Αυτόματη κατηγοριοποίηση εικόνων με βάση το περιεχόμενο

 
see the original item page
in the repository's web site and access all digital files if the item*
share




2008 (EN)
Automatic content base image categorisation
Αυτόματη κατηγοριοποίηση εικόνων με βάση το περιεχόμενο

Παπαρρίζου, Αναστασία Κωνσταντίνου

This graduate work presents an automatic content based image classification approach to 101 concepts, based on the low-level local and global features of images of TRECVID database. First, the images are segmented into a number of segments by Normalized-cuts algorithm in order to extract local features. Color, texture and shape descriptors of each region are combined to create a feature-vector of each image. In order to optimize the segmentation, we use the feature-vector that fulfills some homogeneity measures. A global feature extraction is handled from 15 proto-concept images, that will be compared with the previous local feature-vectors to compose a similarity metric array of each image to every proto-concept. These similarities build up the models of a Support Vector Machine (SVM) classifier. Experimental results demonstrate that the proposed classification scheme and feature selection method are effective for high-level image classification task and efficient in more concepts, thus achieving high precision.
Η κεντρική ιδέα της παρούσας εργασίας είανι η αυτόματη ταξινόμηση ενός συνόλου εικόνων σε 101 θεατικές κατηγορίες με βάση τα χαμηλού επιπέδου το πικά χαρακτηριστικά τους.Αρχικά, γίνεται κατάτμηση των εικόνων με τον αλγόριθμο Normalized Cuts σε ένα πλήθος περιοχών. Από κάθε περιοχή εξάγονται κάποια χαρακτηριστική για το χρώμα, την υφή και το σχήμα, τα οποία χρησιμοποιούνται για την εξαγωγή του διανύσματος χαρακτηριστικών (feature-vector) της κάθε εικόνας.Από αυτές τις εναλλακτηκές κατατμήσεις επιλέγεται αυτή της οποίας τα χαρακτηριστικά ικανοποιούν κάποια κριτήρια ομοιογένειας της κάθε περιοχής για τη βελτιστοποίηση της κατάτμησης. Στη συνέχεια εξάγεται ένα καθολικό διάνυσμα χαρακτηριστικών για την κάθε εικόνα που προκύπτει από τη σύγκριση των διανυσμάτων των τοπικών χαρατηριστικών με τα διανύσματα χαρακτηριστικών των εικόνων, που ανήκουν σε ένα πλήθος διαφορετικών κατηγοριών (πρωτοέννοια-protoconcepts). Αυτό το διάνυσμα, που εκφράζει το βαθμό σχετικότητας της εικόνας με την πρωτο-έννοια, χρησιμοπιείται για τη δημιουργία του μοντέλου ταξινόμησης.με χρήση των Μηχανών Διανυσμάτων Υποιστήριξης (Support Vector Machine), που είναι ένας αποτελεσματικός αλγόριθμος επιβλεπόμενης μηχανικής μάθησης (supervised machine learning). Μετά την εκπαίδευση (training) του μοντέλου ακολουθεί η επαλήθευση (testing) για να διαπιστωθεί η αποοτελεσματικότητας της μεθόδου.

info:eu-repo/semantics/masterThesis
Postgraduate Thesis / Μεταπτυχιακή Εργασία

Ταξινόμηση
Image segmentation
Local/globar features
Κατάτμηση εικόνας
Classification
Protoconcepts
Τοπικά/καθολικά χαρακτηριστικά Πρωτοέννοιες
Support Vector Machines
Μηχανές διανυσμάτων υποστήριξης

Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (EL)
Aristotle University of Thessaloniki (EN)

Greek

2008
2009-12-14T08:36:05Z


Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών, Προηγμένα συστήματα υπολογιστών κι επικοινωνιών

This record is part of 'IKEE', the Institutional Repository of Aristotle University of Thessaloniki's Library and Information Centre found at http://ikee.lib.auth.gr. Unless otherwise stated above, the record metadata were created by and belong to Aristotle University of Thessaloniki Library, Greece and are made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). Unless otherwise stated in the record, the content and copyright of files and fulltext documents belong to their respective authors. Out-of-copyright content that was digitized, converted, processed, modified, etc by AUTh Library, is made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). You are kindly requested to make a reference to AUTh Library and the URL of the record containing the resource whenever you make use of this material.
info:eu-repo/semantics/openAccess



*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)