Inhaltsbasierter Bildabruf: Visuelle Datenbanken freischalten

Von Fouad Sabry

Was ist inhaltsbasierter Bildabruf?

Inhaltsbasierter Bildabruf, auch bekannt als Abfrage nach Bildinhalt und inhaltsbasierter visueller Informationsabruf (CBVIR), ist die Anwendung von Computer-Vision-Techniken bis hin zum Problem des Bildabrufs, also der Schwierigkeit, in großen Datenbanken nach digitalen Bildern zu suchen. Andere Namen für diese Technik sind inhaltsbasierter visueller Informationsabruf. Im Gegensatz zu den herkömmlichen konzeptbasierten Methoden ist die inhaltsbasierte Bildsuche eine neuere Entwicklung.

Ihr Nutzen

(I) Insights und Validierungen zu den folgenden Themen:

Kapitel 1: Inhaltsbasierter Bildabruf

Kapitel 2: Informationsabruf

Kapitel 3: Bildabruf

Kapitel 4: Automatische Bildanmerkung

Kapitel 5: Tag-Cloud

Kapitel 6: Videosuchmaschine

Kapitel 7: Bild-Organizer

Kapitel 8: Bild-Metasuche

Kapitel 9: Umgekehrte Bildsuche

Kapitel 10: Visuelle Suchmaschine

(II) Beantwortung der öffentlichen Frage Fragen zum inhaltsbasierten Bildabruf.

(III) Beispiele aus der Praxis für den Einsatz des inhaltsbasierten Bildabrufs in vielen Bereichen.

Für wen dieses Buch gedacht ist

Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die für jede Art von inhaltsbasierter Bildsuche über das Grundwissen oder die Informationen hinausgehen möchten.

 

 

• Sprache: Deutsch
• Herausgeber: Eine Milliarde Sachkundig [German]
• Erscheinungsdatum: 9. Mai 2024

Buchvorschau

Kapitel 1: Inhaltsbasierter Bildabruf

Mit Hilfe von Computer-Vision-Techniken löst der inhaltsbasierte Bildabruf (auch bekannt als Query by Image Content (QBIC) und Content-based Visual Information Retrieval (CBVIR)) das Problem der Suche nach digitalen Bildern in großen Datenbanken (siehe diese Umfrage für einen wissenschaftlichen Überblick über das CBIR-Feld). Traditionelle konzeptbasierte Ansätze werden durch inhaltsbasierte Bildabrufe in Frage gestellt (siehe Konzeptbasierte Bildindizierung).

Wenn nach einem Bild gesucht wird, bedeutet inhaltsbasiert, dass die Suche nicht auf Metadaten wie Schlüsselwörtern, Tags oder Beschreibungen basiert, sondern auf dem Bild selbst. Farben, Formen, Texturen und alle anderen Informationen, die aus einem Bild extrapoliert werden können, sind Beispiele für Inhalt in diesem Sinne. Da die reine Metadatensuche so sehr von der Qualität und Vollständigkeit der Annotation abhängt, ist CBIR sehr wünschenswert.

Ein Mensch, der Bilder in einer großen Datenbank mit Schlüsselwörtern oder Metadaten manuell kommentiert hat, kann ein zeitaufwändiger Prozess sein, der möglicherweise immer noch nicht alle gewünschten Schlüsselwörter erfasst. Es ist nicht klar definiert, wie die Wirksamkeit der Keyword-Bildersuche gemessen werden kann. In ähnlicher Weise haben CBIR-Systeme Schwierigkeiten, wenn sie versuchen, Erfolg zu definieren.

Toshikazu Kato, ein Ingenieur am Japanischen Elektrotechnischen Labor, hat 1992 den Begriff inhaltsbasierter Bildabruf geprägt, um seine Arbeit an einem System zu beschreiben, das Bilder automatisch aus einer Datenbank abrufen kann, indem es die darin enthaltenen Farben und Formen analysiert.

IBMs QBIC war das erste kommerziell erhältliche CBIR-System (Query By Image Content).

Da metadatenbasierte Systeme ihre eigenen Einschränkungen haben und ein effizienter Bildabruf für so viele verschiedene Arten von Anwendungen eingesetzt werden kann, ist das Interesse an CBIR gestiegen. Die bestehende Technologie macht es einfach, nach Textinformationen über Bilder zu suchen, aber diese Methode erfordert, dass Menschen jedes Bild in der Datenbank manuell beschreiben. Bei extrem großen Datenbanken oder automatisch generierten Bildern (z. B. von Überwachungskameras) kann dies unpraktisch sein. Bilder, die mit mehreren Synonymen beschrieben werden, können ebenfalls unbemerkt bleiben. Semantische Bildklassifizierungssysteme, die Katze als Unterklasse von Tier behandeln, sind immun gegen das Problem der Fehlkategorisierung, aber sie zwingen den Benutzer, härter zu arbeiten, um Bilder zu finden, die Katzen sein könnten, aber stattdessen als Tiere gekennzeichnet sind. Es gibt eine Fülle von Bildklassifizierungsstandards, aber sie alle werden von Skalierungs- und Fehlklassifizierungsproblemen geplagt.

Trotz der Verbreitung von CBIR-Systemen wurde das Problem des Abrufs von Bildern auf der Grundlage ihres Pixelgehalts noch 2006 nicht zufriedenstellend gelöst.

Verschiedene CBIR-Implementierungen und Abfragemethoden verwenden eine Vielzahl von Benutzerabfrageformaten.

Diese Abfragemethode wird als QBE oder Query By Example bezeichnet.

Beispiele für Bilder, die zum Trainieren des Systems verwendet werden können, sind:

Es wird ein vom Benutzer bereitgestelltes oder zufällig ausgewähltes vorhandenes Image verwendet.

Der Benutzer fertigt eine gekritzelte Skizze des gewünschten Bildes an, die ihm möglicherweise nur in groben Farbstrichen oder einigen Grundformen ähnelt.

Diese Abfragemethode beseitigt die Probleme, die auftreten können, wenn Sie versuchen, visuelle Inhalte nur mit Text zu beschreiben.

Benutzergenerierte Abfragen, wie z. B. Finde Bilder von Abraham Lincoln, dienen als Grundlage für das semantische Retrieval. Computer haben große Probleme mit dieser Art von unstrukturierter Arbeit; Lincoln schaut vielleicht nicht immer in die Kamera oder behält die gleiche Pose bei. Daher werden Textur, Farbe und Form häufig in CBIR-Systemen verwendet. Entweder werden Schnittstellen, die die Eingabe der Kriterien vereinfachen, zusammen mit diesen Merkmalen verwendet, oder Datenbanken, die bereits für den Abgleich von Merkmalen (z. B. Gesichter, Fingerabdrücke oder Formabgleich) trainiert wurden. Für den Bildabruf ist jedoch in der Regel menschlicher Input erforderlich, um abstrakte Konzepte zu erkennen.

Es kann eine Herausforderung sein, die verschiedenen CBIR-Suchtechniken mit der Vielzahl möglicher Benutzer und ihrer Absichten zu kombinieren. Die Fähigkeit, die Absichten des Benutzers abzuleiten, ist entscheidend für den Erfolg von CBIR.

Der Einsatz von maschinellem Lernen und iterativen Methoden in CBIR ist auf dem Vormarsch.

Neben den oben genannten Methoden gibt es auch multimodale Abfragen,