Christian Wolf

Wien,17. November 2000

Auf der Suche nach der Semantik-

Inhaltsbasierte Indizierung von

Bildern und Video

Christian Wolf

Umfeld der Arbeit

Praktikum 1996 mit Ingeborg Tastl:Suche in Bilddatenbanken mit color adjacency graphen

Dissertation 2000-?? mit Jean-Michel Jolion:Suche in Bild- und Videodatenbanken mittels Text und sub-konzeptuellen Informationen

Diplomarbeit 1999-2000 mit Horst Bischof und Jean-Michel Jolion:Suche in Bilddatenbanken mit interest points und Gabor features

Christian Wolf

Themengebiet

Die Suche nach Informationen in einer Datenbank von Bildern und Videoclips, basierend auf Inhalt, d.h. “query by example”.

Abfrage

Vergleich

Indizierung

Ergebnis

Indizes

Christian Wolf

Attentive: Systeme mit „Bewußtsein“, benutzen Schlußfolgerungen auf hohem Niveau um Information zu suchen.

Teile der Abbildung nach Etienne Loupias:« Indexation d’images: aide au télé-enseignement et similarités pré-attentives » (Dissertation, Nov. 2000)

Pre-Attentive: Systeme ohne Bewußtsein. Für den Vergleich werden Bildverarbeitungsmethoden herangezogen, die Informationen auf niedrigem Niveau extrahieren (Farbe, Textur, Kontur usw.)

„Pre-attentive“ Systeme

Christian Wolf

Aufgaben

1. Definition einer Beschreibung für Bilder oder Videos

Vergleich Distanz

2. Definition einer (Pseudo)-Metrik, die die Distanz zweier Bilder anhand der Beschreibungen ermitteln kann.

Christian Wolf

Ansätze

• Hybrider Ansatz:

Keine Einschränkung des Arbeitsbereichs. Detektion des Bildtypes und Benutzung spezieller Features für diesen Typ.

• Spezialisierter Ansatz von Bilddatenbanken:

Der Arbeitsbereich ist eingeschränkt (Medizinische Bildverarbeitung, Personen usw.). Die Features werden auf den Arbeitsbereich zugeschnitten.

• Allgemeiner Ansatz:

Keine Einschränkung des Arbeitsbereichs, alle Arten von Bildern/Videos sind erlaubt.

Christian Wolf

Zwei Methoden

Farbbasierte Distanz mittels Farbnachbar-schaftsgraphen

Texturbasierte Distanz mittels Gaborfiltern

Christian Wolf

Farb Graphen

Repräsentation eines Bildes durch einen Graphen

Schwarz

GrünRot

Blau

Gelb

Christian Wolf

Farbclustering

Graphen theoretisches Clustern

Eintragen der Farben in ein 3D Histogram, erzeugen von Graphen.

34 13 9

17 5 18

12 23 21

37 83 65

6

8

33

44

Christian Wolf

Knoten: Die Farbe des Clusterrepräsentanten

Kanten: Die Nachbarschaftsbeziehungen, die durch „walks“ von den Zusammenhangs-komponenten aus ermittelt werden.

Aufbau und Vergleich

Vergleich zweier Graphen: Greedy search in der Distanzmatrix der Farben

ii

color ES

wCAG 2

121size

sizesizesizewi

Christian Wolf

Farb Graphen

Die Ergebnisse sind von der Segmentierung abhängig.

Liefert durch die Nachbarschaftsbeziehungen mehr Informationen als ein Farbhistogramm

Durch das Löschen von kleinen Regionen werden die wichtigeren Informationen hervorgehoben. Die Regionen werden nach ihrer Größe gewichtet.

Das Regionenmodell ist nicht für alle Bilder vorteilhaft

Christian Wolf

Gabor FeaturesSelektion von Punkten mit Interest point Detektoren

IP2

Scale 1

Scale 2

Scale 3

1 2 3 4

IP1

IP3 IP4

Scale

Gabor Filterbank

Christian Wolf

2 verschiedene Beschreibungen

Level 1

Level 2

Level 3

Beschreibung als Menge von Feature Vektoren

Beschreibung als Menge von Histogrammen

Christian Wolf

0º 45º

Histogramme

Nachbarsuche

Christian Wolf

Distanz - Vektoren

Suche der korres-pondierenden Vektoren durch Greedy search in der Distanz-matrix

)()(

points ingcorrespond ofnumber *2),(

BNANBAd

)()(

)(*2

),(BNAN

s

BAd C

Christian Wolf

Distanz - Histogramme

i

BABA ixHiHHHd )()(ln),(

Die Distanz der Histogramrepräsentation wird über eine Standard Histogrammdistanzfunktion ermittelt.

Die Battacharyya distanz:

Christian Wolf

Rotationsunabhängigkeit

A) Feature vektoren (N pro Bild)

B) Histogram vektoren (1 pro Bild)

Kompensation von Bildrotationen durch Rotation der Feature-vektoren bzw. Histogramvektoren

Christian Wolf

Evaluierung der Algorithmen

Wie kann die Qualität einer Suchantwort bewertet werden?

Christian Wolf

10 11 14 15 15 19 32 36 86 156 174

Datenbank 1: 609 Bilder aus dem Fernsehen. 568 werden als Abfragebilder verwendet. Die Datenbank wird in 11 Klassen eingeteilt:

Datenbank 2: 179 Bilder aus der Datenbank von Jean-Michel Jolion. 105 werden als Abfragebilder verwendet, die DB wird in 6 Klassen eingeteilt

10 12 14 15 26 28

c

rcP )(

d

rcR )(

r ... Relevante Bilder in der Rückgabemenge

d ... Relevante Bilder in er DB

c ... Größe der Rückgabemenge

Test Datenbanken

Christian WolfDB 1

Christian WolfDB 2

Christian Wolf

Ergebnisse

DB2

Christian WolfDB1

Interestpoint Detektoren

Christian Wolf

Ergebnisse für Interestoperatoren

% für die besten 15 Bilder

Nach Etienne Loupias:« Indexation d’images: aide au télé-enseignement et similarités pré-attentives » (Dissertation, Nov. 2000)

Salient points(Haar)

Harris ZufälligePunkte

Tiger 26.7 25.6 11.7Löwen 47.8 25.0 26.3

Gebäude 33.9 28.9 32.3

Sonnenuntergänge 20.4 20.0 25.6

ObjektgebundeneKlassen

Christian Wolf

Schlußfolgerung - Gabor features

Gute Charakterisierung der Bilder durch lokale Deskriptoren

Gute Resultate für verschiedene Arten von Bildern (Fotos, Zeichnungen).

Gute Klassifizierung nach Aufnahmen von den gleichen natürlichen Szenen (z.Bsp. Fernsehsendungen).

Die Histogrammethoden werden aus Effizienzgründen empfohlen (ca. 20x schneller als die feature vector Methode)

Texturähnlichkeit ist für den Menschen sehr schwer nachvollziehbar (Interface?)

Christian Wolf

KIWI

Christian Wolf

Christian Wolf

SemantikLarousse: “Wissenschaft der Bedeutung von Wörtern”

Sensordaten(Features)

Subkonzept Sprache

Abbildung nach

A.Chella, M.Frixione, S.GaglioUnderstanding dynamic scenes

Konzept

VIR: Semantik durch Feedback

Christian Wolf

Semantik

Subkonzepte:

• Himmel• Wald• Wasser

Konzepte:

• Die Art der Information (Spielfilm)• Ort und Zeitpunkt des Geschehens

(Frankreich im Mittelalter)• Handlung !!• Bezüge zwischen den einzelnen Shots

usw.

Christian Wolf

Ansätze

Shot/Regionen basierte Klassifizierung und semantische Wahrscheinlichkeitsnetze

VogelFallschirm Explosion

UnterwasserWasserfall

+

+

--

M.R.Naphade and T.S.Huang. Semantic Video Indexing using a probalisitic framework - [17]

Extrahierter Text

Textboxen Position

GesichterGröße

• Location shot• Personal - Interview• Personal - Reporter

R.Ranford, Christophe Garcia and Jean Carrivé. Conceptual Indexing of Television Images Based on Face and Caption Sizes and Locations - [19]

Christian Wolf

Indizierung basierend auf TextScheitert momentan noch an der mangelnden Verfügbarkeit von zuverlässiger Video OCR.

Mögliche Features:

• Position und Anzahl von Textfeldern

• Größe

• Klassifizierung des Textes (Ortsnamen, Personennamen, Sportresultate, fixe Strings wie „Interview“, „Live aus“ usw.)

• Stichwortsuche über den Text

Text muss mit anderen Features kombiniert werden (Gesichter, Motion, Audio)

Christian Wolf

• Anti-Aliasing Effekte durch die Reduzierung der Auflösung (Tiefpaßfilter + Downsampling)

• Kompressionsartifakte durch JPEG + MPEG Komprimierung

Künstliche Kontrasterhöhung bei überlegtem Text (Lesbarkeit über komplexem Hintergrund)

Extraktion von Text: Wo ist das Problem?

Christian Wolf

Extraktion von Text

Komplexer Hintergrund macht die Segmentierung des Textes schwierig

Verschiedene Textgrößen machen einen Multiresolutionsansatz erforderlich.

Christian Wolf

Ergebnisse der Detektion

Christian Wolf

Was ist noch zu tun?

Extraktion des Textes:

• Einarbeiten von temporellen Aspekten in den Detektionsalgorithmus. Integration von mehreren Frames

• Tracking des Textes

• Qualitätsverbesserung der Textboxen, wenn möglich Erhöhen der Auflösung

• Segmentieren von Vordergrund und Hintergrund

• OCR (Kommerzielle Tools??)

Christian Wolf

SchlußfolgerungVisual Information Retrieval ist noch sehr weit davon entfernt, semantische Informationen zu erkennen und zu benutzen.

In der Zwischenweit liefern Methoden basierend auf Farb- und Texturfeatures wertvolle Resultate, deren Einschrän-kungen den Benutzern bewußt sein sollten.

Christian Wolf

Danke für Ihre Aufmerksamkeit!

Christian Wolf

[1] J.Matas, R.Marik and J.Kittler, The Color Adjacency Graph Representation of multicolored Objects, Technical Report VSSP-TR-1/95, Department of Electronic & Electrical Engineering, University of Surrey, Guildford.

[2] Markus Stricker and Alexander Dimai, Color Indexing with Weak Spatial Constraints, SPIE Vol. 2670/29 (0-8194-2044-1/96)

[3] Shapiro L.G., Haralick R.M.: Decomposition of two-dimensional shapes by graph theoretical clustering. IEEE trans. On Pattern Analysis and Machine Intelligence 1979, 1(1), 10-20

Farbgraphen

Referenzen

Christian Wolf

Interest points und Gabor features

Referenzen

[4] B. Huet and E.R. Hancock. Cartographic indexing into a database of remotely sensed images. In Third IEEE Workshop on Applications of Computer Vision

(WACV96), pages 8-14, Sarasota, Dec 1996.

[5] C. Schmidt and R. Mohr. Local gray value invariants for image retrieval. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(5), May 1997.

[6] S. Bres and J.M. Jolion. Detection of interest points for image indexing. In 3rd Int. Conf. on Visual Inf. Systems, Visual 99, pages 427-434. Springer, Lecture Notes in Computer Science, 1614, June 1999.

[7] H.G. Feichtinger and T. Strohmer. Gabor Analysis and Algorithms. Birkhäuser, 1998.

[8] C. Harris and M. Stephens. A combined corner and edge detector. In Proceedings

4th Alvey Visual Conference. Plessey Research Roke Manor, UK, 1988.

[9] A.K. Jain and F. Farrokhina. Unsupervised texture segmentation using gabor filters. Pattern Recognition, 24(12):1167-1186, 1991.

[10] E. Loupias, N. Sebe S. Bres, and J.M. Jolion. Wavelet-based salient points for image retrieval. In International Conference on Image Processing, Vancouver, Canada, 2000.

Christian Wolf

Detektion und Extraktion von Text

Referenzen

[11] F. LeBourgeois. Robust Multifont OCR System from Gray Level Images. Proceedings of the 4th Int. Conf. on Document Analysis and Recognition, pages 1-

5. 8/1997. [12] H. Li and D. Doermann and O. Kia. Automatic Text Detection and Tracking in Digital

Video. Technical report, LAMP-TR-028, Language and Media Processing Laboratory, Institute for Advanced Computer Studies, University of Maryland,

College Park, MD 20742, 12/1998. [13] R. Lienhart and W. Effelsberg. Automatic Text Segmentation and Text Recognition

for Video Indexing. Technical report, University of Mannheim, Praktische Informatik IV, 1998.

[14] T. Sato and Takeo Kanade and E.K. Hughes and M.A. Smith and S. Satoh. Video OCR: Indexing digtal news libraries by recognition of superimposed captions.

Multimedia Systems. [15] V. Wu and R. Manmatha and E.M. Riseman. Finding Text In Images. In ACM,

editor, Proc. 2nd ACM Int. Conference on Digital Libraries. 7/1997. [16] Y. Zhong and H. Zhang and A.K.Jain. Automatic Caption Localizatio in Compressed

Video. IEEE Transactions on Pattern Analysis and Machine Intelligence,

22(4):385-392, 4/2000.

Christian Wolf

Semantische Indizierung

Referenzen

[17] M.R.Naphade and T.S.Huang. Semantic Video Indexing using a probalisitic framework. In Proceedings of the ICPR 2000, Barcelona,Spain, Sept.2000, pp 83-88.

[18] A. Del Bimbo. Issues and Directions in Visual Information Retrieval. In Proceedings of the ICPR 2000, Barcelona,Spain, Sept.2000, pp 83-88.

[19] R.Ranford, Christophe Garcia and Jean Carrivé. Conceptual Indexing of Television Images Based on Face and Caption Sizes and Locations. In Proceedings of the VISUAL 2000, Lyon, France, Nov. 2000, pp. 349-359.

[20] J.Z.Wang, J.Li and G.Wiederhold. SIMPLICITY: Semantics-sensitive Integrated Matching. In Proceedings of the VISUAL 2000, Lyon, France, Nov. 2000, pp. 349-359.

Christian Wolf

i

BABA ixHiHHHd )()(ln),(

Bhattacharyya Distanz:

Appendix

)()(

points ingcorrespond ofnumber *2),(

BNANBAd

)()(

)(*2

),(BNAN

s

BAd C

t

ds

),(1)(

C ),(

Distanz zweier Mengen von Feature vektoren:

1.

2.X ... Menge der Paare von

korrespondierenden Vektoren

t ..... Threshold t = max. Distanz zweier Vektoren

Christian Wolf

Appendix

Indizierung:

• Definition der Features

• Definition der Information, die abgeleitet werden kann (Klassen).

• Interaktion mit den nicht text-orientierten Features (Motion: Rémi Megret)