Among the approaches to image database management, content-based image retrieval is viewed as providing the best support for effective searching and browsing of large digital image libraries. Typical content-based image retrieval systems allow a user to provide a query image, from which low-level features are extracted and used to find "similar" images in a database. However, there exists the semantic gap between human visual perception and low-level representations. An effective methodology for overcoming this semantic gap involves relevance feedback to perform feature re-weighting. Current approaches to feature re-weighting require the number of components for a feature representation to be the same for every image in consideration. Following this assumption, they map each component to an axis in the n-dimensional space; likewise the feature representation is stored in a fixed-length vector. However, with the emergence of features that do not have a fixed number of components in their representation, existing feature re-weighting approaches are invalidated.
In this thesis a feature re-weighting technique is proposed that supports features regard-less of whether or not they can be mapped into the n-dimensional space. The approach analyses the feature distances calculated between the query image and the images in the database. Two-sided confidence intervals are used with the distances to obtain the information for feature re-weighting. There is no restriction on how the distances are calculated for each feature. This provides freedom for how feature representations are structured, i.e. there is no requirement for features to be represented in fixed-length vectors or mapped to the n-dimensional space. The experimental results show the effectiveness of the proposed approach and in a comparison with other work, it is shown how it outperforms previous work.
이미지 데이터베이스 분야에 대한 다양한 기법들 가운데, 내용 기반 영상 검색 기법(Content Based Image Retrieval)은 대용량의 영상을 효율적으로 검색하고 탐색할 수 있도록 한다. 기존의 내용 기반 영상 검색 시스템은 사용자가 입력한 질의 이미지에서 낮은 레벨의 특성(low-level feature)을 추출하고 그에 기반하여 데이터베이스로부터 유사한 영상을 검색한다. 하지만 컴퓨터에서 사용하는 낮은 레벨의 특성은 실제 인간이 영상을 인식하는 방법과 다르게 영상을 인식한다는 단점이 있다. 이러한 단점을 보완하기 위하여 각 특성에 대한 가중치를 적합성 피드백(relevance feedback)을 통하여 재조정하는 기법이 개발되었다. 기존의 특성 가중치 조정(feature re-weighting) 기법은 모든 영상에 대하여 특성은 항상 고정된 길이의 벡터 데이터로 표현된다고 가정한다. 이러한 가정을 전제로 하여 기존의 기법은 특성 표현(feature representation)의 각 부분을 n차원 공간의 각 축에 할당한다. 하지만 특성 표현 기법의 발전에 따라 가변적인 길이의 벡터로 표현되는 특성이 출현하였으며, 이로 인하여 기존의 제한된 길이의 벡터로 표현되는 특성 표현에 기반한 특성 가중치 조정 기법의 유효성은 감소하게 되었다.
본 논문에서는 가변적인 크기의 벡터로 표현되는 특성에 대해서도 특성 가중치를 효과적으로 조정할 수 있는 기법을 제안한다. 본 기법은 특성에 기반하여 계산된 질의 영상과 데이터베이스 내부의 영상 간의 거리와 양측 신뢰구간(two-sided confidence interval)을 이용하여 특성 가중치를 조정한다. 이 때 각 특성의 거리 계산 방법에 대해서는 제한을 두지 않는다. 또한 각 특성의 표현에 있어서도 고정적인 크기 뿐만이 아니라 가변적인 크기의 데이터 역시 사용할 수 있도록 한다. 본 논문에서는 실험을 통하여 제안한 기법의 유효성을 입증하였으며, 다른 연구 결과와의 비교를 통하여 제안한 기법의 성능이 보다 우수함을 보였다.
