मुझे नहीं पता कि Google किस एल्गोरिथ्म का उपयोग करता है। लेकिन, जब से आप एक सर्वश्रेष्ठ अनुमान चाहते हैं, मुझे कुछ विचार देना चाहिए कि एक समान प्रणाली का निर्माण कैसे किया जा सकता है ।
खोज-छवि-आधार-दर-छवि से निपटने वाले पूरे क्षेत्र को सामग्री आधारित छवि पुनर्प्राप्ति (CBIR) कहा जाता है । यह विचार किसी भी तरह, एक छवि प्रतिनिधित्व का निर्माण करता है (जरूरी नहीं कि मनुष्य द्वारा समझा जा सकता है) जिसमें छवि सामग्री के बारे में जानकारी हो ।
दो बुनियादी दृष्टिकोण मौजूद हैं:
- निम्न-स्तरीय (स्थानीय) विशेषताओं का उपयोग करके पुनर्प्राप्ति: छवियों के विशिष्ट भागों में रंग, बनावट, आकार (एक छवि स्थानीय विशेषताओं के वर्णनकर्ताओं का एक संग्रह है)
- शब्दार्थ दृष्टिकोण जहां एक छवि है, किसी तरह, वस्तुओं और उनके संबंधों के संग्रह के रूप में प्रतिनिधित्व किया जाता है
निम्न-स्तरीय स्थानीय दृष्टिकोण पर बहुत अच्छी तरह से शोध किया गया है। सबसे अच्छा वर्तमान दृष्टिकोण स्थानीय सुविधाओं को निकालता है (यहां शामिल फीचर निष्कर्षण एल्गोरिदम का एक विकल्प है) और छवियों की तुलना करने के लिए अपने स्थानीय डिस्क्रिप्टर (फिर से, डिस्क्रिप्टर की पसंद) का उपयोग करता है।
नए कार्यों में, स्थानीय डिस्क्रिप्टर को पहले क्लस्टर किया जाता है और फिर क्लस्टर्स को दृश्य शब्दों के रूप में माना जाता है - तकनीक तब Google दस्तावेज़ खोज के समान होती है, लेकिन पत्र-शब्दों के बजाय दृश्य शब्दों का उपयोग करना ।
आप दृश्य शब्दों को भाषा में शब्द जड़ों के समतुल्य मान सकते हैं: उदाहरण के लिए, शब्द: काम, काम, काम सभी एक ही शब्द मूल के हैं।
इन प्रकार के तरीकों की कमियों में से एक यह है कि वे आमतौर पर कम बनावट वाली छवियों पर प्रदर्शन करते हैं।
मैंने पहले से ही इन दृष्टिकोणों का विवरण देते हुए बहुत सारे उत्तर दिए और देखे हैं, इसलिए मैं उन उत्तरों के लिंक प्रदान करूंगा:
- CBIR: 1 , 2
- सुविधा निष्कर्षण / विवरण: 1 , 2 , 3 , 4
सिमेंटिक दृष्टिकोण आम तौर पर पूरी छवि के पदानुक्रमित प्रतिनिधित्व पर आधारित होते हैं। ये दृष्टिकोण अभी तक पूर्ण नहीं हुए हैं, विशेष रूप से सामान्य छवि प्रकारों के लिए। विशिष्ट छवि डोमेन के लिए इस तरह की तकनीकों को लागू करने में कुछ सफलता है।
जैसा कि मैं वर्तमान में इन दृष्टिकोणों के अनुसंधान के बीच में हूं, मैं कोई निष्कर्ष नहीं निकाल सकता। अब, उस ने कहा, मैंने इस उत्तर में इन तकनीकों के पीछे एक सामान्य विचार समझाया ।
एक बार फिर, शीघ्र ही: सामान्य विचार एक पेड़ के आकार की संरचना के साथ एक छवि का प्रतिनिधित्व करना है, जहां पत्तियों में छवि का विवरण होता है और वस्तुओं को ऐसे पेड़ों की जड़ के करीब नोड्स में पाया जा सकता है। फिर, किसी तरह, आप उप-पेड़ों की तुलना विभिन्न छवियों में निहित वस्तुओं की पहचान करने के लिए करते हैं।
यहां विभिन्न वृक्ष अभ्यावेदन के लिए कुछ संदर्भ दिए गए हैं। मैंने उन सभी को नहीं पढ़ा, और उनमें से कुछ सीबीआईआर के बजाय विभाजन के लिए इस तरह के प्रतिनिधित्व का उपयोग करते हैं, लेकिन फिर भी, वे यहां हैं:
- बाइनरी विभाजन के पेड़ और न्यूनतम / अधिकतम पेड़ों का उल्लेख: पी। सालमबियर, एमएचएफ विल्किंसन: कनेक्टेड ऑपरेटर्स
- बाइनरी विभाजन के पेड़: वी। विलाप्लाना, एफ। मार्केस, पी। सेलेम्बियर: बाइनरी पार्टिशन ट्री फॉर ऑब्जेक्ट डिटेक्शन
- आकृतियों का पेड़ (घटक वृक्ष): पी। मोनासे, एफ। गुइचार्ड: कंट्रास्ट-इनवेरिएंट इमेज रिप्रजेंटेशन की तेज़ संगणना , सी। बैलेस्टर, वी। कैस्टेलिस, पी। मोनासे: द ट्री ऑफ़ शेप ऑफ़ ए इमेज
- मोनोटोनिक पेड़: वाई। सॉन्ग, ए। झांग: मोनोटोनिक ट्री द्वारा दृश्यों की छवियों का विश्लेषण
- संपादित करें: आगे खुदाई से पता चलता है कि आकार के पेड़ और monotonic पेड़ हैं बराबर , 4/8 (आकार के पेड़) या 6-कनेक्टिविटी में छवि प्रसंस्करण को छोड़कर (monotonic)
- एक्स्ट्रेमा -वाटरशेड ट्री: ए। विचिक, आर। केशेत, डी। मल्लाह: सेल्फ-डुअल मॉर्फोलोजी ऑन ट्री सेमलैटिस एंड एप्लिकेशंस
- विवश कनेक्टिविटी, अल्फ़ा-ट्री, अल्ट्रामेट्रिक वॉटरशेड: पी। सोइल, एल। नाज़मन: इमेज प्रोसेसिंग और स्थानिक डेटा क्लस्टरिंग के लिए रूपात्मक श्रेणीबद्ध प्रतिनिधित्व पर