Zastosowania obliczeń inteligentnych do wyszukiwania w obrazowych bazach danych

Transkrypt

1 Zastosowania obliczeń inteligentnych do wyszukiwania w obrazowych bazach danych Tatiana Jaworska Jaworska@ibspan.waw.pl

2 Istniejące systemy - Google

3 Istniejące systemy - Google

4 Istniejące systemy - Google

5 Istniejące systemy - Google

6 Istniejące systemy CIRES i FIDS

7 Podstawowe pojęcia Content-BasedImage Retrieval(CBIR) obrazowa baza danych moduł odpowiedzialny za przetwarzanie obrazu baza danych interfejs użytkownika GUI silnik wyszukiwania

8 Schemat ogólny obrazowej bazy danych

9 Segmentacja obrazu metodą c-środków C = 5 C = 12

10 Idea algorytmu opartego na kolorach

11 Segmentacja obrazu oparta na kolorach

12 Wydzielenie obiektów

13 Tekstury a) tkanina b) kamień c) marmur d) korek Tekstura może być opisywana jako: Dwuwymiarowy proces Markowa Dwuwymiarowy histogram Korelacja transformat Fouriera tekstur z wcześniej przygotowanymi maskami

14 Dwuwymiarowe transformacje falkowe obrazu sprowadzają się do rzutowania obrazu na ustalony ortonormalny układu falek Ze względu na dyskretny charakter obrazów, będziemy się posługiwać falkami dyskretnymi. Dwuwymiarowy separowany układ falek ortonormalnych utworzony konwencjonalnie na podstawie układu jednowymiarowego ma postać: 4 ),,, (,, )} ( ), ( { Z m l k j m l k j y x ψ ψ Falki dwuwymiarowe gdzie ψ j,k (x) jest k-tą falką jednowymiarową na poziomie j-tym analizy wielorozdzielczej. Wykorzystując założenia analizy wielorozdzielczej można pokazać, że wyżej zaproponowany układ jest nadmiarowy i można go zredukować do następującego układu: gdzie: 3 ),, ( 3,, 2,, 1,, )}, ( ),, ( ),, ( { Z m k j m k j m k j m k j y x y x y x ψ ψ ψ ) ( ) ( ), ( ) ( ) ( ), ( ) ( ) ( ), ( y x y x y x y x y x y x ψ ψ ψ φ ψ ψ ψ φ ψ = = =

15 Obiekt z fakturą

16 Mapa odległości oparta na transformacji falkowej Przekrój przez detale horyzontalne dla 100-tej kolumny (falka Haara, j=1)

17 Odległości liczone na podstawie dodatnich współczynników falkowych Odległości wyznaczone dla progu odcięcia 1% wartości maksymalnej dla całej macierzy detali horyzontalnych dodatnich. Przekrój przez 100-ną kolumnę

18 Odległości liczone na podstawie ujemnych współczynników falkowych Odległości wyznaczone dla progu odcięcia 1% wartości minimalnej dla całej macierzy detali horyzontalnych ujemnych. Przekrój przez 100-ną kolumnę

19 Mapa odległości wyznaczonych na podstawie horyzontalnych współczynników dodatnich

20 Mapa odległości wyznaczonych na podstawie horyzontalnych współczynników ujemnych

21 Mapa odległości wyznaczonych na podstawie wertykalnych współczynników dodatnich

22 Mapa odległości wyznaczonych na podstawie wertykalnych współczynników ujemnych

23 Parametry tekstury Na podstawie wykonanych map odległości można oszacować rozmiar pionowy dachówki na falek czyli pikseli, natomiast rozmiar pionowy na and falek czyli pikseli.

24 Różne deskryptory kształtu Definicja Obiekt Sposób kodowania Kod 2 2 ] ) ( [ ] ) ( [ ) ( y y x x r + = θ θ θ = = )exp ( 1 N n N n j r N a θ θ π θ

25 Wielomiany Zernike a Ciąg wielomianów ortogonalnych nad dyskiem jednostkowym,, 0,1 V pq (r,θ) = 2 r = x + y 2 gdzie: jest długością wektora od środka dysku do punktu (x,y). Wielomiany o wartościach rzeczywistych gdzie p q jest parzyste, 0 q p i p 0. Niech s (p k)/2, wtedy wielomiany mogą być reprezentowane jako

26 Funkcje bazowe Zernike a

27 Momenty Zernike a Wtedy B pqk są współczynnikami tego wielomianu: Dwuwymiarowe momenty Zernike a rzędu p z powtórzeniami q dla obrazu o funkcji intensywności f(x,y) gdzie V * pq ( x, y) = Vp, q ( x, y)

28 Właściwości momentów Zernike a 1. Tak zdefiniowane momenty Zernike a są niezmiennicze względem rotacji. 2. Aby uzyskać niezmienniczość względem przesunięcia trzeba centrum obiektu umieścić w środku układu współrzędnych. 3. Natomiast niezmienniczość skali uzyskujemy poprzez skalowanie obiektu.

29 Przykład dopasowania dwóch obiektów na podstawie pierwszych 10 momentów Zernike a

30 Struktura bazy danych - Oracle

31 Biblioteka wzorców Biblioteka wzorców zawiera informację o wzorcowych wektorach cech obiektu graficznego, zakresie wartości i wagach przypisanych tym wartościom. Dla każdego obiektu mamy więc wzorcowy wektor cech P k z wagami µ ( ) [0,1] P f i k Każdy obiekt jest przyporządkowywany do określonej klasy z biblioteki wzorców poprzez szukanie najmniejszej odległości pomiędzy wektorami O i P 1 k r m m d( FO, Pk ) = µ P ( fi ) FO ( fi ) Pk ( f k i ) i= 1 Na tej podstawie każdy obiekt otrzymuje etykietę L k

32 Klasyfikacja obiektów ID=4 ID=31 ID=9 ID=25 ID=3 ID=24

33 Opis rozkładu przestrzennego obiektów graficznych na obrazie z użyciem analizy składowych głównych 1 W bazie danych mamy M klas obiektów oznaczonych etykietami L 1, L 2,, L M. Możemy zatem określić sygnaturę obrazu I i jako następujący wektor: Signature (I i ) = [nobc i1, nobc i2,, nobc im ] gdzie: nobc ik oznacza liczbę obiektów o ij o klasie L k w danym obrazie I i. Poza tą informacją rozpatrujemy też wzajemne położenie obiektów w obrazie w oparciu o analizę składowych głównych (PCA).

34 Opis rozkładu przestrzennego obiektów graficznych na obrazie z użyciem analizy składowych głównych 2 Porównujemy dwa obrazy składające się ze zbioru obiektów I i = {o i1, o i2,, o in } opisanych przez środki ciężkości C ij = (x ij, y ij ) i klasę L ij Formalnie obraz I składa się z n obiektów i k klas gdzie k N, ponieważ kilka obiektów może być tej samej klasy. Jako linię odniesienia do liczenia kąta pomiędzy obiektami wybieramy największą odległość między centroidami obiektów istniejącą na obrazie dist (C p,c q ) = max {dist (C i,c j ) i,j {1,2,,k} and L i L j } Następnie od tej linii liczymy kąty θ ij pomiędzy kolejnymi środkami ciężkości. W ten sposób metoda jest niezmiennicza względem obrotu.

35 Określenie kąta między obiektami przy wyznaczaniu macierzy do analizy składowych głównych 3 Otrzymujemy więc trójki (L i, L j, θ ij ), gdzie kąt jest liczony względem linii odniesienia. Dostajemy T = n(n-1)/2 takich trójek dla obrazów o n obiektach. Następnie poszukujemy wektorów własnych PCV i macierzy kowariancji zgodnie z metodą analizy składowych głównych.

36 Graficzne zapytanie do bazy poprzez GUI

37 Graficzne zapytanie do bazy poprzez GUI

38 Metoda wyszukiwania slajd 1 Obraz z bazy możemy oznaczyć jako I b = {o 1, o 2,, o }. Niech zapytaniem będzie obraz I q taki, że I q = {o 1, o 2,, o }. Aby odpowiedzieć na to zapytanie porównujemy z nim każdy obraz I b z bazy w następujący sposób. Najpierw określamy podobieństwo sim sgn pomiędzy I q i I b licząc odległość między sygnaturami obrazów: sim sgn (I q, I b ) = d (sgn q, sgn b ) np. analogicznie do liczenia termów w dokumentach tekstowych 0, 0 TF,, 0 Wtedy odległość tych wektorów można już policzyć metryką euklidesową. Jeśli to podobieństwo jest mniejsze od założonego progu wtedy obraz I b jest odrzucany z dalszych porównań.

39 Metoda wyszukiwania slajd 2 Jeśli to podobieństwo jest większe, to przechodzimy do następnego etapu i znajdujemy podobieństwo sim PCV między rozkładem przestrzennym obiektów w obrazach I q i I b licząc odległość euklidesową między wektorami PCV: sim 3 q b = b q 2 PCV ( I, I ) 1 ( PCVi PCVi ) i= 1 Jeśli z kolei to podobieństwo okaże się mniejsze od wartości progowej obraz I b jest odrzucany. W przeciwnym razie, przechodzimy do następnego kroku, w którym liczymy podobieństwo poszczególnych obiektów wchodzących w skład obu obrazów I q i I b. Dla każdego obiektu o wchodzącego w skład obrazu Iq, znajdujemy najbardziej podobny obiekt w tej samej klasie na obrazie I b.

40 Dopasowanie parami z eliminacją Dla każdego obiektu o L można obliczyć między obiektami: q b = q b simob ( oi, o j ) 1 ( F oil F o jl ) b j gdzie: l jest numerem cechy w wektorze cech F O poszczególnych obiektów. Może zajść jednak sytuacja przedstawiona na rysunku: q i l q sim ob ( o i, o 2 b j )

41 Koncepcja wyszukiwania slajd 3 Z powyższego algorytmu dostajemy wektor podobieństw pomiędzy zapytaniem I q i obrazem I b : sim( I q, I b ) = sim sim gdzie: n jest liczbą obiektów reprezentujących obraz I q. Porządkujemy obrazy I b względem zapytania I q, q b na podstawie ( o i, o ) sim ob j ob ob ( o M ( o q 1 q n, o, o b 1 b n ) )

42 Proponowane zagadnienia Identyfikacja obiektów na podstawie klasy wzorców Opracowanie reguł ułatwiających klasyfikację obiektów Porównywanie wielowymiarowych wzorców Implementacja miękkich metod wyszukiwania Przetestowanie różnych miar podobieństwa

43 Literatura Russ J. C.: The Image Processing Handbook, wyd. 2, CRC Press, Wojnar L., Kurzydłowski K., Szala J.: Praktyka analizy obrazu,polskie Towarzystwo Stereologiczne, Kraków, Artificial intelligence for Maximizing Content Based Image Retrieval, red. Zongmin Ma, Information Science Reference, NY, Deb S.: Multimedia Systems and Content-Based Image retrieval, Idea Group Publishing, Melbourne, Jaworska T., Object extraction as a basic process for content-based image retrieval (CBIR) system, Opto-Electronics Review, Vol. 15, Nr. 4, str , Jaworska T., A Search-Engine Concept Based on Multi-Feature Vectors and Spatial Relationship,LECTURE NOTES IN ARTIFICIAL INTELLIGENCE nr 7022, str , 2011.