Ähnlichkeitssuche in der "Lost Art Internet Database"

Das zu entwickelnde Retrievalsystem soll bereits in der Lost Art Internet Datenbank existierende, sowie neue Abbildungen in den Rechercheprozess einbinden. Um dieses Ziel zu erreichen, ist es notwendig verschiedene in Kapitel 2 vorgestellte Methoden der inhaltsbasierten Suche einzusetzen. Wie auch in anderen Retrievalsystemen sollte hier die Extraktion und Speicherung von Basisfeature, wie Farbe und Textur eine entscheidende Rolle spielen. Ein weiterer wichtiger Punkt ist die Realisierung einer effizienten Objekterkennung, um die Ergebnisse weiter zu verbessern. Im QBIC-System wurde gezeigt, dass auch eine Suche über die räumlichen Lagebeziehungen von Objekten gute Resultate liefern kann. Außerdem können die vorhandenen textuellen Informationen mit in den Retrievalprozess integriert werden. Die Featureextraktion der Abbildungen soll automatisch erfolgen, dabei ist zu beachten, dass bei neuen Abbildungen dieselben Features extrahiert werden wie bei den bereits existierenden Bildern. Das System soll so aufgebaut sein, dass eine flexible Erweiterung der Featureextraktion und -speicherung möglich ist. Da das zu entwickelnde Retrievalsystem ähnlich dem Blobworld oder Viper Projekt die Suche über Objekte unterstützen soll, ist es notwendig ein spezielles Programmmodul zur Segmentierung zu entwickeln. Wie im Kapitel 2 vorgestellt, haben sich regionenbasierte Verfahren als sehr ungenau herausgestellt, deshalb wird eine kantenbasierte Methode eingesetzt. Zusätzlich kann eine Verschlagwortung der Objekte die Suche erleichtern. Um eine Vorverarbeitung der Abbildungen zu gewährleisten, muss das Segmentierungstool unabhängig vom Retrievalsystem arbeiten. Es soll in der Lage sein Abbildungen semiautomatisch zu segmentieren, die Lagebeziehungen und Schlagworte von Objekten zu ermitteln und diese Informationen zu speichern. Für das Retrievalsystem muss ein weiteres Programm entwickelt werden, das die Suche über Schlagwörter und Lagebeziehungen unterstützt. Das Retrievalsystem selbst sollte eine Suche über alle genannten Bildattribute gewährleisten und dem Nutzer die Ergebnisse repräsentieren. Abbildung 8 zeigt die Grobarchitektur dieses Entwurfs. [...]

Diese Feature werden dann zur Ermöglichung von NN-Anfragen in einer mehrdimensionalen Indexstruktur (z.B. R-Baum, R*-Baum, X-Baum, TV-Baum, etc.) gespeichert. Allerdings ist dabei zu beachten, dass bei der Wahl einer ungeeigneten Indexstruktur oder hoher Dimensionalität die Retrievalzeit stark im Verhältnis zur Anzahl der Dimensionen ansteigt. Es ist deshalb unter Umständen notwendig zum Beispiel mit Hilfe der Diskreten Fourier Transformation (DFT) die Dimensionalität der Featurevektoren zu reduzieren [YuMe98], um die Suche zu beschleunigen. Anschließend können über die Distanz (Abstandsmaß) mit Hilfe der NN-Suche die ähnlichsten Abbildungen ermittelt werden [Schm01]. Die Wahl der verwendeten Distanz- bzw. Ähnlichkeitsfunktion ist dabei abhängig von den verwendeten Features. Mögliche Funktionen sind z.B.: • • • Lm-Distanz, Mahalanobis-Distanz und Kosinusmaß. [...]

und bildet somit die Grundlage für das entwickelte Segmentierungstool. Kanten liefern wichtige Informationen über die Umrisse und die Form von Objekten in einem Bild. Allerdings gibt es bis heute keine Algorithmen, die vollautomatisch die korrekten Objektkanten in einem Bild ermitteln [Schm01]. Sich überdeckende Objekte sind aus diesem Grund schwierig zu segmentieren, besonders wenn sie sich bezüglich ihrer Feature wenig unterscheiden. Um dieses Problem zu lösen, wird als Hilfe ein Kantendetektor eingesetzt, welcher als Vorraussetzung ein Grauwertbild benötigt [Lüni99]. Im Segmentierungstool soll daher der Live-Wire Algorithmus (Intelligent Scissors) als Kantendetektor integriert werden, weil er sich bei der Bildverarbeitung im medizinischen Sektor bereits bewährt hat [Weis99]. Der Algorithmus wurde 1992 erstmals vorgestellt und gehört zur Klasse der Graphenalgorithmen, welche das Auffinden eines Objektrandes (Kante) als Suche eines optimalen Pfades in einem Graphen definieren. Da ein optimaler Pfad dem Rand eines Objektes folgen soll, müssen den Kanten des Graphen niedrige Kosten zugewiesen werden. Zur Kostenberechnung werden verschiedene Funktionen (Filter) herangezogen [Wepf97]. Die lokalen Kosten l der gerichteten Kante von p nach q werden dabei wie folgt berechnet [Weis99]: l ( p, q ) = w1 * f1 (q ) + ... + w2 * f n (q ) + w3 * f n +1 ( p, q ) Dabei sind folgende Eigenschaften der Kostenfunktion zu beachten: • • • fi .. sind Kostenfunktionen (Filter) z.B.: Laplace- Operator, Sobel- Operator oder Funktionen für die Gradientenrichtung wi .. sind Wichtungen der einzelnen Funktionen ∑ wi = 1 [...]