Automatická anotace obrazu
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Rozeznávání a porovnávání obrazu je jedním z hlavních problémů a okruhů oboru počitačového vidění. Tato práce k těmto dvěma problémům připojuje třetí, rozpoznání semantiky, významu obrazu, tzv. anotaci nebo label. Práce využívá znalosti metod rozpoznávání podobnosti obrazů k vytvoření nástroje, který je schopen na základě trénovací množiny obrazů a anotací vytvořit skupinu nejpravděpodobnějších anotací pro danou testovací množinu obrazů. Tato práce představuje několik druhů testovacích množin vhodných pro rozpoznávání anotačních informací u obrazů. Následně je vybrána nejvhodnější množina s potřebnou velikostí trénovací množiny a dostatkem informací v anotacích. Na základě této trénovací množiny je navrhnut algoritmus pro snadné načtení testovací množiny bez velkých nároků na výkon počítače. Vyhodnocení anotačních informací testovací množiny je prováděno na základě různých podobnostních algoritmů. Na počátku této práce byly použity jednoduché, ale nepříliš efektivní metody MSE a porovnání barevných histogramů, postupně bylo ale nutno přejít k použítí náročnějších metod (jako je například Tamura, Gabor, CEDD nebo různé druhy hostistogramů). Výsledky tohoto porovnání jsou nakonec brány pro vyhodnocení pravděpodobnosti výskytu dané anotace pro daný obrázek určené testovací množiny. Na závěr práce je provedeno vyhodnocení přesnosti určení anotace na základě informací z použitých trénovacích množin.
Recognition and comparison of image is one of the main problems and area of the field of computer vision. This thesis adds to these two issues the third, the recognition image semantics, so called annotations or labels. This work uses the knowledge of methods of recognizing the similarity of images to create a tool that is able based on training dataset of images and annotations, create a group most likely annotation for the test set of images. This work presents several types of test datasets suitable for the detection of annotation information for images. Subsequently, best set with the necessary training dataset size and enough information about annotations is selected. Based on this training dataset algorithm is designed for easy loading test set without large demands on computer performance. Evaluation of annotation information is done based on different similarity algorithms. At the beginning of this work was to use a simple, but not very effective method of MSE and comparison of color histograms, but gradually it was necessary to move to using more advanced methods (such as Tamura, Gabor, CEDD nebo různé druhy hostistogramů). The results of this comparison are then taken to evaluate the likelihood of the annotation for the image specified test set. The last part is an evaluation of the accuracy of annotation based on information from the test set.
Recognition and comparison of image is one of the main problems and area of the field of computer vision. This thesis adds to these two issues the third, the recognition image semantics, so called annotations or labels. This work uses the knowledge of methods of recognizing the similarity of images to create a tool that is able based on training dataset of images and annotations, create a group most likely annotation for the test set of images. This work presents several types of test datasets suitable for the detection of annotation information for images. Subsequently, best set with the necessary training dataset size and enough information about annotations is selected. Based on this training dataset algorithm is designed for easy loading test set without large demands on computer performance. Evaluation of annotation information is done based on different similarity algorithms. At the beginning of this work was to use a simple, but not very effective method of MSE and comparison of color histograms, but gradually it was necessary to move to using more advanced methods (such as Tamura, Gabor, CEDD nebo různé druhy hostistogramů). The results of this comparison are then taken to evaluate the likelihood of the annotation for the image specified test set. The last part is an evaluation of the accuracy of annotation based on information from the test set.
Description
Citation
HEGMON, J. Automatická anotace obrazu [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2013.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Telekomunikační a informační technika
Comittee
prof. Ing. Miloslav Filka, CSc. (předseda)
Ing. Zdeňka Chmelíková, Ph.D. (místopředseda)
Ing. Jiří Přinosil, Ph.D. (člen)
Ing. Jiří Krejčí, Ph.D. (člen)
Ing. Miroslav Balík, Ph.D. (člen)
doc. Ing. Radim Burget, Ph.D. (člen)
Ing. Pavel Hanák, Ph.D. (člen)
Date of acceptance
2013-06-13
Defence
Uvádíte, že Tamurova metrika je implementací 3 vlastností, ale následně jich uvádíte více. Uveďte na pravou míru a vysvětlete pojem vytěžení.: Student otázku zodpověděl.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení