 두 벡터 간 “1의 개수” 세서 거리 산출

---

6. 자주 나오는 계산/암기 예시

(1) LBP 코드 계산 예시

• 중심 픽셀: 30, 이웃 값: [35, 20, 28, 33, 32, 29, 40, 25]
• $s(g_p - g_c)$: [1, 0, 0, 1, 1, 0, 1, 0] → 10011010(2진) → 154(10진)

(2) SIFT 128차원 구조 유도

• 4x4 셀(16개) × 각 셀마다 8방향 = 128

---

7. 객관식 예시: 틀린 것/맞는 것 모두 고르시오

• 문제: 아래 중 LBP(Local Binary Pattern)에 대한 설명으로 틀린 것을 모두 고르시오. ① 중심 픽셀과 8개 이웃 픽셀을 비교한다. ② 결과 이진수는 16비트로 구성된다. ③ Uniform LBP는 0↔1 전이가 2회 이하인 패턴이다. ④ LBP는 큰 스케일 변화에도 강하다.

• 정답: ②, ④ (LBP는 8비트/스케일 변화에 약함)

---

8. 주관식 예시: 아는 대로 서술하시오

• “SIFT(Scale-Invariant Feature Transform)의 주요 단계와 장단점을 아는 대로 서술하시오.”
• “Descriptor가 갖춰야 하는 주요 요구 조건에 대해 설명하시오.”

---

9. 핵심 암기/메모 키워드

• Feature Descriptor = 이미지의 지문, Keypoint 주변 정보 → 벡터
• LBP, SIFT, SURF, BRISK, DAISY, LATCH, LIFT
• Repetitiveness, Invariance, Locality, Distinctiveness, Quantity, Efficiency
• LBP 수식, SIFT 128D, Uniform Pattern, Euclidean/Hamming Distance
• Matching = Distance 계산

---

★ 실전 대비 팁

• 모든 Descriptor의 정의·요구조건·대표적 수식·장단점·실제 사용 상황 암기
• 계산 문제(LBP, Distance, SIFT 차원 등) 연습
• “핸드크래프트 vs 러닝기반” Descriptor 비교 주관식도 준비