Lista de possíveis recursos de imagem para recuperação de imagem com base em conteúdo

Estou tentando encontrar uma lista de possíveis recursos de imagem, como cores, bordas orientadas e assim por diante, para medir sua usabilidade no caso de encontrar objetos iguais / similares nas imagens. Alguém conhece essa lista ou pelo menos alguns recursos?

O campo em si é muito vasto. Então, eu duvido que você possa ter uma lista completa aqui. No entanto, o MPEG 7 é um dos principais esforços para padronizar essa área. Portanto, o que está incluído aqui não é universal - mas pelo menos o mais primário.

Aqui estão alguns dos principais recursos identificados no MPEG7 (eu realmente posso falar apenas sobre descritores visuais, outros não vêem isso no escopo completo).

Existem 4 categorias de Descritores Visuais:

1. Descritores de cores que incluem:
cor dominante,
layout de cores (essencialmente cor primária, bloco a bloco)
cor escalável (essencialmente histograma de cores),
estrutura de cores (essencialmente histograma de cores local)
e espaços de cores para tornar as coisas interoperáveis.

2. Descritores de Textura (veja também isso ), que incluem:
Descritor de Navegação de Textura - que define granularidade / grossura, regularidade e direção. Descritor de Textura Homogêneo - baseado no banco de filtros Gabor. e
Histograma de Borda

3. Descritores de forma que incluem:
Descritores baseados em região são atributos escalares da forma em consideração - como área, ecentricidades etc. Com
base no contorno que captura os recursos de forma das características reais e os
descritores 3D

4. Descritores de movimento para o
movimento da câmera de vídeo (parâmetros de movimento da câmera 3D)
Trajetória de movimento (de objetos na cena) [por exemplo, extraída por algoritmos de rastreamento] Movimento paramétrico (por exemplo, vetores de movimento, que permite a descrição do movimento da cena. modelos mais complexos em vários objetos).
Atividade que é mais um descritor semântico.

O MPEG 7 não define "Como estes são extraídos" - apenas define o que eles significam e como representá-los / armazená-los. Portanto, existem pesquisas sobre como extraí-las e usá-las.

Aqui está outro bom artigo que fornece informações sobre este assunto.

Mas sim, muitos desses recursos são bastante básicos e podem ser necessárias mais pesquisas para criar um conjunto de recursos mais sofisticados (e complexos).

Ok, acho que encontrei uma lista adequada apenas pesquisando um pouco mais. Há um artigo de Deselaers etc al. que parece ser o que eu estava procurando!

Há também um livro que reúne um conjunto de papéis relacionados a esse tópico. Chama-se Princípios de Recuperação de Informação Visual .

@Dipan Mehta abordou os descritores de recursos que podem ser usados. Deixe-me agora tentar cobrir o outro lado da moeda, mencionando alguns métodos de detecção de recursos que extraem recursos adequados para o CBIR .

Minha referência para minha pesquisa CBIR foram os artigos de Sivic, Zisserman e Nister, Stewenius . Existem trabalhos mais atuais desses autores, mas eles apresentam todas as idéias relevantes.

Eles argumentam que, para implementar métodos CBIR eficientes , recursos de propriedades complementares devem ser usados:

• Regiões adaptadas à forma - tendem a ser centralizadas emrecursos semelhantes a cantos

  exemplos: cantos de Harris, Harris multi-escala, Dog (Diferença de gaussianos - mas também responde às arestas!)

• Regiões maximamente estáveis - tendem a se concentrar emrecursos semelhantes a blobs

  exemplos: MSER (regiões extermais maximamente estáveis), DoG

Surpreendentemente, a Wikipedia também oferece uma boa classificação dos tipos de recursos (detectores), indicando o tipo de região de interesse que eles detectam para a maioria dos recursos atualmente usados:

• detectores de borda
• detectores de canto
• detectores de blob
• detectores de cume

A maioria dos artigos atuais que eu li jurou que os descritores SIFT (transformadores de escala invariáveis ​​em escala) balançam e são suficientemente robustos para usar em combinação com os detectores de recursos escolhidos. As referências incluem:

• links já fornecidos
• Mikolajczyk, Schmid trata da comparação de descritores locais
• Dahl avalia combinações detector-descritor

Nota! que esses documentos não tratam estritamente do CBIR, mas são usados ​​como referências em trabalhos relacionados ao CBIR .

Por fim, vale mencionar que os métodos CBIR bem-sucedidos não dependem apenas dos detectores e descritores de recursos utilizados, mas também:

• uma estrutura de pesquisa eficiente (quantização de recursos visuais)
• maneira de construir descritores de imagem - com base nos recursos visuais comuns (descritores locais) ou comparando descritores de imagem globais (essa é uma ideia muito nova, portanto, não há referências atualmente)
• medida de distância entre descritores de imagem

Além disso, eu já respondi algumas perguntas sobre o CBIR no DSP e no stackoverflow , ambas são acompanhadas de referências e explicações e acho que podem ser relevantes, portanto, você pode dar uma olhada:

• DSP: 1
• stackoverflow: 1 , 2