Atualmente, estou trabalhando no CBIR usando árvores de componentes , o que deve ser uma idéia relativamente nova. Algumas vantagens esperadas do uso de Árvores de Componentes para descrever imagens seriam:
- A representação da árvore de componentes de uma imagem não dependeria muito das deformações (mesmo projetivas) da imagem
- Examinar diferentes níveis da árvore permitiria comparações e operações com um nível diferente de detalhes
- A discriminação e a descrição devem funcionar melhor do que as técnicas atuais em imagens com pouca textura.
Como eu comecei com pesquisas relacionadas a esse tópico, tenho apenas uma vaga idéia de meus objetivos: representar imagem com a Árvore de componentes e comparar as referidas Árvores de componentes, diretamente através da busca de uma representação vetorizada. Provavelmente poderei dizer muito mais em algumas semanas (ou meses), mas por enquanto só posso oferecer a lista de artigos recomendados para mim como uma introdução às Árvores de Componentes (ainda não as li):
Talvez eu possa atualizar a resposta como e se encontrar algo relevante.
Além disso, se seu objetivo é, de certa forma, corresponder regiões de imagem com mais precisão , em vez de apenas pontos , porque as regiões podem ser mais discriminatórias, houve uma sugestão interessante em J. Sivic e A. Zisserman: "Google Video: uma recuperação de texto Abordagem à correspondência de objetos nos vídeos " .
Refiro-me à seção que trata da Consistência espacial , onde um grupo de correspondências entre pontos de recurso é aceito apenas se os pontos de recurso mantêm uma configuração espacial semelhante nas duas imagens. Assim, a correspondência não depende apenas do tipo de recurso extraído (DoG, MSER, ...) ou do descritor (SIFT), mas também olha para o ambiente mais amplo de um ponto de recurso, tornando-o (pelo menos um pouco) dependente da região.
