Query by Pictorial Example

Abstract

Rostoucí množství digitálních fotografií vyžaduje nové metody třídění, organizace a vy- hledávání. Toto je úkolem CBIR systémů, což jsou databázové systémy specializované na prohledávání rozsáhlých obrazových databází. Uživatel typicky zadá vstupní obrázek nebo sérii obrázků a úkolem CBIR systému je nalézt v databázi obrázky co nejvíce po- dobné. V ideálním případě by nalezené obrázky neměli záviset podmínkách, ve kterých byly pořízeny. Bohužel vzhled mnoha objektů a přírodních materiálů velmi závisí na světelných podmínkách a úhlu pohledu. Tato práce se zaměřuje na reprezentaci a vyhledávání homogenních obrazů (textur) a odolnost této reprezentace vůči změnám osvětlení a otočení textury. Navrhujeme nové světelně invariantní texturní příznaky, která jsou založené na Markovovském modelování prostorových vztahů v textuře. Textura je modelována kauzálním autoregresním mode- lem (CAR) nebo Gaussovsko-Markovovským modelem náhodného pole (GMRF), které umožňují velmi efektivní odhad svých parametrů, bez použití časově náročné Monte Carlo minimalizace. Odhadnuté parametry jsou následně transformovány do světelných invari- antů, které reprezentují texturu. Odvodili jsme, že tato...

Ongoing expansion of digital images requires new methods for sorting, browsing, and sear- ching through huge image databases. This is a domain of Content-Based Image Retrieval (CBIR) systems, which are database search engines for images. A user typically submit a query image or series of images and the CBIR system tries to find and to retrieve the most similar images from the database. Optimally, the retrieved images should not be sensitive to circumstances during their acquisition. Unfortunately, the appearance of natural objects and materials is highly illumination and viewpoint dependent. This work focuses on representation and retrieval of homogeneous images, called textu- res, under the circumstances with variable illumination and texture rotation. We propose a novel illumination invariant textural features based on Markovian modelling of spatial tex- ture relations. The texture is modelled by Causal Autoregressive Random field (CAR) or Gaussian Markov Random Field (GMRF) models, which allow a very efficient estimation of its parameters, without the demanding Monte Carlo minimisation. Subsequently, the estimated model parameters are transformed into the new illumination invariants, which represent the texture. We derived that our textural representation is invariant to changes of illumination intensity and...