에지와 영역

에지와 영역은 쌍대 문제, 다른 접근방법 사용

에지와 영역은 같은 문제를 다른 방향으로 푼다고 볼 수 있음
에지 : 특성이 다른 곳 검출
영역 : 유사한 화소를 묶음

사람은 의미분할에 능숙

사람은 머리속에 기억된 물체 모델을 활용하여 의미 분할

에지 검출 알고리즘

미분

변수 x가 미세하게 증가했을 때 함수 변화량을 측정
미분을 디지털 영상에 적용하면 한 화소가 변할때 얼마나 바뀌는가로 변함
실제 구현은 필터 u로 컨볼루션(u를 에지 연산자로 부름) $f'(x) = \frac{f(x + \delta x) - f(x)}{\delta x} = f(x+1) - f(x)$

에지 연산자

현실 세계의 램프 에지
- 명암이 몇 화소에 걸쳐 변함
1차 미분과 2차 미분
2차미분 $f''(x) = \frac{f'(x) - f'(x - \delta)}{\delta} = f'(x) - f'(x-1) = (f(x+1) - f(x)) - (f(x) - f(x-1)) = f(x+1) - 2f(x) + f(x-1)$
1차미분과 2차미분 차이
- 2차미분을 하면 이 식을 구하는 필터를 한번에 구할 수 있음

에지 검출

1차 미분에서 봉우리 찾기
2차 미분에서 영교차 찾기

1차 미분에 기반한 에지 연산자

실제 영상에 있는 잡음을 흡수하기 위해 크기가 2인 필터를 크기 3으로 확장
또한 1차원을 2차원으로 확장 $f'_x (y, x) = f(y, x+1) - f(y, x-1) \\ f'_y (y, x) = f(y+1, x)-f(y-1,x)$

에지 강도와 에지 방향

에지 강도 : 에지일 가능성을 나타냄 $s(y, x) = \sqrt{f'_x (y, x)^2 + f'_y(y, x)^2}$
그레이디언트 방향 : 에지방향은 그래디언트 방향을 90도 회전한 방향으로 정의 $d(y, x) = arctan \left(\frac{f'_y (y, x)}{f'_x (y, x)}\right)$
그레이디언트 방향과 에지 방향은 270도 차이

소벨 연산자의 적용

import cv2 as cv
img = cv.imread('img.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

grad_x = cv.Sobel(gray, cv.CV_32F, 1, 0, ksize = 3) #소벨연산자 적용
grad_y = cv.Sobel(gray, cv.CV_32F, 0, 1, ksize = 3)

sobel_x = cv.convertScaleAbs(grad_x) #절댓값을 치해 양수 영상으로 변환
sobel_y = cv.convertScaleAbs(grad_y)

edge_strength = cv.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0) #에지 강도 계산

cv.imshow('original', gray)
cv.imshow('sobelx', sobel_x)
cv.imshow('sobely', sobel_y)
cv.imshow('edge strength', edge_strength)

cv.waitKey()
cv.destroyAllWindows()

Sobel 함수로 x방향의 연산자를 적용. cv.CV_32F:결과 영상을 32비트 실수 맵에 저장하라는 의미. 1, 0은 x방향 연산자를 사용하라는 의미. ksize = 3 : 3X3크기를 사용하라는 의미
cv.convertScaleAbs : 음수가 포함된 맵에 절댓값을 취해 양수로 변환.
- 이 함수는 부호 없는 8비트 형인 CV_8U맵을 만듬. np.clip(a, 0, 255)처럼 값을 기록.
addWeighted : sobel_x, sobel_y에 각각 0.5를 곱해서 더한 결과를 edge_strength객체에 저장
- 이 함수는 addWeighted(A, a1, B, b1, c)이럴 경우 A x a1 + B x b1 + c를 계산
- A와 B가 같은 데이터형이면 결과 영상은 같은 데이터형, 둘이 다른 데이터형이면 오류 발생

캐니 에지

에지 검출을 최적화 문제로 품

최소 오류율, 위치 정확도, 한 두께라는 세 가지 기준으로 목적 함수 정의
한 두께 에지를 출력하기 위해 비최대 억제 적용
- 에지 방향에 수직인 두 이웃 화소의 에지 강도가 자신보다 작으면 에지로 살아남고 그렇지 않으면 에지 아닌 화소로 바뀐다.
거짓 긍정을 줄이기 위해 두 개의 이력 임계값 사용
- 에지 강도가 $T_{high}$ 이상인 에지에서 에지 추적 시작
- 이후 추적은 $T_{low}$ 이상인 에지를 대상으로 진행

캐니 에지 실험

import cv2 as cv
img = cv.imread('img.jpg')

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

canny1 = cv.Canny(gray, 50, 150) #Tlow가 50, Thigh가 150
canny2 = cv.Canny(gray, 100, 200)

cv.imshow('original', gray)
cv.imshow('canny1', canny1)
cv.imshow('canny2', canny2)

cv.waitKey()
cv.destroyAllWindows()

최소 오류율 : 거짓 긍정

실제로는 부정, 긍정으로 판단
에지 검출에서 에지가 아니지만 에지로 판단

위치 정확도

에지가 참 에지와 가까워야함
검출기에 의한 에지와 진짜 에지의 중심거리가 최소가 되어야함

한 두께

참 에지 점에 대해 한 점만을 반환 해야함
에지 점이 하나만 있는 곳에서 여러개를 식별하지 않아야 함

4단계 연산을 거침

1단계 - 가우시안 필터링 : 블러링을 통해 잡음을 제거
2단계 - 그래디언트 계산 : 소벨 마스크 필터링을 통해 그래디언트의 크기와 방향을 계산
3단계 - 비최대 억제 : 그래디언트 크기가 국지적으로 최대인 픽셀을 에지 픽셀로 설정
4단계 - 히스테리시스 에지 트래킹 : 2개의 임계값을 사용
- 높은 임계값 $T_{high}$ 보다 크면 최종적인 에지로 판단
- 낮은 임계값 $T_{low}$ 보다 낮으면 에지가 아닌 것으로 판단
- 두 값 사이에 있는 픽셀은 연결된 에지 픽셀이 강한 에지(높은 임계값 이상)인 경우에 에지로 판단

에지 검출 방법은 명암 변화에만 의존

물체 경계에 나타난 에지와 그림자로 인해 발생한 가짜 에지 구분에 약함
인접한 두 물체가 비슷한 명암을 가지면 구분이 힘듬
사람의 경우에는 물체의 모양과 겉모습을 동시에 사용
- 주위 환경의 변화에도 성능 저하가 적음
에지 검출에 대한 연구는 캐니 이후 뚜렷한 개선이 없음

직선 검출

에지 맵에서 에지는 1 그 외 화소는 0

에지를 명시적으로 연결하여 경계선을 찾고 직선으로 변환
이후 처리 단계인 물체 표현이나 인식에 유리

8-연결된 에지 화소를 연결해 경계(윤곽)선 구성

경계선 검출

canny 방법으로 에지 맵 생성
에지 맵에서 경계선을 찾아서 저장
- 경계선을 찾을 이미지를 넣으면 바깥 경계와 안쪽 경계를 계층적으로 찾아줌
- RETR_LIST는 바깥 경계인 에지에 해당하는 픽셀의 위치를 리스트로 만듬
- CHAIN_APPROX_NONE은 에지로 분류된 모든 픽셀의 위치를 기록
drawContours에지로 설정된 경계선을 그려줌
- 이미지, 경계선 값(list), 경계선 인덱스, 색상, 두께의 값을 입력
- 경계선 인덱스 -1은 경계선 값으로 선택된 값 전체를 이미지 위에 그려줌

경계선 검출 코드

import cv2 as cv
import numpy as np

img = cv.imread('img.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
canny = cv.Canny(gray, 100, 200)

contour, hierarchy = cv.findContours(canny, cv.RETR_LIST, cv.CHAIN_APPROX_NONE)

lcontour = []
for i in range(len(contour)):
  if contour[i].shape[0] > 100:
    lcontour.append(contour[i])

cv.drawContours(img, lcontour, -1, (0, 255, 0), 3)

cv.imshow('original with contours', img)
cv.imshow('canny', canny)

cv.waitKey()
cv.destroyAllWindows()

findContours함수로 경계선을 찾아 contour객체에 저장
- cv.RETR_LIST : 구멍이 있는 경우 바깥쪽 경계선과 그 안에 있는 구멍의 경계선을 계층적으로 찾는 방식 지정. 이렇게 설정하면 맨 바깥쪽 경계선만 찾음
- cv.CHAIN_APPROX_NONE : 경계선을 표현하는 방식 지정한것. 이렇게 설정하면 모든 점을 기록
  - cv.CHAIN_APPROX_SIMPLE로 설정하면 직선에 대해서는 양 끝점만 기록
  - cv.CHAIN_APPROX_TC89_L1, cv.CHAIN_APPROX_TC89_KCOS : 이렇게 설정하면 Teh-Chin 알고리즘으로 굴곡이 심한 점을 찾아 그들만 기록
for문 부분은 길이가 50이상인 경계선만 골라 lcontour에 저장함
- findContours함수는 시작점부터 끝점까지 추적한 다음 역추적하여 시작정으로 돌아오도록 경계선 표현. 그래서 100으로 설정하여 실제로는 50 이상인 경계선만 남김
drawContours로 영상에 경계선을 그림
- 세번째 인수를 -1로 설정 : 모든 경계선을 그림. 양수로 설정하면 해당 번호에 해당하는 경계선 하나만 그림
- 네번째, 다섯번째는 색과 두께 지정

허프 변환

허프 변환은 끊긴 에지를 모아 직선 또는 원 등을 검출
직선 검출의 원리
- 각각의 점에 대해 (b, a)공간에 직선 $b = -ax_i + y_i$를 그림
- (b,a)공간에서 직선이 만나는 점을 절편과 기울기로 취함. 만나는 점은 투표로 알아냄

허프 변환 구현

(b, a)공간을 이산화하고 누적 배열 만들어 투표를 기록
직선은 자신이 지나는 칸에 1만큼씩 투표
다수 표를 얻은 점을 결정할 때 비최대 억제를 적용하여 지역 최대점(극점) 찾음
극좌표에서 정의된 직선의 방정식 사용
- \[x\sin(\theta) + y\cos(\theta) = \rho\]
문제점 많은 점이 존재, 점들이 완벽한 일직선 X
문제점 투표의 결과로 만들어진 배열에 잡음이 많음
문제점 기울기가 a가 무한대인 경우 투표 불가능

원 검출을 위한 허프 변환은 3차원 누적 배열 사용

\[(x-a)^2 + (y-b)^2 = r^2\]

HoughCircles 함수

이미지, 변형 알고리즘, 배열의 크기, 원 중심 사이의 최소 거리, 캐니 알고리즘의 강한 에지 임계치, 비최대 억제 임계치, 원의 최소 반지름, 원의 최대 반지름
배열의 크기값 1인 경우 입력영상과 같은 크기
함수의 결과는 찾은 원의 중심과 반지름 값

import cv2 as cv
img = cv.imread('img.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

apples = cv.HoughCircles(gray, cv.HOUGH_GRADIENT, 1, 200, param1 = 150,\
             param2 = 20, minRadius = 50, maxRadius = 120)
for i in apples[0]:
  cv.circle(img, (int(i[0]), int(i[1])), int(i[2]), (255,0,0),2)

cv.imshow('apple detection', img)

cv.waitKey()
cv.destroyAllWindows()

HoughCircles : 첫번째 인수인 명암 영상에서 원을 검출, 중심과 반지름을 저장한 리스트를 반환. 두번째 인수는 여러 변형 알고리즘 중의 하나를 지정
- cv.HOUGH_GRADIENT : 에지 방향정보를 추가로 사용하는 방법
- 세번째 인수는 누적 배열의 크기를 지정, 1로 설정하면 입력 영상과 같은 크기를 사용
- 네번빼 인수는 원 사이의 최소 거리를 지정. 작을수록 많은 원이 검출됨
- 다섯번째 인수 : 캐니 에지 알고리즘이 사용하는 Thigh
- 여섯번째 인수는 비최대 억제를 적용할 때 쓰는 임곗값
- 일곱, 여덟 : 원의 최소와 최대 반지름 지정

RANSAC

허프 변환과 최소평균제곱오차

두 가지 방법 모두 아웃라이어에 강인하지 않은 추정 기법
아웃라이어를 걸러내는 기능이 전혀 없음(모든 점에 같은 기회 부여)

강인한 추정 기법

예) 물건의 길이를 5번 측정한 결과 {16, 1, 1, 1, 1}에 평균 적용하면 4, 중앙값 적용하면 1. 중앙값은 강인한 추정 기법

RANSAC은 강인한 추정 기법

RANSAC은 구체적인 문제에 두루 활용할 수 있는 메타 알고리즘
난수를 생성하여 추정하는 일을 충분히 많이 반복하고 가장 신뢰할 수 있는 값 선택
임의의 두 점을 연결한 선분의 일정한 폭에 포함되는 점의 개수가 적으면 후보에서 제외

영역 분할

영역 분할은 물체가 점유한 영역을 구분하는 작업
- 에지가 완벽하면 영역 분할은 불필요 하지만, 폐곡선을 형성하지 못하면 영역 분할이 안된 것
- 사람은 물체의 3차원 모델을 사용하고 주의 집중을 적용하여 의미 분할 수행
- 명암 또는 컬러만 보고 영역을 결정하기 때문에 의미 분할 불가능
단순한 분할의 예
- 스캔한 책의 영상 또는 컨베이어 벨트 위를 흐르는 물체의 영상-> 단순한 알고리즘도 좋은 성능을 보임
영역 분할 알고리즘
- 워터셰드 알고리즘 적용

슈퍼 화소 분할

슈퍼 화소는 화소보다 크지만 물체보다 작은 자잘한 영역으로 과잉 분할
SLIC 알고리즘
- k-평균 군집화와 비슷하게 동작
- 화소 할당 단계 : 화소 근처 4개 군집 중심과의 거리를 계산해서 가장 가까운 곳으로 할당
- 군집 중심 갱신하는 단계 : 화소의 평균으로 계산해서 군집 중심을 갱신
- 군집의 중심의 이동량의 평균이 임계치 보다 작으면 수렴으로 판단하여 알고리즘 중단

SLIC알고리즘으로 슈퍼 화소 분할

import skimage
import numpy as np
import cv2 as cv

img = skimage.data.coffee()
cv.imshow('coffee image', cv.cvtColor(img, cv.COLOR_RGB2BGR))

slic1 = skimage.segmentation.slic(img, compactness = 20, n_segments = 600)
sp_img1 = skimage.segmentation.mark_boundaries(img, slic1)
sp_img1 = np.uint8(sp_img1*255.0)

slic2 = skimage.segmentation.slic(img, compactness = 40, n_segments = 600)
sp_img2 = skimage.segmentation.mark_boundaries(img, slic2)
sp_img2 = np.uint8(sp_img2*255.0)

cv.imshow('sp', cv.cvtColor(sp_img1, cv.COLOR_RGB2BGR))
cv.imshow('sp', cv.cvtColor(sp_img2, cv.COLOR_RGB2BGR))

cv.waitKey()
cv.destroyAllWindows()

slic함수로 슈퍼 화소 분할 수행, 결과를 slic1객체에 저장
- compactness : 슈퍼 화소의 모양을 조절. 값이 클수록 네모에 가까운 모양이 만들어짐/ 슈퍼화소의 색상 균일성은 희생됨
- n_segments : 슈퍼화소의 개수를 지정. 여기선 600개로 지정함
np.uint8 : 0~1사이의 실수로 표현된 sp_img1을 0~255 사이로 바꾸고 uint8형으로 변환

최적화 분할

지금까지 분할 알고리즘은 지역적 명암 변화만 살피기 때문에 한계
전역적 정보를 고려하여 문제 해결
- 지역적으로 색상 변화가 약하지만 전역적으로 유리하다면 물체 경계로 간주
- 영상을 그래프로 표현하고 최적화 알고리즘으로 분할 문제를 품
  - 슈퍼 화소를 대상으로 계산할 경우 대상이 되는 노드의 개수를 줄일 수 있음

영상의 그래프 표현

화소 또는 슈퍼화소를 노드로 취함
두 노드의 유사도를 계산하여 에지에 부여
- f(v)는 v에 해당하는 화소의 색상(r, g, b)과 위치 (x, y)를 결합한 5차원 벡터
- v가 슈퍼노드인 경우 화소의 평균을 사용
두 노드의 거리 $d_{pq} = \begin{cases}||f(v_p) - f(v_q)||,\ v_q \in neighbor(v_p) \\ \infty ,\ otherwise \end{cases}$
두 노드의 유사도 $s_{pq} = \begin{cases}D - d_{pq} or 1/e^{d_{pq}},\ v_q \in neighbor(v_p) \\ 0,\ otherwise \end{cases}$
이 때 D는 $d_{pq}$의 가능한 최대값, $neighbor(v_p)$는 8연결성 또는 지정한 거리 $\gamma$이내의 값들의 집합

정규화 절단 알고리즘

cut은 다음과 같이 정의 $cut(C_1,\ C_2) = \sum_{v_p \in C_1, v_q \in C_2}s_{pq}$
영상을 두 영역으로 분할했을 때 분할의 좋은 정도를 측정해 주는 목적 함수
- 제대로 된 분할에서 C1에 속한 화소와 C2에 속한 화소의 유사도가 작고 함수의 결과값도 작아짐
- C1과 C2가 클수록 cut값이 증가 -> cut을 사용한 분할 알고리즘은 영역을 자잘하게 분할하는 경향
ncut은 cut을 정규화하여 영역의 크기에 중립이 되게 해줌 $ncut(C_1, C-2) = \frac{cut(C_1, C_2)}{cut(C_1, C)} + \frac{cut(C_1, C_2)}{cut(C_2, C)}$
- 식에서 $C \equiv C_1 \cup C_2$이고, 전체 영역에서 C1을 분할하는 것과 C2를 분할하는 것을 가중치로 사용하여 영역의 크기가 커지면 반영 비율이 적어지는 효과
ncut을 빨리 계산하는 효율적 알고리즘이 개발되어 있음
- skimage.graph

정규화 절단 알고리즘

import skimage
import numpy as np
import cv2 as cv
import time

coffee = skimage.data.coffee()

start = time.time()
slic = skimage.segmentation.slic(coffee, compactness = 20, n_segments = 600, start_label = 1)

g = skimage.future.graph.rag_mean_color(coffee, slic, mode = 'similarity')
ncut = skimage.future.graph.cut_normalized(slic, g)
print(coffee.shape, time.time() - start)

marking = skimage.segementation.mark_boundaries(coffee, ncut)
ncut_coffee = np.uint8(marking*255.0)

cv.imshow('normalized', cv.cvtColor(ncut_coffee, cv.COLOR_RGB2BGR))

cv.waitKey()
cv.destroyAllWindows()

rag_mean_color : 슈퍼화소를 노드로 사용, similarity를 에지 가중치로 사용한 그래프를 구성하여 g객체에 저장
cut_normalized : slic1, g객체 정보를 이용하여 정규화 절단 수행
mark_boundaries : 경계선 주변에 색상 적용 -> 경계를 시각적으로 강조. 여기선 ncut을 활용하여 경계선을 그림

대화식 분할

앞에서 다룬 분할 알고리즘은 영상 전체를 여러 개의 영역으로 분할
때로 한 물체의 분할에만 관심이 있는 응용이 있음
- 예) 특정 물체를 오려내고 다른 물체로 대치
- 사용자가 초기 정보를 입력하면 반자동 분할해주는 여러 알고리즘이 있음

능동 외곽선(스네이크)

물체 내부에 초기 곡선을 지정하면 곡선을 점점 확장하여 물체 외곽선으로 접근
곡선이 꿈틀대변서 에너지가 최소인 상태를 찾아가기 때문에 스네이크라 칭함

곡선 표현 방법

곡선을 표현하기 위해 스플라인 곡선을 고안
스플라인은 주어진 점을 지나는 부드러운 곡선을 다항식으로 표현하는 것
영상에너지, 내부에너지, 도메인 에너지로 구성
식 $E(g) = \displaystyle \sum_{l = 0}^n \left(e_{image}(g(l)) + e_{internal}(g(l)) + e_{domain}(g(l))\right)$
영역 분할을 최소 에너지를 갖는 곡선을 찾는 문제로 공식화 $\hat{g} = \argmin_gE(g)$
사용자가 지정한 초기 곡선 g0에서 시작하여 g1, g2로 발전해 감

Williams의 알고리즘

Kass의 스네이크 알고리즘을 개선

GrabCut

네트워크 흐름

여러 지점을 거치는 물이나 전기 흐름을 그래프로 표현하고 병목 지점을 찾아 흐름을 개선하는 문제
Greig는 네트워크 흐름 알고리즘을 여상 복원에 적용하여 컴퓨터 비전에 끌어들임
이후 스테레오와 영역 분할 등에 널리 활용

GrabCut

사용자가 붓으로 물체와 배경을 초기 지정
붓으로 선택된 화소를 가지고 물체 히스토그램과 배경 히스토그램을 만듦
나머지 화소들은 두 히스토그램과 유사성을 따져 물체일 확률과 배경일 확률을 추정
이 확률 정보를 이용하여 물체 영역과 배경 영역을 갱신

영역 특징

특징의 불변성과 등변성

변환을 해도 값이 변하지 않으면 불변성이 있는 특징
변환에 따라 값이 따라 변하면 등변성이 있는 특징
명암 변화에 둔감한 광도 불변성도 중요
과업에 따라 특징을 선택하는 일이 중요

모멘트와 모양 특징

영역 R의 모멘트 $m_{qp}(R) = \sum_{y, x \in R}y^q x^p$
모멘트를 이용한 다양한 특징
- 면적 : $a = m_{00}$
- 중점 : $(\dot{y}, \dot{x}) = \left(\frac{m_{10}}{a}, \frac{m_{01}}{a}\right)$ $\mu_{qp} = \sum_{(y, x) \in R}(y - \dot y)^q(x - \dot x)^p$
- 열분산 : $v_{cc} = \frac{\mu_{20}}{a}$
- 행분산 : $v_{rr} = \frac{\mu_{02}}{a}$
- 열행분산 : $v_{rc} = \frac{\mu_{11}}{a}$

영역의 둘레와 둥근 정도

둘레 : $p = n_{even} + n_{odd}\sqrt2$
둥근 정도 : $r = \frac{4\pi a}{p^2}$

주축의 방향

$\theta = \frac{1}{2}arctan\left(\frac{2\mu_{11}}{\mu_{20} - \mu_{02}}\right)$

텍스처 특징. 텍스처는 일정한 패턴의 반복

에지 통계량으로 텍스처 특징을 측정 $T_{edge} = (busy,mag(i), dir(j)),\ 0 \leq i \leq q - 1,\ 0 \leq j \leq 7$
LBP(local binary pattern)와 LTP(local ternary pattern)
- LBP는 중심 화소와 주위 화소의 명암 값을 비교해서 텍스처 측정. 256차원 특징 벡터
- LTP는 작은 명암 변화에 민감한 LBP단점 개선. 512차원 특징 벡터

Jayiuk Blog

에지와 영역

에지와 영역

에지와 영역은 쌍대 문제, 다른 접근방법 사용

사람은 의미분할에 능숙

에지 검출 알고리즘

미분

에지 연산자

에지 검출

1차 미분에 기반한 에지 연산자

에지 강도와 에지 방향

소벨 연산자의 적용

캐니 에지

에지 검출을 최적화 문제로 품

캐니 에지 실험

최소 오류율 : 거짓 긍정

위치 정확도

한 두께

4단계 연산을 거침

에지 검출 방법은 명암 변화에만 의존

직선 검출

에지 맵에서 에지는 1 그 외 화소는 0

8-연결된 에지 화소를 연결해 경계(윤곽)선 구성

경계선 검출

경계선 검출 코드

허프 변환

허프 변환 구현

원 검출을 위한 허프 변환은 3차원 누적 배열 사용

HoughCircles 함수

RANSAC

허프 변환과 최소평균제곱오차

강인한 추정 기법

RANSAC은 강인한 추정 기법

영역 분할

슈퍼 화소 분할

SLIC알고리즘으로 슈퍼 화소 분할

최적화 분할

영상의 그래프 표현

정규화 절단 알고리즘

정규화 절단 알고리즘

대화식 분할

능동 외곽선(스네이크)

곡선 표현 방법

Williams의 알고리즘

GrabCut

네트워크 흐름

GrabCut

영역 특징

특징의 불변성과 등변성

과업에 따라 특징을 선택하는 일이 중요

모멘트와 모양 특징

영역의 둘레와 둥근 정도

주축의 방향

텍스처 특징. 텍스처는 일정한 패턴의 반복