„ƒ„ƒ„ƒƒ„ƒƒƒ„„„ƒƒƒƒ„ƒƒƒƒƒƒ„„ƒ„ƒ„ƒƒƒButIndexation et Recherche Sensibiliser sur les problèmes complexes d’images fixes liés à la Recherche d’Information images.Laboratoire d'Informatique de Grenoble Faire un survol des approches et travaux Mastère 2ème année Grenoble dans ce domaine.21 novembre 2007P. Mulhem Esquisser le futur de cette problématique.Philippe.Mulhem@imag.fr1122//1111//22000077 MMaaststerere e -- RIRI Im Imagage e -- P. MuP. Mullhheemm 22Plan 1. Introduction1. Introduction Qu’est qu’une image?2. Spécificités par rapport à la RI textuelle – TLFI (atilf.atilf.fr/tlf.htm): « Représentation (ou réplique) perceptible d’un 3. RI d’images web par le contexteêtre ou d’une chose.4.4. RI par le contenu enu «« brutbrut »»–– La relation entre l''objobjeett et et son son image estimage est de nat de natuure re physique plus précisément optique ou physico-physique plus précisément optique ou physico-5.5. RIRI d d’’images par le contimages par le contenenu su séémantiquemantiquechimique, notamment dans les techniques de 6. Pondération photographie – La relation entre l'objet et son image est de nature 7. Conclusion iconique.– …»8. Bibliographie12/11/2007 Mastere - RI Image - P. Mulhem 3 12/11/2007 Mastere - RI Image - P. Mulhem 412/11001. Introduction 1. IntroductionQuelles images fixesPourquoi de la RI d’images fixes?– Images « réelles » de l’environnement visible1– L’exemple des photographies Photographies ...
Index ation et Recherche dimages fixes Laboratoired'Informatique de Grenoble Mastère 2ème année Grenoble 21 novembre 2007 P. Mulhem Philippe.Mulhem@imag.fr
Plan 1. Introduction 2. Spécificités par rapport à la RI textuelle 3. RI dimages web par le contexte 4. RI par le contenu « brut » 5. RI dimages par le contenu sémantique 6. Pondération 7. Conclusion 8. Bibliographie 12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 3
1. Introduction Pourquoi de la RI dimages fixes? L exemple des photographies 1 Getty Images : 70 millions de photographies Corbis Images : 65 millions de photographies Photos personnelles, estimation : 750 milliards Le besoin de retrouver des photographies est donc évident. 1.www.sims.berkeley.edu/research/projects/how-much-info/index.html 12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 5
But Sensibiliser sur les problè mes complexe s l i és à l a Recherche dI n formation image s. Faire un survol des approches et travau x dans ce domaine. Esquisser le futur de cette problématiqu e. 12/11/2007 Mastere -RI Image - P. Mul hem 2
1. Introduction Quest quune image? TLFI ( atilf.atilf.fr/tlf. ht m ): « Représentation (ou réplique) perceptible d un être ou dune chose. La relation entre l'obj et et son imag e e st de n a ture physique plus précisément optique ou physico-chimique, notamment dans les techniques de photographie La relation entre l'obj et et son imag e e st de n a ture iconique. » 12/11/2007 Mastere -RI Image - P. Mul hem 4
1. Introduction Quelles images fixes Images « réelles » de lenvironnement visible Photographies 2D H o l o g r a m m e s Images « virtuelles » sur univers non-sensible Graphiques/peintures 2D 3D Radios/IRM/scanners/échographies Imagerie Spatiale du domaine non-visible Clichés de collisions atomiques, microscopie électronique 12/11/2007 Mastere -RI Image - P. Mul hem 6
1
1. Introduction Quel but pour ces images? Diagnostic médical Analyse scientifique Stockage pour vente Se remémorer des souvenirs (photos personnelles) et les montrer
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem
7
1. Introduction Lutilisation de systèmes dindexation et de recherche dimages fixes est donc un besoin crucial pour pratiquement tout le monde : du contexte professionnel au contexte personnel. mais comment faire???
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 9
2. Spé cificit és / RI textuelle Regardons ces images :
Que peut-on en dire? 12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem
11
1. Introduction Dans tous ces cas, ces images doivent être retrouvées pour être utiles et utilisées Cas médical ou spatial, retrouver des images similaires pour des études, Cas de vente de photographies, trouver ou retrouver rapidement des images qui correspondent au besoin dun client, Cas personnel, retrouver des photos rapidement pour faire un montage ou pour naviger rapidement dans la base de photographies.
12/11/2007 Mastere -RI Image - P. Mul hem 8
2. Spécificités / RI textuelle Mettons-nous à la place dun ordinateur , v o ilà une image :
12/11/2007 Mastere -RI Image - P. Mul hem 10
2. Spécificités / RI textuelle Le média image Nest pas basé sur un langage Interprétation compliquée pour un humain différents niveaux : émotions, objets, actions Interprét a tion encore plus compliquée pour un ordinateur
12/11/2007 Mastere -RI Image - P. Mul hem 12
2
2. Spé cificit és / RI textuelle Tiré de Smeulder et al. 2000 contexte réduit contexte large Variance faible grande Connaissance spécifique géné rique Base établie probable peu prob able Application professionnelle personn elle
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 13
2. Spé cificit és / RI textuelle Cycle de Norman sur une interaction de recherche Etat cognitif courant Buts Intension: Evaluation de l’état Besoin d’information / Buts et intensions Spécification des Interprétation actions: requête du nouvel état [ D . Norman , Cognitiv e Exécution des Perception du nouvel actions état du système Engineering, Chapter 3. User Centered System Design, New Perspectives on Hu m an Computer Interqction, Hillsdqle, pp. 31-61, 1986] système 12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 15
2. Spé cificit és / RI textuelle Indexation non-symbolique Etat cognitif courant Buts Faire un dia ora Intension: Evaluation de l’état Besoin d’information / Buts et intensions Des photos de John sur Spécification des Interprétation actions: requête du nouvel état Je vais Jeséliectiognense ExtéicounstiondesPéteartcedputisoynstdèumenouvel des ma ac exemple, après les avoir trouvées... système 17
2. Spécificités / RI textuelle Rappel dun SRI textuel Utilisateur Texte CompréhensionIndexation Modèle de requête Correspondance Modèle de document Problèmes dun SRI image Comment indexer Comment rechercher
12/11/2007 Mastere -RI Image - P. Mul hem 14
2. Spécificités / RI textuelle Par rapport à c e tte interaction de r e cherche, le niveau de repré sentation de lindex des images a un impact importa nt I n dex non-symbolique Gouffre entre le niveau de représentation des deux interacteurs I n dex symbolique Le symbole est manipulable par les deux interacteurs 12/11/2007 Mastere -RI Image - P. Mul hem 16
2. Spécificités / RI textuelle I n dexation Symbolique Etat cognitif courant Buts Faire un dia ora Intension: Evaluation de l’état Besoin d’information / Buts et intensions Des photos de John sur Spécification des Interprétation actions: requête du nouvel état Je vais cliquer Exécution des Perception du nouvel Je clique, et j actions e état du système tape “John, Orchard Road puis enter système 18
3
2. Spé cificit és / RI textuelle Lindexation symbolique est donc ce qui semble la « bonne » voie, mais Elle est compliquée Elle n est pas générale Elle nest pas totalement automatique Ce qui a amené à proposer des approches non-symboliques (voir partie 4)
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 19
3. RI image WEB par le contexte Le principe est donc Utilisateur Image Compréhension Indexation de texte proche Modèle de requête Correspondance Modèle de document Utilisation de tf.idf « habituel »
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 21
3. RI ima ge WEB ar le contexte Exemples (google)
3. RI image WEB par le context e Ce cas est lié à lutilisation du contexte dapparition des images pour les indexe r Google (www.google.com) « Pour déterminer le contenu graphique d'une image, Google analyse le texte de la page qui entoure l'image, le titre de l'i mage et de nombreux autres critère s » Altavista (www.altavista.com) « Lorsque vous saisissez une requê te et que vous cliquez sur l e bo uton Chercher, Alta Vista récupère les images contenant les mots cherchés dans le nom du fichier, le texte alternatif ALT , le texte pr oche et/ou l es métatags de la page . »
12/11/2007 Mastere -RI Image - P. Mul hem 20
3. RI image WEB par le context e Cest donc de la recherche textuelle « déguisée ». Avantages Transparent Général I n convénients Très sensible à l a qualité du contexte Pas dutilisation du contenu des images
12/11/2007 Mastere -RI Image - P. Mul hem 22
4. RI dimages par le contenu « br ut » Idée : s e s e r vir du contenu des images pour les indexer et les retrouver Similaire au texte Problème Quel niveau de description utilisable? Une solution Niveau de description proche du signal Couleurs, textures, formes, positions 12/11/2007 Mastere -RI Image - P. Mul hem 24
4
4. RI dimages par le contenu « brut » Rappel du cycle de Norman dans ce cas Etat cognitif courant Buts Intension: Evaluation de l’état Besoin d’information / Buts et intensions S é fication des Interprétation acptiocins:requêtedunouvelétat Exécution des Perception du nouvel actions état du système système Cest à lutilisateur niveau du s st ème lorsdelarecherchedesemettreauy 12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 25
4. RI dimages par le contenu « brut » - Couleurs - Quest-ce quune couleur? Sensation perçue pas loeil, caratéristique d e la longueur donde de la radiation l u mineuse r e çue Elle est modél i sée habituellement par un p oint dans un espace de couleur tridimensionnel
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 27
4. RI dimages par le contenu « brut » - Couleurs - Espaces de couleurs non-perceptifs RGB (Red, Green, Blue) Espace le plus connu. Utilisé pour les écrans Les couleurs s o nt obtenues par addition des 3 c o uleurs Rouge, Vert et Bleu Inspiré de la physiologie de la rétine Une couleur est une v a leur réelle dans [ 0 ,1] 3 : N o i r ( 0 , 0 , 0 ) , Blanc (1,1,1), Rouge (1,0,0), etc. 12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem
29
4. RI dimages par le contenu « br ut » - Couleur - L e c a s de la couleur pour la RI images Comme dhabitude, il faut représ e nter les couleurs prés e ntes dans des images ou de s régions en g a r d a n t en t ê te les deux f a cette s indissociables Indexation : compact et fidèle Recherche : bonne précision et bo n rappel
12/11/2007 Mastere -RI Image - P. Mul hem 26
4. RI dimages par le contenu « br ut » - Couleurs - Espace de couleurs Représ e nter l e s c o uleurs Estimer les différ e nces entre c o uleurs Deux c a tégories despaces de couleurs Espaces perceptifs (ou uniformes) Les différences de couleurs perçues sont approximées par des distances euclidiennes entre des points de lespace Espaces non-perceptifs (ou non-uniformes)
12/11/2007 Mastere -RI Image - P. Mul hem 28
4. RI dimages par le contenu « br ut » - Couleurs - Espaces de couleurs non-perceptifs RGB RGB nest pas du tout proche de la représentation subjective des couleurs (saturation, luminosité, teinte) RGB nest pas perceptif avec la d i stance euclidienne : D RGB ( , = D RGB ( , ) Suscptible de poser des problèmes lors de recherch e dimages Utilisé par les systèmes QBIC et Netra. 12/11/2007 Mastere -RI Image - P. Mul hem 30
5
4. RI dimages par le contenu « brut » - Couleurs - Espaces de couleurs non-perceptifs HSV (Hue, Saturation, Value) Hue : type de couleur (bleu, vert, etc.), dans [0, 360], fonction de la longueur donde Saturation : i n tensité de la couleur (proportio n de gris présent) dans [0, 100] Value : l u minosité de la couleur dans [0, 100]
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 31
4. RI dimages par le contenu « brut » - Couleurs - Espaces de couleurs perceptifs 1976 la CIE (com m ission Internationale de , léclairage) défini L*u*v* et L*a*b* L*u*v* : Luminance L* (basée sur des mesures perceptuelles et non physiques), chrominance u* et v*. Pour quantifier les différences entre écrans L*a*b* : Luminance L*, chrominance rouge/bleu pour a* et jaune/bleu pour b*. Pour quantifier le s différences de couleurs en l u mière quasi-naturelle Problème : ces espaces nécessitent une estimati on de la couleur blanche de référence pour représenter les couleurs. Donc difficile à employer 12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 33
4. RI dimages par le contenu « brut » - Couleurs - Histogrammes de couleurs Fonction de correspondance Normes L 1 ou L 2 ne donnent pas de très bons rés u ltats I n t er s e c t io n dhistogrammes Distance Euclidienne pondérée D H (H 1 ,H 2 )=(H 1 -H 2 ) t A(H 1 -H 2 ) Avec A=a i,j indiquant la similarité e n t r e 2 éléments de s histogrammes Dans QBIC, histogrammes de 256 couleurs tirées de M u n s e l l , et matrice A entre couleurs RGB de lespace de Munsell Point négatif : calcul coûteux
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem
35
4. RI dimages par le contenu « br ut » Couleurs- - Espaces de couleurs non-perceptifs HVS Cet espace est une déformation du cube RGB, mais plus proche d e s d e s c r i p t i o n s humaines Le p r o b l ème d e l a d i s t a n c e entre couples de couleurs nest pas résolu Utilisé par VisualSeek Autre espaces : CMY, Munsell ( 5 50 couleurs + 11 niveaux de gris) ,
12/11/2007 Mastere -RI Image - P. Mul hem 32
4. RI dimages par le contenu « br ut » Couleurs- - Une fois un espace de couleur s c h oisi, comm ent représ e nter les c o uleurs dune région ou dun e image? Le principe le plus utilisé est lhistogramme (vecteur) Nb. pixels
Couleurs Mais combien de dimensions, et correspondant à quelles couleurs? 12/11/2007 Mastere -RI Image - P. Mul hem 34
4. RI dimages par le contenu « br ut » - Couleurs - Ensembles de couleurs Un ensemble de couleurs ne r e présente qu e les couleurs prés e ntes et pas la quantité d e couleur. Cest un vecteur booléen. Intérêt : plus simple que les histogrammes . VisualSeek utilise des v e cteurs de 166 éléments par quantification de l espace HS V en 18 Hue, 3 Saturations et 3 values.
12/11/2007 Mastere -RI Image - P. Mul hem 36
6
4. RI dimages par le contenu « brut » - Couleurs - Ensembles de couleurs Fonction de correspondance Distance Euclidienne pondérée D S (S 1 ,S 2 )=(S 1 -S 2 ) t A(S 1 -S 2 ) Si S 2 est lensemble de couleurs dune image, on a D S (S 1 ,S 2 )= S 1t A S 1 + S 2t A S 2 - 2 * Σ r t [m] for all m so that S 1 [ m ]=1 Avec S 2 t A S 2 et r t =AS 2 préc a lculés et stockés, e t S 1 t A S 1 constant pour une r e quête.
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 37
4. RI dimages par le contenu « brut » - Textures - Caractéristiques explicites de textures : Périodicité Directionnalité Aspect aléatoire (randomness) 12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem
39
4. RI dimages par le contenu « brut » - Textures - Tamura, Mori et Yamawaki, 1978 1/4 = (1/n) / S UM (x i dCeo μ ng)trr 4 i.assDdteeésc:ripti σ xpe/llus(sμ 4 qfiun/ee σ lm 4 é e)cnatrtla a tvyedpicsep. μ 4 ersion des niv e aux Granularité : testée sur des sous-fenêtres de taill es différentes rme du ad c c Di h r a ecti e onnalité : no gr ient alcul é (3 s x u 3 r ) calc q ul u e s p u i r xe x l e a tp v i e yx, c e lp u .u n Ei e snl f ua e t n irl ê ias t c r ai e nnte d u e d nu 9 fci p lat i rr x re e é ls ddeeScoebsel deounx centré e sur le valeurs :
12/ 1 1 / 2 00 7 Mastere - RI Image P. Mulhem -
41
4. RI dimages par le contenu « br ut » - Textures - L a c o uleur nest pas le s e ul élément mis en j eu dans l a r e cher che dimages. L a texture est aussi un paramèt r e à considé rer . Texture : Disposition et entrelacement des fibres, des éléments constitutifs du tissu o r g a n i q u e Joue un rôle dans la perception de lorientation et de la profondeur spatiale entre des objets se recouvrant.
12/11/2007 Mastere -RI Image - P. Mul hem 38
4. RI dimages par le contenu « br ut » - Textures - Matrices de co-occurrences s u r des niveaux de gris Pourune image Im=I(i,j) de m x n : C(g1, g2) = | {(i1, j1) et (i2, j2) e l e m I | I(i1, j1) = g1 et I(i2, j2)=g2} | / (m * n) Indiquela fréquence relative de pixels de gris donnés On calcule ensuite lénergie (somme des carrés ) d e C par exemple et cette valeur est utilisée. Lors de recherche on fait une simple d i f f érence avec une référence. Utilisé dans "Rock Texture Re tr ie val using Gray Leve l Co -occurrence Matrix (pdf)", M. Par tio , B. Cram a r iuc , M. Gabbouj, a nd A. V i sa, NOR SIG -2002, 5 t h Nordic Signal Processing Sym posium , On Board Hurtigruten M / S T r o l l f j o r d , Norway , O c t o be r 4 -7, 2 0 0 2 . 12/11/2007 Mastere -RI Image - P. Mul hem 40
4. RI dimages par le contenu « br ut » - Textures - Tamura, Mori et Yamawaki, 1978 Correspondance Dans le système QBIC, les valeurs de contraste, granularité et directionnalités forment un vecteur à trois dimensions, et la correspondance seffectue comme les couleurs avec distance euclidienne pondérée.
12/11/2007 Mastere -RI Image - P. Mul hem
42
7
4. RI dimages par le contenu « brut » - Textures - Filtres de Gabor Manjunath et Ma 1996 Utiliser des outils mathématiques (transformé e s en ondelettes) pour caractériser les textures Un filtre de Gabor détecte une texture en analysant l e s fréquences de variations de nive au de gris dans les images.
12/ 1 1 / 2 00 7 Mastere RI Image - P. Mulhem 43 -
4. RI dimages par le contenu « brut » - Textures - Filtres de Gabor Illustration ( d e Anne Guérin-Dug u é) Image FT de Gabor Image filtrée 12/ 1 1 / 2 00 7 RI Image
4. RI dimages par le contenu « brut » - Textures - Filtres de Gabor Une image/région est représentée soit : par un vecteur à E*O dimensions stockant les moyenne s des normes des valeurs obtenues pour chaque pix el et po ur chaque échelle*direction. La c o rrespondan ce peut donc être une distance euclidienne. Soit par un v e cteur à 2*E*O s t ockant les moyennes et écart-type des normes des valeurs obtenues pour c h aque pix e l de limage o u la région (Manjunath & Ma). La c o rresponda nce est calculée c o mme la s o mme des différences r e lat i ves d es moyennes et des éc a rts types normalisés par la moyen ne et lécart-type par dimension s u r la base. (s y stème Netra)
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 47
4. RI dimages par le contenu « br ut » - Textures - Filtres de Gabor Un filtre de Gabor est un f i ltre passe-bande orienté, basé s u r une s i nusoïde modulée p a r une f o nction gaussienne : Domaine spatial (image) Domaine fréquenciel
12/11/2007 Mastere -RI Image - P. Mul hem 44
4. RI dimages par le contenu « br ut » - Textures - Filtres de Gabor On c a lcule ensuite lénergie (somme des carrés) de chaque image filtrée On utilise une banque de f i ltres pour détec t e r différentes textures E échelles (exemple 4) O orientations (exemple 6)
12/11/2007 Mastere -RI Image - P. Mul hem 46
4. RI dimages par le contenu « br ut » - Contours - Recherche qui suppose que lon a déjà l es contours des objets, ce qui est extrêmement difficile Plusieurs approches Attributs géomét r iques Déf o rmation pr o gressiv e
12/11/2007 Mastere -RI Image - P. Mul hem
48
8
4. RI dimages par le contenu « brut » - Contours - Attributs géométriques MMIS (U. of Manchester) circularité: 4 * area m er peri et 2 invariant à la rotation Recherche de logos (U. of Maryland) Moment dinertie: ∑ ∑ ( x 2 + y 2 ) * hape ( x , y ) x y invariant à la rotation Recherche par distance entre circularité ou mom ent dinertie 12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 49
4. RI dimages par le contenu « brut » - Contours - Déformation progressive Évolution des points de courbure avec stockage des maxima Pour la correpondance, on aligne les descriptions des maximums et on c a lcule la somme des distances des paires qui mat chent + coordonnées verticales des maxima qui ne matchent pas 12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem
51
4. RI dimages par le contenu « brut » - Représentations spatiales - Si on est capable davoir des régions (objets), il est possible de rechercher u ne configuration similaire. Deux approches Approche à base dobjets Relation non-explicites Approche à base de relations Relations explicites
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem
53
4. RI d images par le contenu « br ut » - Contours - Déf o rmation progressive Une f o rme est une f o nction f(t) (t dans [0, 2 π [ ) On l i sse f(t) par application dune f o nction gaussienne et on garde les points de changement courbure (dér i vée seconde null e )
.
4. RI dimages par le contenu « br ut » - Contours - Attributs géomét r iques Facile à gérer et à considérer comme des v e cteurs à n dimensions pour n attributs. Donc c a lculs de distance euclidienne par exemple. Déf o rmation progressive Peu adapté à une r e cher che r a pide dans d e grands v o lumes de données
12/11/2007 Mastere -RI Image - P. Mul hem 52
4. RI dimages par le contenu « br ut » - Représentations sp atiale s - A base dobjets Li m age est déc ou p ée par un quadtree (arbre quaternaire) qui décompose les obj e ts en carrés 1 2 1 2 7 3 4 7 5 6 3 4 5 6
12/11/2007 Mastere -RI Image - P. Mul hem 54
9
4. RI dimages par le contenu « brut » - Représentations spatiales - A base dobjets Le correspondance est calculée sur une différence entre quadtrees. 1 2 1 2 1 2 7 1 2 7 3 4 7 3 4 5 6 7 3 4 5 6 5 6 3 4 5 6
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 55
4. RI dimages par le contenu « brut » - Représentations spatiales - A base de relations Représentation logique Pour comparer des images, on calcule des distances entre relations basé sur la « signatu re » des 4 ensembles Par exemple disjoint et touche sont proches, mais disjoint et couvre sont plus lointaines.
12/ 1 1 / 2 00 7 Mastere - RI Image - P. Mulhem 57
4. RI dimages par le contenu « brut » - Exemples - Visualseek Ensembles de couleurs HSV, distance quadratiqu e 2D strings
12/ 1 1 / 2 00 7
Mastere - RI Image - P. Mulhem
59
4. RI dimages par le contenu « br ut » - Représentations sp atiale s - A base de relations R e p r ésentation logique Une relation spatiale entre régions est identifiée par une re l at i on logique recouvre(a, b) par ex e m p l e Exemple : le Modèle 4-intersection de Egenhofer et Franz os a (http:/ / w w w.spatial.maine.edu / ~max/ points e t .pdf ) pour une région A : A ∂ est lensemble des points à la limite de A A 0 est lensemble de s p o ints à lintér i e ur de A Pour de ux régions, on définit les relations topologique s , disjoint, touche, égal, contient, couvre et est_superposé A A couvre B : (A ∂ ∩ B ∂ ≠ ∅ ) ∧ (A 0 ∩ B ∂ ≠ ∅ ) ∧ (A ∂ ∩ B 0 = ∅ ) ∧ (A 0 ∩ B 0 ≠ ∅ ) B 12/11/2007 Mastere -RI Image - P. Mul hem 56
4. RI dimages par le contenu « br ut » - Représentations sp atiale s - A b a s e d e r e l a t i o ns Approches Chaînes 2D (2D Strings)
Chaîne 2D : (F<B=G<S,S<B<F=G) Pour la recherche dima es, o n uti chaînesplusoumoinssgimples:lisedescalculsdinclusion de exemple : s1 est une sous-séquence de s2 si s1 est incluse dans s2 (sens ensembliste ) a1 de s1, a1 m atche a 2 de s2 et b1 m atche b2 d o e p sb21estunesous-chaîne Calcul de recher che co ûteux
12/11/2007 Mastere -RI Image - P. Mul hem 58
4. RI dimages par le contenu « br ut » - Exemples - Blobworld Couleurs Lab 218 dimensions, dis t a n ce quadratique Textures 2D : contraste, anisotropie