Сочинение на тему Различные подходы и литература на основе CBIR: опрос
- Опубликовано: 16.07.2020
- Предмет: Информационная наука, Наука
- Темы: Архитектура, графический, Компьютерная графика
ТЕХНИКА CBIR
<Р> а. Методы запросов
Запрос через иллюстрацию – это способ запроса, который включает предоставление процедуре CBIR примера изображения, на котором он затем будет основывать свой поиск.
<Р> В. Семантический поиск
Идеальный процесс CBIR с личной точки зрения содержал бы то, что известно как семантический поиск, место, где пользователь делает запрос типа «найти изображения Авраама Линкольна». Такого рода задание с открытым исходным кодом очень сложно для настольных компьютеров, чтобы показывать фотографии превосходных датчан, которые кажутся очень отличительными, и Линкольн может не всегда иметь дело с цифровой камерой или в идентичной позе.
<Р> С. Сравнение контента с использованием меры расстояния
Наиболее широко признанным процессом оценки двух изображений в CBIR является использование отдельного показателя изображения. Изображение удаляет меру анализирует сходство двух изображений в разных измерениях по сравнению с оттенками, поверхностью, формой и другими.
<Р> Д. Общие функции для поиска изображений
Функция описывается как захват определенного визуального свойства изображения. Как правило, функции изображения могут быть как мировыми, так и региональными. Глобальные аспекты описывают видимый контент контента полного изображения, тогда как локальные особенности описывают области или объекты (то есть небольшое количество пикселей) контента изображения. Способность извлечения по всему миру заключается в том, что это быстрое как для функции извлечения, так и для регистрации близости. Как бы то ни было, мировые черты регулярно чрезмерно гибки, что делает невозможным говорить с картинкой. В частности, они могут быть сверхчувствительными к области и, таким образом, пренебрегать различением жизненно важных визуальных атрибутов. Локальные подходы дают несколько более предпочтительную адекватность восстановления по сравнению с мировыми элементами. Они обращаются к изображениям с разными фокусами в пространстве компонентов, в отличие от представлений элементов по всему миру в одной точке. В то время как локальные методологии дают более надежные данные, они являются более дорогостоящими в вычислительном отношении из-за высокой размерности их компонентных пространств и чаще всего требуют, чтобы ближайшие соседи предполагали выполнять координацию фокусов. Несколько важных особенностей, которые можно использовать как часть IR, будут разъяснены в следующих подразделах.
- Особенности цвета
- Особенности текстуры
- Функции Shape
- Функции пространственного расположения
Цвет широко используется как часть ИК-систем в результате его простого и быстрого расчета. Цвет также является естественным элементом и играет важную роль в подборе изображения. Большинство ИК-каркасов используют цветовое пространство, гистограмму, минуты, вектор правильности цвета и выигрышный дескриптор цвета. Цветовая гистограмма является лидером среди наиболее часто используемых представлений цветных подсветок в ИК-диапазоне. Первая мысль использовать гистограмму для поиска пришла от Суэйна и Балларда, которые понимали, что способность различать предметы по цвету намного больше, чем у шкалы серого. Несмотря на то, что всемирная функция цвета легко вычисляется и может дать ощутимую различающую способность в ИК. Это имеет тенденцию давать избыток ложных срабатываний, когда накопление изображения огромно. Многочисленные результаты исследований рекомендовали, что использование цветного дизайна является лучшим ответом для ИК. Чтобы распространить всемирный цветовой признак на локальный, характерной методологией является выделение всего изображения на подблоки и извлечение цветовых признаков из каждого из подблоков. Преимущество этой методологии заключается в ее точности, а недостатком является общая проблема надежной сегментации изображения.
Текстура – это объект, который обращается к поверхности и структуре изображения. Текстуру можно охарактеризовать как нормальную избыточность компонента или примера на поверхности. Текстуры изображения представляют собой сложные визуальные примеры, составленные из веществ или областей с подконструкциями с характеристиками яркости, цвета, формы, размера и т. Д. Обычно используемые дескрипторы текстуры – это функции Wavelet Transform, Gabor-filter и Tamura.
Форму можно в целом охарактеризовать как описание вопроса, уделяющего мало внимания его позиции, представлению и размеру. Вдоль этих линий, блики формы должны быть инвариантными к интерпретации, повороту и масштабированию для успешного IR. При использовании формы в качестве элемента изображения необходимо определить границы объекта или области на изображении, и это является проблемой. Контрастные и цветовые и текстурные особенности, компоненты формы обычно изображаются после того, как изображения были разделены на области или статьи. Поскольку надежную и точную сегментацию изображения трудно выполнить, использование компонентов формы для ИК-диапазона было ограничено необычными приложениями, где вещи или зоны быстро доступны. Как правило, изображения фигур могут быть разделены на две классификации, ограничивающие использование только внешней границей формы и области, в которой используется весь район формы. Лучшими делегатами для этих двух классов являются дескриптор Фурье и минутные инварианты.
Пространственное расположение также важно и используется для сегментации локали. Пространственное расположение изображается сверху / снизу, слева / справа и сзади / спереди в соответствии с положением объекта на изображении. Например, океан и небо могут иметь одинаковые качества текстуры и цвета, однако пространственные данные несопоставимы. Небо обычно говорит с вышеупомянутой частью, хотя море находится в нижней части изображения. Таким образом, пространственная информация о различных элементах изображения извлекает огромные данные для поиска изображений. Большая часть пространственной информации отображается в виде двухмерных строк. Пространственное квадродерево 2D-строки используется для представления пространственной информации.
Локальные элементы – это небольшие квадратные субэлементы, выделенные из первого изображения. Их можно рассматривать как два разных вида:
Патчи: они отделяются от изображений в характерных точках, а размерность уменьшается с помощью преобразования Основного анализа компонентов (PCA).
Дескрипторы SIFT: они удалены в центре внимания Харриса. Чтобы использовать локальные функции для IR, доступны три различных метода.
i) Прямая передача. Локальные функции, выделенные из каждого изображения базы данных и из изображения запроса. В этот момент возвращаются самые близкие соседи для каждой из локальных особенностей искомого запроса и возвращаются изображения базы данных, содержащие большую часть этих соседей.
ii) Модель искажения изображения локального объекта (LFIDM). Ближайшие блики из изображения вопроса выглядели по-разному в зависимости от бликов соседства на каждом изображении базы данных, и деления между ними суммируются. Снимки с наибольшим уменьшением общего количества разделов возвращаются.
iii) Гистограммы локальных особенностей: кластеризовано умеренно большое количество локальных точек из базы данных, после чего каждое изображение базы данных представляется с использованием гистограммы списков этих групп. Эти гистограммы используются тогда, когда думают об использовании расхождения Джеффри [10].
<Р> Приложения
CBIR-приложения выглядят следующим образом:
- Предупреждение преступности. Полиция использует автоматические системы распознавания лиц.
- Проверка безопасности: сканирование отпечатков пальцев или сетчатки на предмет прав доступа.
- Медицинский диагноз: чтобы помочь диагностике, анализируя идентичные прошлые случаи с помощью CBIR в медицинской базе данных медицинских изображений.
- Интеллектуальная собственность: знак кандидата соотносится с преобладающими знаками, чтобы не было риска перепутать собственность с регистрацией изображения товарного знака [11].
<Р> LITERATURESURVEY
ShantanuMisale, et al. [2018] Эта статья дает интегрированные преимущества как LTrP, так и BoW. Первоначально, точки интереса обнаруживаются с использованием функции ускоренного повышения надежности (SURF), а дополнительные локальные функции (с использованием LTrP) извлекаются из локального участка вокруг каждой точки интереса. После извлечения объектов BoW используется для получения глобального представления изображения. Кроме того, искусственная нейронная сеть (ANN) используется для сопоставления индекса и задачи поиска изображения. Оценка производительности предлагаемой системы была выполнена с использованием средней точности поиска (ARP), средней скорости поиска (APR) и F-показателя в двух современных базах данных, а именно. Caltech256 и GHIM10K. Производительность предлагаемой системы сравнивается с существующим дескриптором функции и системами CBIR. Анализ эффективности показывает, что предлагаемая система превосходит существующие методы и традиционную структуру CBIR, то есть использует измерение сходства [12].
SafaHamreras, et al. [2018] В этом документе предлагается структура «Выбор расчета» для CBIR. Система зависит от модели RICE и настраивается для выполнения заданного запроса, опираясь на его атрибуты, выбирая лучший традиционный CBIR-алгоритм из Algorithm-Portfolio. Более шести расчетов для восстановления изображений на основе контента были включены в систему в качестве вариантов для отличительных вопросов, включая этап подготовки. Эти вычисления простираются от минут цветности RGB, гистограммы затенения RGB до локального двоичного шаблона (LBP) и т. Д. Поэтому в каркас были приложены усилия для охвата основных характеристик изображений, то есть цвета и текстуры. Кроме того, структура интегрирует две цветовые модели для лучшего улучшения процесса адаптации Алгоритм-запрос [13].
AtifNazir, et al. [2018] В этом документе была предложена новая методика CBIR для объединения функций цвета и текстуры. Цветовая гистограмма (CH) используется для извлечения информации о цвете. Элементы текстуры извлекаются с помощью дискретного вейвлет-преобразования (DWT) и дескриптора гистограммы края (EDH). Элементы создаются для каждого изображения и сохраняются в виде вектора объектов в базе данных. Работа оценивается с использованием набора данных Corel l-k. Для проверки точности других предлагаемых систем используются методы точности и отзыва, которые обеспечивают конкурентоспособный и эффективный результат. Результаты испытаний показывают, что предлагаемая нами методика превосходит существующие системы CBIR [14].
Каждый обязан следить за тем, чтобы он жил в хорошем доме. Это обеспечивается частым обновлением структуры вашего дома. Однако, прежде чем проводить ремонт дома в
В Себу имеются ограниченные театральные здания, в которых может разместиться огромное количество зрителей. Оперный театр – это театр по форме. Проверка мест варьируется от 1200
Поле влияния здания выходит за его объемные пределы. В этом смысле, следовательно, здания не просто размещены на улице, но на самом деле влияют на улицу.