Recupero di immagini basato sul contenuto: Sbloccare i database visivi

Di Fouad Sabry

Che cos'è il recupero di immagini basato sul contenuto

Il recupero di immagini basato sul contenuto, noto anche come query per contenuto immagine e recupero di informazioni visive basato sul contenuto (CBVIR), è l'applicazione delle tecniche di visione artificiale al problema del recupero delle immagini, ovvero la difficoltà di ricercare immagini digitali in grandi database. Altri nomi per questa tecnica includono il recupero di informazioni visive basato sul contenuto. A differenza dei metodi convenzionali basati su concetti, il recupero di immagini basato sui contenuti è uno sviluppo più recente.

Come trarrai vantaggio

(I) Approfondimenti e convalide sui seguenti argomenti:

Capitolo 1: recupero di immagini basato sul contenuto

Capitolo 2: recupero di informazioni

Capitolo 3: recupero di immagini

Capitolo 4: Annotazione automatica delle immagini

Capitolo 5: Tag cloud

Capitolo 6: Motore di ricerca video

Capitolo 7: Organizzatore di immagini

Capitolo 8: Metaricerca di immagini

Capitolo 9: Ricerca inversa di immagini

Capitolo 10: Motore di ricerca visiva

(II) Rispondere al pubblico top domande sul recupero di immagini basato sui contenuti.

(III) Esempi reali dell'utilizzo del recupero di immagini basato sui contenuti in molti campi.

A chi è rivolto questo libro

Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che desiderano andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di recupero di immagini basato sui contenuti.

 

 

• Lingua: Italiano
• Editore: Un Miliardo Di Ben Informato [Italian]
• Data di uscita: 9 mag 2024

Anteprima del libro

Capitolo 1: Recupero di immagini basato sul contenuto

Utilizzando tecniche di visione artificiale, il recupero di immagini basato sul contenuto (noto anche come query by image content (QBIC) e recupero di informazioni visive basato sul contenuto (CBVIR)) risolve il problema della ricerca di immagini digitali in database di grandi dimensioni (vedere questa indagine per una panoramica scientifica del campo CBIR). Gli approcci tradizionali basati sui concetti sono messi alla prova dal recupero delle immagini basato sul contenuto (vedere Indicizzazione delle immagini basata sui concetti).

Quando si cerca un'immagine, basata sul contenuto significa che la ricerca non si basa su metadati come parole chiave, tag o descrizioni, ma piuttosto sull'immagine stessa. Colori, forme, trame e qualsiasi altra informazione che può essere estrapolata da un'immagine sono tutti esempi di contenuto in questo senso. Poiché le ricerche di soli metadati dipendono dalla qualità e dalla completezza delle annotazioni, CBIR è altamente auspicabile.

Un essere umano che annota manualmente le immagini in un database di grandi dimensioni con parole chiave o metadati può essere un processo che richiede molto tempo e potrebbe comunque non catturare tutte le parole chiave desiderate. Non è stato chiaramente definito come misurare l'efficacia della ricerca di immagini per parole chiave. Allo stesso modo, i sistemi CBIR incontrano difficoltà quando cercano di definire il successo.

A Toshikazu Kato, un ingegnere del Laboratorio Elettrotecnico Giapponese, è attribuito il merito di aver coniato il termine recupero di immagini basato sul contenuto nel 1992 per descrivere il suo lavoro su un sistema in grado di recuperare automaticamente le immagini da un database analizzando i colori e le forme al loro interno.

Il QBIC di IBM è stato il primo sistema CBIR (Query By Image Content) disponibile in commercio.

Poiché i sistemi basati su metadati hanno una serie di limitazioni e poiché il recupero efficiente delle immagini può essere utilizzato per così tanti tipi diversi di usi, l'interesse per CBIR è aumentato. La tecnologia esistente semplifica la ricerca di informazioni testuali sulle immagini, ma questo metodo richiede che gli esseri umani descrivano manualmente ogni immagine nel database. Per database estremamente grandi o immagini generate automaticamente (come quelle delle telecamere di sorveglianza), questo potrebbe non essere pratico. Anche le immagini descritte con più sinonimi possono passare inosservate. I sistemi di classificazione semantica delle immagini, che trattano il gatto come una sottoclasse di animale, sono immuni al problema dell'errata categorizzazione, ma fanno sì che l'utente lavori di più per individuare immagini che potrebbero essere gatti ma sono invece etichettate come animali. Esiste una pletora di standard di classificazione delle immagini, ma sono tutti afflitti da problemi di ridimensionamento ed errata classificazione.

Nonostante la proliferazione dei sistemi CBIR, la questione del recupero delle immagini in base al loro contenuto di pixel non è stata affrontata in modo soddisfacente fino al 2006.

Varie implementazioni CBIR e metodi di query utilizzano un'ampia varietà di formati di query utente.

Questo metodo di query è noto come QBE, o Query By Example.

Esempi di immagini che possono essere utilizzate per addestrare il sistema sono:

Viene utilizzata un'immagine esistente fornita dall'utente o selezionata in modo casuale.

L'utente fa uno schizzo scarabocchiato dell'immagine desiderata, che può assomigliarle solo a grandi pennellate di colore o a poche forme di base.

Questo metodo di query elimina i problemi che possono sorgere quando si tenta di descrivere il contenuto visivo utilizzando solo testo.

Le query generate dall'utente, ad esempio trova immagini di Abraham Lincoln, fungono da base per il recupero semantico. I computer hanno grandi difficoltà con questo tipo di lavoro non strutturato; Lincoln potrebbe non guardare sempre la macchina fotografica o mantenere la stessa posa. Di conseguenza, la consistenza, il colore e la forma sono spesso utilizzati nei sistemi CBIR. Insieme a queste funzionalità vengono utilizzate interfacce che semplificano l'immissione dei criteri oppure database che sono già stati addestrati per la corrispondenza delle funzionalità (ad esempio volti, impronte digitali o corrispondenza delle forme). Tuttavia, l'input umano è in genere necessario affinché il recupero delle immagini riconosca concetti astratti.

Può essere difficile combinare le varie tecniche di ricerca CBIR con l'ampia varietà di possibili utenti e il loro intento. La capacità di dedurre le intenzioni dell'utente è fondamentale per il successo del CBIR.

L'uso dell'apprendimento automatico e dei metodi iterativi nel CBIR è in aumento.

Oltre ai metodi sopra citati, ci sono anche query