Д.В. Березкин1, Ахмад Хамед2, Мудар Киван3

1–3 МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Извлечение и представление признаков изображений – важный шаг в обработке мультимедийных данных. Необходимо извлечь признаки, которые способны полностью отразить содержание изображений, что является сложной проблемой в области компьютерного анализа изображений.

Цель. Выполнен обзор методов извлечения и представления объектов изображения. При этом целью исследования является анализ эффективности объединения глобальных и локальных функций при автоматическом аннотировании изображений, а также при поиске изображений на основе известного контента.

Результаты. На основе проведенного анализа методов извлечения и представления изображений даны рекомендации для их использования. Результаты исследования планируется применить в системе геолокации фотографий на основе автоматического анализа их изображений. Повышение точности и производительности выделения признаков изображений будет способствовать повышения качества работы системы геопозиционирования.

Березкин Д.В., Ахмад Хамед, Мудар Киван. Анализ методов выделения признаков изображений // Динамика сложных систем. 2021. T. 15. № 4. С. 54−65. DOI: 10.18127/j19997493-202104-07

1. Stanchev P.L., Green Jr. D., Dimitrov B. High level colour similarity retrieval. International Journal of Information Theories and Applications. 2003. V. 10. № 3. P. 363–369.
2. Chow T.W.S., Rahman M.K.M. A new image classification technique using tree-structured regional features. Neurocomputing. 2007.70. № 4–6. P. 1040–1050.
3. Tsai C.F., Lin W.C. A comparative study of global and local feature representations in image database categorization. In Proc. 5 th International Joint Conference on INC. IMS & IDC. 2009. P. 1563–1566.
4. Jain A.K., Vailaya A. Image retrieval using colour and shape. Pattern Recognition. 1996. V. 29. № 8. P. 1233–1244.
5. Flickner M., Sawhney H., Niblack W. et al. Query by image and video content: the QBIC system. IEEE Computer. 1995. V. 28,  № 9. P. 23–32.
6. Pass G., Zabith R. Histogram refinement for content-based image retrieval, In Proc. Workshop on Applications of Computer Vision. 1996. P. 96–102.
7. Huang J., Kuamr S., Mitra M. et al. Image indexing using colour correlogram. In Proc. CVPR. 1997. P. 762–765.
8. Pass G., Zabih R. Comparing images using color coherence vectors. I4th ACM Multimedia Conference. P. 65–73.
9. Manjunath B.S., Ma W.Y. Texture features for browsing and retrieval of large image data. IEEE PAMI. 1996. V. 18. № 8. P. 837–842.
10. Grigorescu S.E., Petkov N., Kruizinga P. Comparison of texture features based on Gabor filters. IEEE TIP. 2002. V. 11. № 10.  P. 1160–1167.
11. Zhang D., Lu G. Review of shape representation and description techniques, Pattern Recognition. 2004. V. 37. № 1. P. 1–19.
12. Yang C., Dong M., Fotouhi F. Image content annotation using Bayesian framework and complement components analysis. In Proc. ICIP. 2005.
13. Mezaris V., Kompatsiaris I., Strintzis M.G. An ontology approach to object-based image retrieval. In Proc. ICIP. 2003. P. 511–514.
14. Zhang D., Islam M.M., Lu G. et al. Semantic image retrieval using region based inverted file. In Proc. DICTA. 2009. P. 242–249.
15. Yang M., Kpalma K., Ronsin J. A survey of shape feature extraction techniques. Pattern Recognition, 2008. P. 43–90.
16. Deng Y.N., Manjunath B.S. Unsupervised segmentation of color-texture regions in images and video. IEEE PAMI. 2001. V. 23.  № 8. P. 800–810.
17. Lowe D.G. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision. 2004. V. 60. № 2. P. 91–110.
18. Chow T.W.S., Rahman M.K.M. A new image classification technique using tree-structured regional features. Neurocomputing. 2007.70. № 4–6. P. 1040–1050.
19. Tsai C.F., Lin W.C. A comparative study of global and local feature representations in image database categorization. In Proc. 5 th International Joint Conference on INC. IMS & IDC. 2009. P. 1563–1566.
20. Zhu J., Hoi S., Lyu M. et al. Near-duplicate keyframe retrieval by nonrigid image matching. In Proc. ACM MM. 2008. P. 41–50.
21. Tian D., Zhao X.F., Shi Z. Support vector machine with mixture of kernels for image classification. In Proc. ICIIP. 2012. P. 67–75.
22. Lisin D.A., Mattar M.A., Blaschko M.B. et al., Combining local and global image features for object class recognition. In Proc. Workshop on CVPR. 2005.
23. Zhao J., Fan Y., Fan W. Fusion of global and local feature using KCCA for automatic target recognition. In Proc. ICIG. 2009.  P. 958–962.
24. Zhou X., Cui N., Li Z. et al. Hierarchical gaussianization for image classification. In Proc. ICCV. 2009. P. 1971–1977. 
25. Monay F., Gatica-Perez D. Modeling semantic aspects for cross-media image indexing. IEEE PAMI. 2007. V. 29. № 10. P. 1802–1817. 
26. Tian D., Zhao X., Shi Z. Refining image annotation by integrating PLSA with random walk model. In Proc. MMM. Part I, LNCS 7732. 2013. P. 13–23. 
27. Yang J., Jiang Y., Hauptmann A.G., Ngo C. Evaluating bag-of-visual-words representations in scene classification. In Proc. Workshop on MIR. 2007. P. 197–206.
28. Berezkin D., Proletarsky A., Sukhorukova N., Kamalov R. Specifics of implementing a hybrid intelligent image georeferencing system. Proceedings of the 17th International Conference on Applied Computing 2020. Virtual. 2020. Nov. 18–20. P. 115–118. 
29. Mingqiang Yang, Kidiyo Kpalma, Ronsin J. A Survey of Shape Feature Extraction Techniques. Peng-Yeng Yin. Pattern Recognition, IN-TECH. 2008. P. 43–90. ffhal-00446037f
30. Weinzaepfel P., Jegou H., Perez P. Reconstructing an image from its local descriptors. In Computer Vision and Pattern Recognition. Colorado Springs, United States. Jun. 2011.
31. Dipankar Hazra, Retrieval of Color Image using Color Correlogram and Wavelet Filters. Proc. of Int. Conf. on Advances in Computer Engineering. 2011.
32. Wang Surong, Chia Liang-Tien, Deepu Rajan. Image Retrieval Using Dominant Color Descriptor. Conference: Proceedings of the International Conference on Imaging Science. Systems and Technology. CISST '03, June 23–26. 2003.