Методы и алгоритмы многомерного моделирования пространства характеристик изображений

• Автор: Трубаков, Андрей Олегович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Брянск
• Количество страниц: 214 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ.
1. АНАЛИЗ МЕТОДОВ МНОГОМЕРНОГО МОДЕЛИРОВАНИЯ ХАРАКТЕРИСТИК ДЛЯ СИСТЕМ ПОИСКА ИЗОБРАЖЕНИЙ ПО СОДЕРЖАНИЮ.

1.1. Анализ проблем и применений поиска изображений по содержанию

1.2. Исследование возможности применения многомерного подхода к современным схемам поиска
1.3. Сравнение многомерного подхода с другими методами обработки и поиска изображений.

1.4. Анализ существующих систем поиска изображений по содержанию

1.5. Анализ методов многомерного моделирования пространства характеристик

1.5.1. Схемы преобразования многомерных векторов к одномерному виду.

1.5.2. Методы многомерного хеширования.

1.5.3. Методы иерархической декомпозиции многомерного пространства.

1.6. Постановка задачи исследования
1.7. Выводы
2. ФУНКЦИОНАЛЬНОСТРУКТУРНОЕ МОДЕЛИРОВАН И Е
ПРОЦЕССА ПОИСКА ИЗОБРАЖЕНИЙ НА ОСНОВЕ МНОГОМЕРНОГО ПОДХОДА
2.1. Общая структура модели поиска изображений по содержанию на основе многомерного подхода.
2.2. Предобработка изображений.
2.3. Сегментация изображений.
2.4. Формирование многомерного вектора характеристик.
2.4.1. Критерии цвета.
2.4.2. Критерии текстуры
2.4.3. Критерии контура.
2.4.4. Критерии положения и формы.
2.5. Многомерное индексирование векторов характеристик.
2.6. Связь векторов многомерного пространства характеристик и семантической сети
2.7. Подсистема взаимодействия с человеком.
2.8. Выводы
3. МЕТОДЫ МОДЕЛИРОВАНИЯ МНОГОМЕРНОГО ПРОСТРАНСТВА ХАРАКТЕРИСТИК
3.1. Общие принципы построения многомерного дерева.
3.2. Ограничивающие фигуры узлов многомерного дерева.
3.3. Решение проблемы большой размерности пространства.
3.4. Распределение критериев по вершинам дерева
3.5. Композитная функция расстояния в многомерном пространстве.
3.6. Решение проблемы нецелевых вершин.
3.7. Проблема проклятия измерений
3.8. Критериальная балансировка многомерного дерева
3.9. Результирующие принципы многомерной структуры.
3 Выводы.
4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ РАЗРАБОТАННЫХ МЕТОДОВ И АЛГОРИТМОВ.ИЗ
4.1. Алгоритмы обработки многомерного индекса
4.1.1. Алгоритмы поиска по многомерному индексу.
4.1.2. Алгоритм добавления объекта в многомерное дерево.
4.1.3. Алгоритм удаления объекта из многомерного дерева.
4.1.4. Алгоритм балансировки многомерного дерева по критериям.
4.1.5. Глобальная оптимизация многомерного индекса.
4.2. Программный комплекс поиска изображений по содержанию в дизайнерских коллекциях Дизайнер.
4.2.1. Назначение и особенности реализации.
4.2.2. Архитектура комплекса.
4.2.3. Выбор и ранжирование изображений
4.2.4. Интерфейс подсистемы
4.3. Программный комплекс распознавания дефектов в эпитаксиальных пленках кремниевых пластин РДЭП.
4.3.1. Назначение системы и особенности реализации.
4.3.2. Архитектура программноаппаратного комплекса.
4.3.3. Связь с семантической сетью и модуль реакций
4.3.4. Пользовательский интерфейс
4.3.5. Оценка результативности и эффективности применения ПК РДЭП на предприятии.
4.4. Выводы.
5. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ И ПРОВЕРКА АДЕКВАТНОСТИ РАЗРАБОТАННЫХ МЕТОДОВ МОДЕЛ ИРОВАНИЯ.
5.1. Описание тестовых коллекций
5.2. Оценка релевантности поиска
5.2.1. Эксперименты на основе реальных коллекций
5.2.2. Эксперименты на основе синтезированной коллекции
5.3. Оценка производительности индекса.
5.3.1. Высота внутреннего дерева
5.3.2. Исследование алгоритмов балансировки.
5.4. Исследование методов и алгоритмов на основе программного комплекса РДЭП
5.4.1. Формирование коллекций изображений дефектов
5.4.2. Результаты экспериментов на синтезированных коллекциях с неизвестными параметрами кремниевой пластины
5.4.3. Результаты экспериментов на синтезированных коллекциях с использованием семантической сети.
5.4.4. Результаты экспериментов на реальных фотографиях
5.5. Тестирование отдельных алгоритмов и положений.
5.5.1. Алгоритм сегментации изображений
5.5.2. Алгоритм преобразования к палитре на основе карты трансформации.
5.5.3. Меры различия цветовых гистограмм.
5.6. Выводы
Заключение
Список литературы


В России крупнейшими событиями в этом направлении являются РОМИП 9 Российский семинар по оценке методов информационного поиска, I Российская летняя школа по информационному поиску, 0 Электронные библиотеки перспективные методы и технологии, электронные коллекции и ГрафиКон 7. Первые эксперименты в этой области провел Т. Его работа была далеко не первой в области обработки изображений, но идеи поиска по содержанию были действительно новы. К тому же постановка задачи поиска изображений, как поиска в пространстве характеристик позволила определить дальнейшее направление развития данной области. На сегодняшний день существует достаточно много систем поиска, имеющих как коммерческую, так и исследовательскую направленность. Однако область поиска изображений по содержанию остается актуальной и еще долго будет таковой. Это связано с наличием трех проблем извлечение релевантных первичных характеристик из изображения, хранение и эффективный доступ к большим объемам информации и семантический разрыв. Первая проблема связана с выделением первичных характеристик из изображения, которые можно в дальнейшем использовать при поиске. Основное внимание исследователей в последние годы было направлено именно на разработку новых подходов и критериев, позволяющих из сырых значений отдельных пикселей получать некоторые характеристики, имеющие определенный физический смысл. К настоящему времени число таких работ и описанных ими характеристик исчисляется сотнями. При этом не все критерии являются релевантными для той или иной задачи, часть из них дублирует друг друга. Однако общее количество работ позволяет сделать вывод о том, что проблему выделения первичных характеристик можно считать достаточно исследованной. В дальнейшем данное направление будет продолжать развиваться, однако, скорее всего, большинство работ будет направлено на анализ эффективности и важности уже разработанных характеристик, областей их применения и нюансов реализации. Вторая проблема заключается в организации эффективной работы с извлеченными характеристиками, которые носят многомерный характер. Важной особенностью любой информационнопоисковой системы является время доступа к заданному элементу и скорость обработки запросов. Объем извлеченных данных в некоторых случаях может быть сравним с объемом первоначальных изображений или даже превосходить его. При этом отличие рассматриваемых систем от традиционных баз данных заключается в том, что задача поиска изображения не может быть реализована путем прямого сравнения с шаблоном, как это делается в других видах поиска. Поэтому проблема обработки и эффективного доступа является очень актуальной на данном этапе развития. Не решив ее, нельзя построить систему, оперирующую достаточно большими базами изображений. В большинстве работ проблему индексирования оставляют нерешенной изза ее сложности и отсутствия общедоступных методов многомерного индексирования. При этом явно намечается ограничение применения таких систем небольшими коллекциями. Индексирование данных, полученных из изображений, связано с рядом нюансов, которые затрудняют применение общепринятых структур и алгоритмов. В частности, полученное многомерное пространство признаков имеет сложную, не метрическую функцию расстояния и имеет слишком большую размерность. Практически все известные схемы многомерного индексирования не предназначены для таких задач и не могут их решать. Но без решения проблемы индексирования система поиска будет иметь малу ценность, даже если качество этого поиска будет на высоте. Исследованию именно этой проблемы посвящена данная диссертационная работа. Основное внимание в ней уделяется разработке новых математических методов многомерного моделирования пространства характеристик, алгоритмов построения индекса, правил обработки и поиска. Третья проблема разработки систем поиска изображений по содержанию заключается в так называемом семантическом разрыве i большой разницей между автоматически извлеченными первичными характеристиками изображения и семантиками, которыми оперирует человек. До решения этой проблемы еще достаточно далеко. Если даже система по какимто критериям сможет выделить фигуру человека на изображении, то ответить на вопрос мужчина это или женщина, взрослый человек или ребенок, ей будет практически не под силу.