Список возможных функций изображения для контентного поиска изображений

Я пытаюсь найти список возможных функций изображения, таких как цвет, ориентированные края и т. Д., Для измерения их пригодности в случае обнаружения одинаковых / похожих объектов на изображениях. Кто-нибудь знает такой список или хотя бы какие-то особенности?

Само поле слишком обширно. Поэтому я сомневаюсь, что у вас может быть полный список здесь. Тем не менее, MPEG 7 является одним из основных усилий в стандартизации этой области. То, что здесь включено, не является универсальным - но, по крайней мере, самым основным.

Вот некоторые ключевые функции, которые определены в MPEG7 (я действительно могу говорить только о визуальных дескрипторах, но другие не видят это в полном объеме).

Существует 4 категории визуальных дескрипторов:

1. Цветовые дескрипторы, которые включают в себя:
Доминирующий цвет,
Цветовая компоновка (по существу, Основной цвет на блочной основе),
Масштабируемый Цвет (по существу, Цветовая гистограмма),
Структура Цвета (по существу, локальная Цветовая гистограмма)
и Цветовые пространства, чтобы сделать вещи совместимыми.

2. Текстовые дескрипторы (см. Также это ), который включает в себя:
Дескриптор просмотра текстуры - который определяет гранулярность / грубость, регулярность и направление. Дескриптор однородной текстуры - основан на банке фильтров Габора. и
краевая гистограмма

3. Дескрипторы формы, которые включают:
Дескрипторы на основе области - это скалярные атрибуты рассматриваемой формы, такие как площадь, эксцентриситеты и т. Д. На
основе контура, который фиксирует фактические характерные особенности формы и
3D-дескрипторы

4. Дескрипторы движения для
движения видеокамеры (параметры движения трехмерной камеры)
Траектория движения (объектов в сцене) [например, извлеченные алгоритмами отслеживания] Параметрическое движение (например, векторы движения, которые позволяют описать движение сцены. Но это может быть более сложными моделями на различных объектах).
Деятельность, которая больше семантического дескриптора.

MPEG 7 не определяет «Как они извлекаются» - он только определяет, что они означают и как их представлять / хранить. Таким образом, существуют исследования о том, как их добывать и использовать.

Вот еще одна хорошая статья, которая дает представление об этой теме.

Но да, многие из этих функций довольно просты и, возможно, в результате дополнительных исследований будет создан более сложный (и сложный) набор функций.

Хорошо, я думаю, что нашел подходящий список, просто выполнив поиск немного больше. Есть статья Deselaers и др. какие швы должны быть тем, что я искал!

Существует также книга, которая объединяет ряд документов, связанных с этой темой. Это называется Принципы визуального поиска информации .

@Dipan Mehta описал дескрипторы функций, которые можно использовать. Позвольте мне теперь попытаться покрыть другую сторону медали, упомянув некоторые методы обнаружения признаков, которые извлекают функции, полезные для CBIR .

Моя ссылка для моего CBIR исследования были работы по Sivic, Зиссерман и Нистера, Stewenius . Есть более современные статьи этих авторов, но в них представлены все соответствующие идеи.

Они утверждают, что для реализации эффективных методов CBIR следует использовать функции дополнительных свойств :

• Адаптированные к форме области - как правило, центрированы в угловых элементах

  примеры: углы Харриса, многомасштабный Харрис, DoG (разница с гауссианами - но также реагирует на грани!)

• Предельно стабильные регионы -правило, сосредоточены на шарикообразных функции

  примеры: MSER (максимально стабильные внешние области), DoG

Удивительно, но Википедия также предлагает хорошую классификацию типов объектов (детекторов) с указанием типов областей интереса, которые они обнаруживают для большинства текущих широко используемых функций:

• краевые детекторы
• детекторы углов
• детекторы BLOB-объектов
• детекторы гребней

Большинство текущих статей, которые я читал, клянутся, что дескрипторы SIFT (масштабно-инвариантное преобразование объектов) качаются и достаточно надежны для использования в сочетании с выбранными детекторами признаков. Рекомендации включают в себя:

• уже предоставленные ссылки
• Миколайчик, Шмид занимается сравнением локальных дескрипторов
• Даль оценивает комбинации детектор-дескриптор

Заметка! что эти документы не имеют прямого отношения к CBIR, но используются в качестве ссылок в работах, связанных с CBIR .

Наконец, стоит упомянуть, что успешные методы CBIR зависят не только от используемых детекторов функций и дескрипторов , но также:

• эффективная структура поиска (количественная оценка визуальных особенностей)
• способ создания дескрипторов изображений - либо на основе общих визуальных особенностей (локальных дескрипторов), либо путем сравнения глобальных дескрипторов изображений (это очень новая идея, поэтому в настоящее время нет ссылок)
• мера расстояния между дескрипторами изображения

Кроме того, я уже ответил на некоторые вопросы, касающиеся CBIR для DSP и stackoverflow , оба сопровождаются ссылками и пояснениями, и я думаю, что они могут быть актуальны, поэтому вы можете посмотреть:

• DSP: 1
• переполнение стека: 1 , 2