Построение и комбинирование признаков в задаче поиска изображений по содержанию

• Автор: Васильева, Наталья Сергеевна
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Санкт-Петербург
• Количество страниц: 164 с. : ил.

Оглавление
Введение

1. Методы поиска изображений по содержанию

1.1. Направления исследований в области I.

1.2. Основные проблемы I

1.3. Построение векторов признаков классификация подходов .

1.4. Цвет

1.4.1. Цветовые пространства

1.4.2. Цветовые гистограммы

1.4.3. Цветовые моменты.

1.4.4. Сравнение цветовых признаков.

1.5. Текстура
1.5.1. Матрицы смежности
1.5.2. Признаки Тамуры
1.5.3. Использование вейвлетпреобразования.
1.5.4. Использование фильтров Габора
1.5.5. Использование фильтров I.
1.5.6. Сравнение текстурных признаков
1.6. Контуры и объекты.
1.6.1. Дескрипторы границ.
1.6.1.1. Простые дескрипторы границ
1.6.1.2. Цепные коды.
1.6.1.3. Сигнатуры.
1.6.1.4. Дескрипторы Фурье.
1.6.1.5. Другие дескрипторы границ .
1.6.2. Дескрипторы областей
1.6.2.1. Простые дескрипторы областей
1.6.2.2. Гридметод i
1.6.2.3. Моменты и их инварианты.
1.6.2.4. Общие дескрипторы Фурье .
1.6.2.5. Декомпозиция объектов.
1.6.3. Сравнение признаков формы.
1.7. Комбинирование различных .методов поиска
1.8. Обзор существующих систем.
2. Поиск по цвету
2.1. Выбор схемы квантования при построении цветовой гистограммы .
2.1.1. Выбор цветового пространства
2.1.2. Выбор схемы квантования.
2.2. Учет пространственного расположения цветов
2.3. Эффективность поиска по цветовым гистограммам.
2.3.1. Описание экспериментов
2.3.2. Анализ результатов .
2.3.2.1. Учет пространственного расположения цветов
2.3.2.2. Снижение зависимости от условий освещенности
2.3.2.3. Выбор шага квантования
2.4. Выводы
3. Синтез методов поиска при формировании результатов
3.1. Взвешенное среднее с гравитационной функцией
3.1.1. Постановка задачи.
3.1.1.1. Поиск в частично аннотированной коллекции изображений.
3.1.1.2. Синтез результатов методов поиска по низкоуровневым признакам.
3.1.1.3. Формализация задачи синтеза методов поиска
3.1.2. Функция синтеза
3.1.2.1. Свойства функции синтеза.
3.1.2.2. Функция стабилизации высокоранговых элементов и правила конусов.
3.1.2.3. Реализация вычислений
3.1.3. Описание экспериментов
3.1.3.1. Поиск по частично аннотированной базе . .
3.1.3.2. Синтез методов поиска но содержанию .
3.1.4. Анализ резул ьтатов
3.1.4.1. Метод оценки алгоритмов синтеза
3.1.4.2. Поиск в частично аннотированной коллекции
3.1.4.3. Синтез методов поиска по содержанию .
3.1.4.4. Обсуждение результатов
3.2. Адаптивный синтез методов поиска по цвету и текстуре . . .
3.2.1. Постановка задачи.
3.2.2. Выбор оптимальных весов для комбинирования ре
зультатов поиска по цвету и текстуре в зависимости
от запросаобразца.
3.2.2.1. Описание эксперимента
3.2.2.2. Анализ результатов.
3.2.3. Сравнение методов адаптивнош синтеза и СотЬММ2
3.2.3.1. Описание эксперимента
3.2.3.2. Анализ результатов
3.2.4. Классификация запроса.
3.2.4.1. Построение низкоуровневых центроидов для
групп визуально подобных изображений . .
3.2.4.2. Использование классических алгоритмов
классификации
3.3. Выводы
Заключение
Библиография


Рассматривается новая схема квантования с граничными условиями для цветовых пространств семейства И ЗУ. Данная схема учитывает такие особенности системы зрительного восприятия человека, как меньшая чувствительность к изменению оттенка цвета при недостаточной или чрезмерной яркости, недостаточной насыщенности цвета. Приводятся результаты экспериментальных исследований эффективности поиска по цветовым гистограммам в различных цветовых пространствах с разными схемами квантования и на различных коллекциях изображений. Согласно полученным результатам, добавление информации о пространственном расположении цветов в гистограмму позволило существенно повысить точность и полноту результатов поиска вне зависимости от выбора цветового пространства и схемы квантования. Экспериментальное исследование зависимости эффективности поиска по цветовым гистограммам от выбора шага квантования цветового пространства доказало существование пороговых значений, таких что выбор меньших шагов квантования (увеличение числа цветовых диапазонов) не приводит к улучшению результатов поиска. В третьей главе обсуждаются подходы к комбинированию независимых признаков для формирования единого результата поиска. Рассматриваются различные схемы применения функций синтеза в решении задачи поиска изображений: использование синтеза для реализации поиска по частично аннотированной базе с текстовым запросом, универсальный (независящий от запроса) синтез методов поиска по визуальным признакам и адаптивный синтез методов поиска по цвету и текстуре. Глава состоит из двух разделов. В первом обсуждается общая задача синтеза взвешенных ранжированных списков. Формулируются требования к универсальной функции синтеза, подходящей для различных схем решения задачи поиска изображений. Рассматривается новая функция WTGF (Weighted Total with Gravitation Function), удовлетворяющая сформулированным требованиям. Приводятся результаты экспериментального сравнения функции WTGF с такими известными и широко используемыми функциями синтеза, как CombMNZ и взвешенным средним на различных задачах синтеза. Согласно полученным результатам, функция WTGF более эффективна при условии достоверности информации о весах источников и исходных рангах элементов и небольшом пересечении входных списков. Использование CombMNZ дает лучший результат при достаточном пересечении входных списков и возможной недостоверности весов источников и рангов элементов. Во втором разделе рассматривается новый метод адаптивного синтеза результатов поиска но цветовым и текстурным признакам, зависящий от запроса-образца. Данный метод основан на подтверждаемой экспериментами гипотезе о том, что при использовании линейной комбинации в качестве функции синтеза можно определить оптимальные веса для изображений-запросов из разных семантических классов. В разделе также исследуется применимость известных методов классификации в контексте данной задачи. Предлагается центроидный классификатор в сравнении с методами Байеса и опорных векторов. Приводятся результаты экспериментального исследования, согласно которым предложенный метод адаптивного синтеза вкупе с центроидным классификатором позволяет повысить точность результатов поиска в сравнении с методом синтеза СотЪШ2. В заключении формулируются основные результаты работы. Глава 1. Традиционная архитектура систем поиска изображении по содержанию представлена на рис. Как и в классических системах информационного поиска, в системах СВІЯ выделяют два модуля: индексирования и поиска. Второй модуль занимается непосредственно поиском по запросу пользователя. Во время индексирования вычисляются вектора признаков для всех изображений коллекции и далее по ним строится индекс. В случае, когда поиск происходит по изображению-образцу, не входящему в коллекцию, на этапе поиска необ ходимо вычислить признаки для изображения запроса, используя те же самые алгоритмы, с помощью которых вычислялись признаки для изображений коллекции. Далее поиск производится по полученным векторам признаков изображения-запроса.