相异特征表示-国立中山大学.pptVIP

影像搜尋基本模型 影像特徵擷取方法-顏色(Color) Color Histogram [Ballard91] [Novak92][Swain94] 使用碎形正交基底技術，具良好索引性質(Z.Z.Tsai,2003) 單一張影像進行檢索條件不明確 輸入多張影像，透過Multiple-Instance Learning 法則自動找出影像特徵，使搜尋條件更為明確。 無法詮釋影像在空間上的關係 特徵間的空間關係: 比例大小、位置、方向 影像中物件表示 Completely Spatial relationships on 1D 由於169空間關係過於複雜，對於真實影像限制過於嚴格。(SBA,2005) 碎形正交基底相似性測量 特徵區域分散程度 特徵群比例 特徵群結構 本論文系統模型 實驗結果 Example : Clownfish (小丑魚) 結論 未來工作 -進行連續影像(影片)比對 -找出更適合的空間關係定義 進行檢索時仍難以只根據單一張影像 2d-strings就是將影像圖片分別投影至對應X軸與Y軸之投影量值 為了簡化問題，對於圖像中特徵處理採用MBR（Minimum Bounding Rectangle）技術。表示出所擷取特徵最小矩形。再藉由影像中特徵群最小矩形為代表，以推導出圖片中兩兩物件間空間關係。(圖示口述) 利用一個直方圖,紀錄影像中所有像素的顏色分佈, 由於RGB各以0~255表示,顏色代表過於精細, 利用一個COLOR TABLE對顏色進行分類,再將影像中所有顏色以這些主要顏色取代，並計算主要顏色比例， 搜尋結果不受尺寸、位移及旋轉改變 無法精細檢索,且缺乏空間域的觀念 好的索引條件不論從影像端對應到索引端,還是…,應該都必須保持一一對應,若不能維持此種情況,會造成搜尋影像時趙成混淆,結果與使用者要求不同 顏色力矩(Color moment)特徵描寫著影像的顏色與空間的相關資訊 累積式（Cumulated）的統計圖，以克服稀疏對於雜訊敏感的問題，另外也提出顏色矩量（Color Moments）的方法， 這個方法認為任何顏色的分佈均可由它的moments來加以區分，而且大部分的資訊是集中在低階的部分，所以只要儲存抽取的第一階矩量（平均--mean）及二、三兩階矩量（變異數--variance 及偏離值-- skewness）的資料即可。 這種方式是希望用多邊形去逼近所要表示的輪廓，因為是用多邊行，所以只要存較少的資料夠 這種方式是對輪廓上所有的點 (x,y) 一連串的把它們儲存下來。 不同物體有相當形狀，如橘子與球形狀皆是圓形 無法滿足良好索引應具備之性質 無法有效判斷相似特徵在空間上相關資訊（比例大小、位置、方向），比對結果可能會產生與使用者觀點不相符之情形。 本論文提出影像中有效判斷空間關係 影像中具有重複性週期性出現之特徵代表, 在紋理的研究方面 這些具紋理的外觀，其實只要任取其中一小樣本，再經某種形式（規則或不規則）的組合後，就可得到類似的外觀 Co-occurrence Matrix:從影像圖點位置與距離的矩陣資料中抽取有意義的統計資料作為該圖形紋理數據的代表 從心理學研究角度提出視覺上紋理的特質：粗糙（Coarseness）、對比（Contrast）、方位（Directionality）、近似線（linelikeness）、規則（regularity）以及凹凸起伏（Roughness），作為該特徵的代表。此點與Haralick最大的不同在於他們提出的這六項均有視覺上的意義，而並行矩陣有些則沒有（例如熵） 在依序排名的影像張數中 相似影像張數所佔的比例 在資料庫中此類相似影像總數中 相似影像張數所佔的比例 應該被檢索出來的影像張數Retrieved (a+c) 應該被檢索出來的影像中 檢索出來在排名(相關的)中的影像總數Relevant (a+b) 被排名出來的影像 被搜尋(檢索)出來排名的情況 YES被排名出來相似的影像張數 NO在排名中不相似的影像張數 被搜尋(檢索)出來排名的情況 YES 針對影像資料庫中,每一張影像進行特徵擷取,特徵擷取方法有顏色形狀紋理等方法, 利用這些被擷取的特徵當作影像對應的索引檔,以進行影像索引比對 接下來將簡單描述顏色..特徵擷取方法 * 結合空間關係之正交基底Multiple-Instance影像擷取方法 研究生：賴勤寧 指導教授：蔣依吾 博士 國立中山大學資訊工程學系 Content-Based Image Retrieval Based on Feature Spatial Structure (FSS) (顏色, 形狀, 紋理) 事物不相似卻有相似顏色;同一件事物有不同顏色代表之 Refere