이는 가장 빠른 BT기반의 기법에 비해 2배 이상 차이가 난다. 제안한 방법은 엔트로피와 Haar 웨이블렛 특징 벡터, Census 변환을 결합한 유사도 척도를 사 용한다. 그리고 그 중 계산 복잡도가 특히 높은 Census 변환을 이용하므로 그 래프 컷과 같은 전역적 최적화 방법에 적용하면 계산 복잡도가 더 증가한다.
다른 상관도 기반 기법들 중에서 ZSAD와 ZNCC는 창의 크기에 비해 계산 시 간이 크게 증가한 것을 볼 수 있다. 이는 상관도 기반의 기법들은 유사도 척도 를 계산하면서 명암도나 컬러값을 그대로 사용하는 경향이 있고 결국 큰 정수 값을 처리하면서 CPU의 캐쉬메모리에 과부하를 많이 유발한다. 제안한 방법의 유사도 척도들은 각각 최대치가 1이하로 계산되고 × 크기의 비교적 작은 윈 도우를 사용하기 때문에 과부하 유발이 적다. 제안한 방법을 다해상도 기법에 적용했을 때 GC를 적용했을 때보다 25%정도 계산시간이 감소되었다. 8방향으 로 동적 계획법을 적용하고 폐색 영역을 추정하기 위해 양방향으로 정합을 수 행하지만 다해상도 기법을 통해 계산의 효율성을 증가시킬 수 있었다.
제안한 기법이 Aloe 영상에 대해 정합을 1회 수행하면서 각 단계별로 수행시 간의 분포를 확인하기 위해 단계별 소요시간은 표 6.14와 같다.
표 6.14 Aloe 영상에 대한 제안한 방법의 단계별 계산 시간
Table 6.14 Computational time of of each similarity measures and matching for 1 iteration about Aloe image pair
process entry computational time(msec)
entropy 35
Haar wavelet feature vector 74
Census transform 116
proposed similarity measure 225 matching for 1 iteration 720
HEC 유사도 척도는 엔트로피, Haar 웨이블렛 특징 벡터, Census 변환으로 구
성된다. 각각의 유사도 척도를 계산하고 결합하는데 걸리는 시간이 225msec 정 도였다. 이 중 Census 변환의 계산량이 가장 많다. 그 이유는 중심값을 이용해 주변 화소의 대소를 비교하여 이진 비트를 생성하고 해밍거리를 계산하는 과정 을 거치기 때문이다. 유사도 척도를 계산하여 정합을 1회 반복하여 변위도를 개선하는데까지 약 720msec의 시간이 소요된다.
제안한 기법을 이용해 최종 변위도를 얻기까지 소요되는 시간을 다해상도 기 법의 유무에 따라 각각 산출한 결과와 기존의 다해상도 기법을 적용하여 얻은 계산시간은 표 6.15와 같다.
표 6.15 다해상도 미적용시 3회 반복 시간, 기존의 다해상도 기법과 제안한 다 해상도 기법의 3계층 처리 시간
Table 6.15 Computational time of non-hirachical method for 3 iterations, conventional method and proposed hirachical method about 3 levels
entry computational time(sec) matching without multi-resolution method
(3 iterations) 2.16
matchig with conventional multi-resolution method
(3 levels) 0.96
proposed method
(3 levels) 1.23
제안한 다해상도 기법의 영상 피라미드가 3단계이기 때문에 원영상 크기에서 3회 반복한 시간과 비교하였다. 그 결과 약 40%의 계산시간 단축 효과를 보였 다. 기존의 다해상도 기법을 동일한 조건에서 적용했을 때 0.96초였고 이는 1.24초 걸린 제안한 방법에 비해 빨랐다. 그러나 최종 변위도의 정확도를 고려 했을 때 제안한 방법의 효율성이 더 좋다고 할 수 있다.