Модель и алгоритмы поиска изображений в графических базах данных на основе теории активного восприятия

• Автор: Десятников, Игорь Евгеньевич
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Нижний Новгород
• Количество страниц: 127 с. : ил.

СОДЕРЖАНИЕ

ВВЕДЕНИЕ
ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ И СИСТЕМ ПОИСКА ИЗОБРАЖЕНИЙ
1.1. Обзор методов поиска изображений
1.1.1. Методы на базе цветовой классификации
1.1.2. Методы на базе анализа текстур
1.1.3. Методы на базе анализа формы объектов
1.1.4. Методы на базе комбинации признаков
1.2. Обзор существующих систем
1.2.1. Архитектура СВЖ-систем
1.2.2. Сравнительный анализ СВІЯ-систем
1.3. Цель и задачи исследования
ГЛАВА 2. ТЕОРЕТИЧЕСКИЙ ПОДХОД К ПОСТРОЕНИЮ СИСТЕМЫ ПОИСКА ИЗОБРАЖЕНИЙ НА ОСНОВЕ ТЕОРИИ АКТИВНОГО ВОСПРИЯТИЯ
2.1. Основные подходы при построении систем поиска изображений
2.2. Формирование признакового описания изображения
2.3. Формирование пространства классов изображений
2.4. Разработка информационной модели системы поиска
2.5. Выводы
ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ
3.1. Программная реализация комплекса поиска изображения
3.2. Алгоритм «Грубый» поиск изображений
3.3. Алгоритм помехоустойчивого поиска изображений
3.4. Алгоритм «Многоуровневый» поиск изображений
3.5. Алгоритм поиска похожих изображений
3.6. Сравнение разработанной поисковой системы с существующими аналогами
Выводы
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЯ
Приложение А. Акты о внедрении результатов кандидатской диссертационной работы
ВВЕДЕНИЕ
Актуальность работы. С каждым годом растёт объём обрабатываемой информации, что требует формализации и последующей алгоритмизации процессов, ранее выполнявшихся вручную. Одним из ключевых понятий в автоматической обработке информации является распознавание объектов определённого класса, в частности поиск изображений в больших базах данных. Когда алгоритмы выполняют распознавание на уровне эксперта-человека, автоматизация ведёт к ускорению работы систем обработки данных и повышению их эффективности.
За последние годы объем мультимедиа-данных вырос в несколько раз. Все большее количество людей используют поиск изображений в больших базах данных и сети Интернет для оформления презентаций, публикаций и просто для общения. При этом классифицированной является лишь незначительная часть этих изображений (в основном, это касается коммерческих и узкоспециализированных баз данных).
Существует разновидность задачи - поиск изображений в базе данных по текстовым аннотациям, размещенным рядом с изображением. Данный подход не рассматривается в работе. Он может являться дополнительной опцией к системе автоматического поиска изображений.
По некоторым подсчетам, количество изображений в сети Интернет на сегодняшний день составляет более 1013 и с каждым годом увеличивается в геометрической прогрессии. Однако, вся эта информация бесполезна без точного, удобного и быстрого поиска по ней.
Можно уверенно прогнозировать, что по мере расширения доступа к электронным архивам изображений и видео будет возрастать значимость поиска изображения по его содержанию. Для обоснования этого прогноза достаточно привести два веских аргумента: во-первых, значительная часть информации, поступающей из окружающего мира, воспринимается нами именно в зрительной форме, что стимулирует технический прогресс в этой области, во-вторых, исследования в области машинного зрения щедро

Рис. 1.8. На картинке слева находится образец, справа - сцена. Линии показывают максимально похожие особые точки образца и сцены. Трапеция показывает обнаруженный на сцене объект
Метод SURF не инвариантен к аффинным преобразованиям. Также он неустойчив к размытию и сжатию изображений. Это объясняется потерей информации в изображении при этих преобразованиях. Хороший и стабильный результат наблюдается при вращении и изменении масштаба изображения. Неплохо метод справляется и с изменением яркости изображения.
Нужно отметить, несмотря на то, что SURF используется для поиска объектов на изображении, он сам работает не с объектами. Метод никак не выделяет объект из фона. Он рассматривает изображение как единое целое и ищет особенности этого изображения. При этом особенности могут быть как внутри объекта, так и на фоне, а также на точках границы объекта и фона. В связи с этим, метод плохо работает для объектов простой формы и без ярко выраженной текстуры. Внутри таких объектов, метод скорее всего не найдет особых точек. Точки будут найдены либо на границе объекта с фоном, либо вообще только на фоне. А это приведет к тому, что объект не сможет быть распознан в другом изображении, на другом фоне.