Огляд та сучасний стан опрацювання зображень

Традиційно, для пошуку зображень використовують їх текстові характеристики: ім’я файлу, заголовок, ключові слова тощо. Однак такий підхід має ряд недоліків. Перш за все необхідне втручання людини для опису вмісту зображень у відповідності до обраного набору підписів та ключових слів. У більшості випадків зображення містить декілька об’єктів, кожен з яких має свій набір атрибутів. Крім цього, потрібно описати просторові відношення між цими об’єктами, щоб зрозуміти його зміст. Оскільки розміри баз даних зображень зростають, використання ключових слів стає не тільки складним але і недостатнім для представлення зображення. Інша проблема даного підходу полягає у неадекватності єдиного текстового опису зображення. Як результат є необхідність для автоматизованого отримання примітивних властивостей зображень і пошук зображень на основі цих властивостей.

Для великої бази даних із понад десятками тисяч образів ефективна індексація є важливим інструментом в CBIR-системах. Успішна класифікація зображень зменшує час опрацювання зображень фільтруванням зайвих класів образів під час пошуку подібних до них [ Ошибка! Источник ссылки не найден. ].

Сучасні CBIR-системи працюють у два етапи: індексування та пошук. На етапі індексування кожний образ у базі даних представляється вектором властивостей. Існуючі універсальні системи CBIR відносять до однієї із трьох категорій залежно від підходу отримання властивостей образу: гістограма, кольорове розташування і пошук за регіонами. Такими властивостями, зокрема, є: колір [ Ошибка! Источник ссылки не найден., Ошибка! Источник ссылки не найден. ], форма [ Ошибка! Источник ссылки не найден., Ошибка! Источник ссылки не найден. ], структура [ Ошибка! Источник ссылки не найден. ] і розташування [ Ошибка! Источник ссылки не найден. ]. Отримані властивості зберігаються в окремій базі даних візуальних властивостей. На етапі пошуку обчислюються властивості із образу-запиту користувача. Використовуючи критерії подібності, отриманий вектор властивостей порівнюється з векторами у базі даних візуальних властивостей. Користувач у відповідь отримує образи, які максимально відповідають запиту.

Системи пошуку за регіонами використовують локальні властивості регіонів (ідеальних об’єктів) у протилежність глобальним властивостям повного зображення. Прикладом такої системи є SIMPLIcity [ Ошибка! Источник ссылки не найден., Ошибка! Источник ссылки не найден. ]. Якщо об’єкти в межах зображення сегментовані і кожна властивість об’єкта отримана автоматично, то такі особливості роблять можливу систему пошуку зображень за регіонами [ Ошибка! Источник ссылки не найден. ]. Представлення візуального образу адекватним числом кластерів (об’єкти у зображенні) може краще відобразити його вміст, однак цей підхід є часозалежним.

В роботі [ Ошибка! Источник ссылки не найден. ] запропоновано навчальний компонент для CBIR системи. Він передбачає контролююче тренування системи на різних фрагментах образу. Szummer та Picard [ Ошибка! Источник ссылки не найден. ] розвинули систему класифікації внутрішніх та зовнішніх сцен. Інші приклади семантичної класифікації зображень включають працю порівняння міста та ландшафту [ Ошибка! Источник ссылки не найден. ] і знаходження обличчя [ Ошибка! Источник ссылки не найден. ]. Wang та Fischler [ Ошибка! Источник ссылки не найден. ] показали, що точне семантичне представлення є корисним для задач порівняння зображень.

Ця робота спрямована на розроблення математичного і програмного забезпечення для індексування, класифікації та аналізу візуальних образів методами кластерного аналізу.

В цій дисертаційній роботі основна увага приділяється питанням екстракції структурних властивостей зображень для CBIR-систем, методам декомпозиції даних та простору для зменшення алгоритмічної складності, підходам для індексування та класифікації, використання структурних властивостей для аналізу візуальних образів.