Разработка методов поиска изображений на основе вычислительных моделей визуального внимания

• Автор: Левашкина, Анастасия Олеговна
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Новосибирск
• Количество страниц: 166 с. : ил.

Оглавление
Введение.

Глава 1. Анализ состояния предметной области. Постановка задач исследования.

1.1. Основные по ятия и общая постановка задачи поиска

ИЗОБРАЖЕНИЙ НА ОСНОВЕ СОДЕРЖАНИЯ.

1.2. Архитектура СЯЛс истем.

1.3. Признаки изображений, используемые в СЯЯсистемах.

1.3.1. Признаки цвета.

1.3.2. Признаки текстуры

1.3.3. Признаки форм ы

1.4. Сравнительный анализ современных СЯЯсистем.

1.4.1. Анализ результатов ранее проведенных исследований СВ1Ясистем
1.4.2. Сравнительный анализ демоверсий современных СВШсистем
1.5. Постановка задач исследования
Глава 2. Исследование алгоритмов сегментации изображений
2.1. Постановка задачи сегментации изображений
2.2. Классификация алгоритмов сегментации изображений.
2.2.1. Анализ подходов к классификации алгоритмов сегментации изобраэсений
2.2.2. Обобщенная классификация алгоритмов сегментации изображений
2.3. Исследование критериев оценки качества сегментации.
2.3.1. Классификация критериев оценки качества сегментации
2.3.2. Супервизорные критерии оценки качества сегментации.
2.3.3. Исследование супервизорных критериев оценки качества сегментации
2.3.4. Результаты сравнения супервизорных критериев оценки качества сегментации
2.4. Сравнение алгоритмов сегментации.
2.4.1. Анализ предшествующих работ по сравнению алгоритмов сегментации изображений
2.4.2. Методика сравнения алгоритмов сегментации изображений
2.4.3. Результаты сравнения алгоритмов сегментации изображений.
2.5. Выводы.
Глава 3. Исследование вычислительных моделей, описывающих механизм восприятия изображений человеком.
3.1. Основные понятия.
3.2. Вычислительные модели внимания.
3.2.1. Классификация вычислительных моделей внимания
3.2.2. Вычислительные модели восходящего внимания.
3.2.3. Исследование 1УКалгоритма.
3.3. Исследование степени субъективности внимания человека
3.4. Алгоритм нахождения протообъекта
2.4.1. Описание алгоритма нахождения протообъекта
3.4.2. Сравнение алгоритма и алгоритма нахождения протообъекта.
3.5. Выводы
Глава 4. Модель системы поиска изображений но визуальному сходству
4.1. Общая характеристика системы
4.1.1. Формирование запроса
4.1.2. Извлечение признаков
4.1.3. Измерение сходства изображений
4.2. Анализ результатов поиска разработанной модели Дсистемы.
4.2.1. Критерии оценки эффективности поиска изображений
4.2.2. Тестовое множество изображений
4.2.3. Шкала релевантности.
4.2.4. Методика автоматической оценки качества результатов поиска.
4.2.5. Эксперимент 1. Поиск по глобальному признаку цвета
4.2.6. Эксперимент 2. Поиск по признаку цвета уровня протообъекта объект на изображениизапросе находится автоматически
4.2.7. Эксперимент 3. Поиск по признаку цвета уровня протообъекта объект на изображениизапросе задат пользователь
4.3. Сравнительный анализ результатов экспериментального исследования разработанной модели С7системы
4.3.1. Сравнение результатов проведенных экспериментов.
4.3.2. Анализ совпадений изображений, верно найденных различными методами поиска
4.3.3. Комбинирование поиска по глобальному признаку цвета и признаку цвета протообъекта
4.3.4. Анализ изображений, найденных разными методами
4.4. Сравнение результатов комбинированного поиска изображений с результатами других исследований по поиску изображений.
4.4. . Сравнение с РОМИП
4.4.2. Сравнение результатов комбинированного поиска изображений с известными демоверсиями Iсистем.
4.4.3. Сравнение с системой I
4.5. Выводы
Заключение.
Литература


Это, в свою очередь, приводит к возникновению целого ряда проблем при поиске изображений по содержанию, подробно рассматриваемых дачес в разделе 1. Признаковой моделью изображения поисковым образом изображения будем называть вектор признаков ,2,. Данная модель наиболее часто используется в когнитивной психологии и анализе изображений 4. Говоря другими словами, признаковая модель изображения эго минимальный набор признаков изображения, наиболее полно отражающий в контексте задачи специфику распознаваемого объекта. Известно также определение, данное Праттом, согласно которому признаковой моделью изображения называется его простейшая отличительная характеристика или свойство 5. В наиболее общей постановке задачу поиска изображений по содержанию можно сформулировать следующим образом по заданному визуальному запросу осуществлять в выбранной базе изображений автоматизированный поиск изображений, наиболее близких по их смысловому содержанию к изображениюзапросу. Отметим, что рассматриваемая задача поиска изображений по содержанию является частным случаем задачи информационного поиска Ii iv, I, целыо которой является нахождение той или иной неструктурированной информации. В зарубежной литературе рассматриваемая задача имеет название i iv I. Поэтому для краткости будем называть программные системы, реализующие методы поиска изображений по содержанию, Iсистемами. Далее в последующих разделах главы мы проводим подробное обсуждение архитектуры современных Iсистем, используемых в них признаков изображений, а также анализ современного состояния Iсистем. Архитектура, предложенная Лонг , Жанг , Фенг
2. Архитектура, предложенная Руи , Хуанг и Чанг
4. Архитектура, предложенная Жуанг , Лиу i и Пан
6. Архитектура, предложенная Нака , Верник i, Янг , Галатсанос . Рассмотрим каждую архитектуру более подробно. Данная архитектура системы представлена на рис. Здесь визуальное содержимое изображений в базе описывается многомерными векторами признаков. Векторы признаков изображений базы формируют базу признаков изображений. Далее система преобразует запрос пользователя в свое внутреннее представление данных, т. Затем выполняется измерение сходства между векторами признаков запроса и векторами признаков изображений в базе данных. Поиск ведется с помощью схемы индексации изображений. СВ1Ясистемы, имеющие подобную архитектуру, обязательно содержат компонент, отвечающий за релевантную обратную связь. Этот элемент позволяет изменять процесс поиска для того, чтобы генерировать семантически более значимые результаты поиска. Рисунок 1. Велткамп и Танасе провели анализ современных систем поиска изображений и предложили архитектуру I3Iсистемы, схема которой представлена на рис. Отметим, что здесь, в отличие от 8 на рис. Руи, Хуанг и Чанг выполнили обзор методов, используемых при поиске изображений на основе содержания, а также современных Iсистем, и на основе полученных результатов предложили обобщенное схематичное представление архитектуры Iсистш, приведенное на рис. Рисунок 1. Рисунок 1. Из рис. Имеется база текстовых аннотаций т. Архитектура, предложенная Хове v . Хове описана архитектура прототипа системы VX рис. При этом за основу взята архитектура, предложенная в . Из рис. Под тезаурусом формы понимается предварительно собранный набор шаблонов формы, представляющих важные визуальные объекты в определенной области знаний. Примеры тезауруса формы представлены на рис. Рисунок 1. Рисунок 1. Текстовое семантическое описание форм. Для каждого объекта в тезаурус форм вносится несколько шаблонов формы. Жуанг, Лиу и Пан предложили архитектуру СЯсистемы для поиска изображений в Интернет, представленную на рис. Из рис. Проводится анализ содержания текста Истраницы, на которой было найдено изображение. Рисунок 1. Жуанг, Лиу и Пан отмечали, что эти два метода являются традиционными методами извлечения дополнительной информации об изображении и реализованы во многих современных системах поиска изображений в Интернет. Архитектура, предложенная Нака , Верник i, Янг , Галатсанос . Нака, Верник, Янг, Гапатсанос предложили архитектуру Iсистемы, показанную на рис.