Těžba obrázků

Výkop obraz ( „ Image Mining “ ) je oblast analýzy a extrakce znalostí aplikovat na snímky ve svých různých formách. Leží na křižovatce počítačového vidění, vizuálního porozumění obrazu, dolování dat , umělé inteligence a algoritmů .

Použité techniky jsou:

indexování ;
obnova obrazu;
klasifikace ;
shlukování ( hierarchické seskupení nebo rozdělení dat );
ze stanov .

Shlukování

Segmentace je v dolování dat tradicí . Není proto překvapením najít techniky pro segmentaci obrázků.

Hierarchické shlukování

Definice

Pomocí nástrojů vyvinutých v teorii Scale Space můžeme hierarchicky segmentovat obraz. Pokud jde o souvislou korespondenci obrazu, víme, jak vytvořit rodinu funkcí, kde je Gaussian. Každá z nich, která při daném měřítku dosáhne lokálního maxima, definujeme blob světla ( „ light blob “ ) takto: ${\ displaystyle p (x): \ mathbb {R} ^ {2} \ rightarrow \ mathbb {R}}$ ${\ Displaystyle P (x, \ sigma) = p (x) * g (x, \ sigma)}$ ${\ displaystyle g (x, \ sigma) = {\ frac {1} {(\ sigma ^ {2} 2 \ pi)}} e ^ {\ frac {- \ | x \ | ^ {2}} {2 \ sigma ^ {2}}}}$
${\ displaystyle y \ in \ mathbb {R} ^ {2}}$ ${\ displaystyle P (x, \ sigma)}$

{\ displaystyle \ mathrm {B} _ {y} = ({x_ {0} \ in \ mathbb {R} ^ {2}: \ lim _ {t \ to \ infty} x (t, x_ {0}) = y}), x (t, x_ {0})}

jako řešení systému diferenciální rovnice:

{\ displaystyle {\ begin {cases} {\ frac {dx} {dt}} = \ bigtriangledown _ {x} P (x, \ sigma) \\ x (0) = x_ {0} \ end {cases}} }

$y$ je středem světelného objektu, všechny objekty tvoří oddíl . Místní maxima uspokojí rovnici a vytvoří jednoduchou křivku. Algoritmus segmentace probíhá v měřítku takto: $\ mathbb {R} ^ {2}$ ${\ displaystyle \ bigtriangledown _ {x} P (x, \ sigma) = 0}$

V měřítku jsou všechny body středy světelných objektů. ${\ displaystyle \ sigma = 0}$
jak se kontinuálně zvyšuje, pokud střed světelné skvrny sleduje křivku maxim a žádný jiný střed světelné skvrny absorbuje, segmentace se nezmění. Pokud je naopak absorbováno jiné centrum světelných blobů v tomto, spojí se dva světelné objekty a vytvoří se nová segmentace. $\ sigma$
Algoritmus se zastaví, když jsou všechny body v jediném světelném objektu blob.

Tím se vytvoří segmentace podle hierarchického dendrogramu s měřítkovými faktory jako výšky.

Kritéria hodnocení životnost třídy: měří se rozdílem mezi škálou, kde se třída objevuje, a škálou, kde zmizí. Přesněji :

{\ displaystyle duredevie _ {\ mathbb {C} _ {i}} = \ ln (\ sigma _ {2}) - \ ln (\ sigma _ {1})}

Třída je kvalitní, pokud je její životnost dlouhá.

izolace : odráží skutečnost, že čím vzdálenější třídy, tím lepší segmentace. Izolace třídy se měří podle vzorce:

{\ displaystyle \ mathbb {C} _ {i}}

{\ displaystyle izolace _ {\ mathbb {C} _ {i}} = {\ frac {\ sum _ {x \ in \ mathbb {C} _ {i}} e ^ {\ frac {- \ | x-p_ {i} \ | ^ {2}} {2 \ sigma ^ {2}}}} {\ sum _ {x} e ^ {\ frac {- \ | x-p_ {i} \ | ^ {2}} {2 \ sigma ^ {2}}}}}}

Hustota : vyjadřuje, že prvky uvnitř třídy jsou si blízké a čím jsou třídy kompaktnější, tím lepší je segmentace. My máme :

{\ displaystyle densite _ {\ mathbb {C} _ {i}} = {\ frac {\ sum _ {x \ in \ mathbb {C} _ {i}} e ^ {\ frac {- \ | x-p_ {i} \ | ^ {2}} {2 \ sigma ^ {2}}}} {\ sum _ {x \ in \ mathbb {C} _ {i}} \ sum _ {j} e ^ {\ frac {- \ | x-p_ {j} \ | ^ {2}} {2 \ sigma ^ {2}}}}}}

kde je střed třídy . $p_ {i}$ ${\ displaystyle \ mathbb {C} _ {i}}$

Shlukování oddílů

Aplikace

Aplikace dolování obrazu se týkají boje proti pedofilii, padělání, pašování uměleckých děl, ale také v biometrii (rozpoznávání tváře, odhadování věku), v medicíně (spojené například s MRI) pro diagnostiku nebo výzkum ...

Herci

LTU Technologies : LTU (Franco-American Company) je jedním ze světových lídrů v oblasti průzkumu obrazu. Její odborné znalosti se vztahují na oblast boje proti kriminalitě, online obchodování a monitorování reklamních publikací.

Události

Mezinárodní workshop o dolování obrázků (IMTA)
Symposium pro těžbu obrázků

Reference

Ji Zhang, Wynne Hsu, Mong Li Lee, Image Mining: Problémy, rámce a techniky
Yee Leung, Knowledge Discovery in Spatial Data , Springer, 2010, odstavec 2.2
Hongming Yang, nová metoda klastrování pro rozdělení cenové zóny v prostředí trhu s elektřinou
François Veltz, Dolování obrázků: podívejte se na chybu modelu rychleji {{odkaz na archiv}}} : vyplňte parametr „ “|titre=
Mohamed Y. Eldib, Hoda M. Onsi, chyba modelu rámce pro odhad věku podle webových snímků {{archivační odkaz}} : vyplňte parametr „ “|titre=
Bingbing Ni, Zheng Song, Shuicheng Yan, těžba webových stránek směrem k odhadu univerzálního věku
Ashraf Elsayed, Frans Coenen, Marta García-Fiñana a Vanessa Sluming, Segmentace pro těžbu lékařského obrazu: Chyba šablony technické zprávy {{odkaz na archiv}}} : vyplňte parametr „ “|titre=
Technologie LTU Oficiální stránky
Mezinárodní seminář o dolování obrázků Oficiální stránky
Image Mining Symposium, oficiální stránky

Podívejte se také

Interní odkazy