Recupero di immagini basato sul contenuto: Sbloccare i database visivi
Di Fouad Sabry
()
Info su questo ebook
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.
Leggi altro di Fouad Sabry
Tecnologie Emergenti nelle Cose Autonome [Italian]
Correlato a Recupero di immagini basato sul contenuto
Titoli di questa serie (100)
Flusso ottico: Esplorazione di modelli visivi dinamici nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniIstogramma dell'immagine: Svelare intuizioni visive, esplorare le profondità degli istogrammi delle immagini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione computerizzata: Esplorare le profondità della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTrasformazione affine: Sbloccare le prospettive visive: esplorare la trasformazione affine nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione stereoscopica del computer: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCompressione delle immagini: Tecniche efficienti per l'ottimizzazione dei dati visivi Valutazione: 0 su 5 stelle0 valutazioniRiduzione del rumore: Miglioramento della chiarezza, tecniche avanzate per la riduzione del rumore nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniMappatura dei toni: Mappatura dei toni: prospettive illuminanti nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRidipintura: Colmare le lacune nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale subacquea: Esplorando le profondità della visione artificiale sotto le onde Valutazione: 0 su 5 stelle0 valutazioniModello di aspetto del colore: Comprendere la percezione e la rappresentazione nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRetinex: Svelare i segreti della visione computazionale con Retinex Valutazione: 0 su 5 stelle0 valutazioniTrasformazione di Hough: Svelare la magia della trasformazione di Hough nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniBanca filtri: Approfondimenti sulle tecniche del banco di filtri di Computer Vision Valutazione: 0 su 5 stelle0 valutazioniGruppo congiunto di esperti fotografici: Sfruttare la potenza dei dati visivi con lo standard JPEG Valutazione: 0 su 5 stelle0 valutazioniTrasformata di Hadamard: Svelare il potere della trasformazione Hadamard nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniCorrezione gamma: Migliorare la chiarezza visiva nella visione artificiale: la tecnica di correzione gamma Valutazione: 0 su 5 stelle0 valutazioniTrasformata del radon: Svelare modelli nascosti nei dati visivi Valutazione: 0 su 5 stelle0 valutazioniOmografia: Omografia: trasformazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniDiffusione anisotropa: Miglioramento dell'analisi delle immagini attraverso la diffusione anisotropa Valutazione: 0 su 5 stelle0 valutazioniSpazio colore: Esplorare lo spettro della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniEqualizzazione dell'istogramma: Miglioramento del contrasto dell'immagine per una migliore percezione visiva Valutazione: 0 su 5 stelle0 valutazioniFunzione di corrispondenza dei colori: Comprendere la sensibilità spettrale nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniMappatura dei colori: Esplorare la percezione visiva e l'analisi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniFiltro adattivo: Migliorare la visione artificiale attraverso il filtraggio adattivo Valutazione: 0 su 5 stelle0 valutazioniGeometria Epipolare: Sbloccare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniTagli del grafico di visione artificiale: Esplorazione dei tagli grafici nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevamento dei contorni: Svelare l'arte della percezione visiva nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRilevamento dei bordi: Esplorare i confini nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioni
Ebook correlati
Recupero delle immagini: Sbloccare la potenza dei dati visivi Valutazione: 0 su 5 stelle0 valutazioniAnnotazione automatica delle immagini: Migliorare la comprensione visiva attraverso il tagging automatico Valutazione: 0 su 5 stelle0 valutazioniRicerca inversa delle immagini: Svelare i segreti del riconoscimento visivo Valutazione: 0 su 5 stelle0 valutazioniRilevamento oggetti: Progressi, applicazioni e algoritmi Valutazione: 0 su 5 stelle0 valutazioniSegmentazione delle immagini: Sbloccare insight grazie alla precisione dei pixel Valutazione: 0 su 5 stelle0 valutazioniElaborazione delle immagini piramidali: Esplorare le profondità dell'analisi visiva Valutazione: 0 su 5 stelle0 valutazioniVisione artificiale: Approfondimenti sul mondo della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRete di sensori visivi: Esplorare la potenza delle reti di sensori visivi nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione computerizzata: Esplorare le profondità della visione artificiale Valutazione: 0 su 5 stelle0 valutazioniRiconoscimento ottico del Braille: Potenziare l'accessibilità attraverso l'intelligenza visiva Valutazione: 0 su 5 stelle0 valutazioniClassificazione delle immagini contestuali: Comprendere i dati visivi per una classificazione efficace Valutazione: 0 su 5 stelle0 valutazioniSistema di riconoscimento facciale: Sbloccare il potere dell'intelligenza visiva Valutazione: 0 su 5 stelle0 valutazioniModello Borsa delle Parole: Sbloccare l'intelligenza visiva con il sacchetto di parole Valutazione: 0 su 5 stelle0 valutazioniStima della posa del corpo articolato: Sbloccare il movimento umano nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisualizza la sintesi: Esplorare le prospettive nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniVisione stereoscopica del computer: Esplorare la percezione della profondità nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniModello di aspetto attivo: Sbloccare la potenza dei modelli di aspetto attivo nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniSoftware Afelio: Sbloccare la visione: esplorare le profondità del software Aphelion Valutazione: 0 su 5 stelle0 valutazioniCompressione delle immagini: Tecniche efficienti per l'ottimizzazione dei dati visivi Valutazione: 0 su 5 stelle0 valutazioniApprendimento delle caratteristiche geometriche: Sbloccare le intuizioni visive attraverso l'apprendimento delle caratteristiche geometriche Valutazione: 0 su 5 stelle0 valutazioniStima del movimento: Progressi e applicazioni nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniComputer grafica tridimensionale: Esplorare l'intersezione tra visione e mondi virtuali Valutazione: 0 su 5 stelle0 valutazioniEditor di grafica vettoriale: Potenziare la creazione visiva con algoritmi avanzati Valutazione: 0 su 5 stelle0 valutazioniTrasformazione di feature invarianti di scala: Svelare il potere della trasformazione delle caratteristiche invarianti su scala nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniMosaicazione di documenti: Sbloccare intuizioni visive attraverso il mosaico di documenti Valutazione: 0 su 5 stelle0 valutazioniEditor di grafica raster: Trasformare le realtà visive: padroneggiare gli editor grafici raster nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniFlusso ottico: Esplorazione di modelli visivi dinamici nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioniGrafica di ray-tracing: Esplorazione del rendering fotorealistico nella visione artificiale Valutazione: 0 su 5 stelle0 valutazioni
Intelligenza artificiale e semantica per voi
Il Terzo Like Valutazione: 0 su 5 stelle0 valutazioniGuida Intelligenza Artificiale Valutazione: 0 su 5 stelle0 valutazioniANonniMus: Vecchi rivoluzionari contro giovani robot Valutazione: 0 su 5 stelle0 valutazioni
Recensioni su Recupero di immagini basato sul contenuto
0 valutazioni0 recensioni
Anteprima del libro
Recupero di immagini basato sul contenuto - Fouad Sabry
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