Inhaltsbasierte Suche in Bilddatenbanken

Transkript

1 Inhaltsbaserte Suche n Blddatenbanken Ullrch Köthe Fraunhofer-Insttut für Graphsche Datenverarbetung Rostock D Rostock, Joachm-Jungus-Str. 9 Emal: koethe@egd.gd.fhg.de Zusammenfassung: Der vorlegende Artkel beschäftgt sch mt ener neuen Art ntellgenter Informatonssysteme, den Blddatenbanken mt nhaltsbaserter Suchopton. De nhaltsbaserte Suche glt als velversprechender Lösungsansatz für das Fnden relevanter Daten n großen Datenbeständen. De grundlegenden Konzepte n Bezug auf Blddatenbanken werden beschreben und anhand enes Modellbespels, ener Datenbank mt Brllengestellen, überprüft. Es zegt sch, daß der Nutzen von nhaltsbaserter Suche entschedend davon abhängt, daß das Retrevalsystem ähnlche Suchkrteren anwendet we der Mensch. Aufgrund enfacher Expermente werden geegnete Krteren, de auf Rchtungshstogrammen und Skelettlnen beruhen, dentfzert. De expermentelle Evaluerung des darauf aufbauenden Demonstratonssystems zegt ene gute Überenstmmung der Suchergebnsse mt den Erwartungen des Nutzers. 1. Enletung De heutge Technologe gbt uns de Möglchket, resge Mengen dgtaler Blddaten zu spechern, zu manpuleren und zu übertragen. Dese Entwcklung beruht unter anderem auf den ständg snkenden Kosten für Specherhardware und auf den stark verbesserten Zugrffsmöglchketen über weltwete Computernetze (Internet, WWW). Das bsher ungelöste Hauptproblem besteht dabe darn, n desem gewaltgen Informatonspotental dejengen Daten zu fnden, de für ene bestmmte Fragestellung relevant snd. De Spannwete der möglchen Anfragen st dabe sehr groß. So suchen bespelswese Umweltwssenschaftler nach bestmmten Veränderungen n Satelltenbldern. Ärzte benötgen Röntgenaufnahmen, de ene bestmmte Besonderhet aufwesen. Kunden wählen n enem elektronschen Frmenkatalog Produkte aus (Teleshoppng) usw. Tradtonell werden zur Suche n Blddatenbanken Annotatonen verwendet, de den Bldnhalt n Form von Wort- und Zahlenattrbuten kompakt wedergeben. Dese Methode hat jedoch mehrere Nachtele: - En Bld enthält normalerwese wesentlch mehr Informatonen, als durch ene begrenzte Zahl von Annotatonen ausgedrückt werden kann ( En Bld sagt mehr als tausend Worte. ). Deshalb st de Spanne der möglchen Fragestellungen sehr begrenzt. - Annotatonen müssen heute mest von Hand engegeben werden. Des verursacht enersets hohe Kosten, anderersets bleben de Annotatonen von subjektven Enschätzungen des Bearbeters abhängg und snd schlecht objektverbar. Der wchtgste Ansatz zur Entwcklung ntellgenter Suchmethoden besteht darn, mt Hlfe von Methoden der dgtalen Bldanalyse den Bldnhalt selbst zu untersuchen. Dese neuen Methoden, deren Entwcklung weltwet zur Zet stark vorangetreben wrd, werden unter dem Begrff Inhaltsbaserte Suche (engl. Content Based Retreval ) zusammengefaßt. Man unterschedet dre grundlegende Prnzpen der nhaltsbaserten Suche n Blddatenbanken: on-lne Bldanalyse: Herbe entsprcht jeder Anfrage en Bldanalysealgorthmus, der nach Anwendung auf alle Blder genau de gesuchten Blder herausfltert. Obwohl der Nutzer damt ene sehr große Flexbltät be der Suche erhält, st dese Methode für de mesten praktschen Anwendungen heute noch zu aufwendg. automatsche Annotaton: Be desem Ansatz werden be der Enfügung jedes Bldes automatsch Annotatonen berechnet. Man kann dadurch wesentlch mehr Annotatonen verwenden, als en Mensch von Hand engeben könnte. Standardserte Algorthmen schern außerdem de Verglechbarket der Attrbute. Da jede Suchanfrage mt Hlfe der Attrbute formulert werden muß, müssen dese sehr sorgfältg ausgewählt werden. bldlche Schlüssel (pctoral ndexes): Dese Methode versucht, de Vortele der beden vorhergehenden Methoden zu verbnden. Aus den ursprünglchen Bldern werden dabe (mest verklenerte) Schlüsselblder berechnet, n denen bestmmte Merkmale (z.b. Kanten) hervorgehoben und damt lecht zu 1

2 detekteren snd. De Schlüsselblder enthalten mehr Informatonen als enfache Attrbute, nsbesondere blebt der räumlche Kontext erhalten. Da umfangreche Vorverarbetungsschrtte berets durchgeführt wurden, st der Rechenaufwand trotzdem vel gernger als be der on-lne Bldanalyse. Aufgrund der Komplextät der Bldnformaton kann man allerdngs ncht erwarten, daß de nhaltsbaserte Suche ene exakte Überenstmmung von Suchkrteren und Bldmerkmalen lefert. Statt dessen mßt man de Ähnlchket zwschen Suchkrteren und Bldnformaton. Neuronale Netze und Fuzzy-Logk lassen sch, neben tradtonellen Verfahren, herzu erfolgversprechend ensetzen. De Blder mt der größten Ähnlchket werden dem Nutzer präsentert, und deser hat de letzte Entschedung, welches er auswählen möchte. Ene Rehe neuer Anfragetypen werden dadurch möglch: - bespelbaserte Suche: "Suche Blder, de enem Bespelbld (oder Bldausschntt) ähnlch snd." "Suche Blder, de en Objekt enthalten, das mener Skzze ähnelt." - Suche nach vsuellen Merkmalen: "Suche Blder, de bestmmte Texturen und Farbvertelungen bestzen." "Suche Blder, de runde oder fünfeckge Objekte enthalten. - teratve Suche: Hat ene Anfrage ken befredgendes Ergebns erbracht, kann aus den besten Antworten ene neue Anfrage zusammengestellt und de Suche wederholt werden, so daß man sch teratv an de gesuchte Lösung herantastet. Des erlechtert de Arbet vor allem dann, wenn zwschen konkurrerenden Merkmalen en Kompromß gefunden werden muß. De Formulerung derartger Anfragen stellt hohe Anforderungen an das Nutzernterface, um effzent entsprechende Bespele zu genereren, aus anderen Bldern zu extraheren und zu modfzeren. Zusätzlch sollte de Möglchket zur Übersetzung anwendungsspezfscher Begrffe n den Merkmalsraum der Bldanalyse vorhanden sen, um Anfragen auch verbal formuleren zu können De mesten derzet exsterenden Prototypen realseren de nhaltsbaserte Suche über automatsche Annotatonen. Das PHOTOBOOK-System [1] konzentrert sch dabe auf de Abletung optmaler Attrbute für spezelle Fragestellungen, nämlch de Erkennung von Geschtern, de Texturklassfkaton mt Hlfe von WOLD- Merkmalen und de Formbeschrebung ebener Flächen durch Deformatonsanalyse. QBIC [], das derzet enzge kommerzell verfügbare System, hngegen versucht, möglchst allgemen anwendbare Attrbute zu bestmmen. Es werden daher nsbesondere Farbhstogramme, enfache Texturmerkmale sowe Flächenmomente benutzt. Ene erste Anwendung der bldlchen Schlüssel wurde nnerhalb des ART MUSEUM-Systems [3,4] verwrklcht. Spezelle verklenerte Kantenblder, de de Komposton des Bldes wedergeben, werden her zum Retreval von Gemälden engesetzt. De vorlegende Arbet berchtet über en Modellbespel, mt dessen Hlfe grundlegende Konzepte der nhaltsbaserten Suche demonstrert und überprüft wurden. Deses Modellsystem ermöglcht de Suche nach Brllengestellen n ener entsprechenden Blddatenbank, ndem de gewünschte Brllenform durch ene Skzze oder en Bespelbld beschreben wrd. De Hauptschwergket besteht herbe darn, daß de vom System verwendeten Attrbute dem Ähnlchketsempfnden enes Menschen sehr genau entsprechen müssen, da de Suchergebnsse sonst für den Nutzer kaum nachvollzehbar snd. De relatv enge Engrenzung des Anwendungsgebetes erlechtert dabe de Defnton der Attrbute sowe de Überprüfung der Ergebnsse unter verschedenen Bedngungen. De Arbet gledert sch we folgt: Im zweten Abschntt werden aufgrund psychologscher Untersuchungen geegnete Merkmale dentfzert. Entsprechende Algorthmen werden n Abschntt 3 entwckelt. Abschntt 4 beschäftgt sch schleßlch mt der Formulerung von Anfragen und berchtet über Expermente zur Evaluerung der Suchmethoden.. Identfkaton geegneter Merkmale für de Brllenbeschrebung Berets ene oberflächlche Analyse zegt, daß Menschen en ausgeprägtes Empfnden für de Ähnlchket von Formen, n unserem Fall Brllengestellen, bestzen. En automatsches Retrevalsystem muß deshalb sene Ähnlchketskrteren so eng we möglch an das menschlche Empfnden anpassen. Um den Begrff menschlches Empfnden n desem Zusammenhang genauer zu defneren, wurden zunächst ene Rehe enfacher psychologscher Tests durchgeführt. Grundlage deser Tests war de Sammlung von Brllen n Abbldung 1. Auch wenn de Tests nur enen groben Enblck geben, zegt sch, daß se für das nachvollzehbare Funktoneren des Retrevals entschedende Hnwese lefern. Ähnlche Tests müssen vermutlch Grundlage jeder nhaltsbaserten Suchumgebung sen.

3 Abb. 1: Brllen, de für verschedene Tests verwendet wurden. (De Zahlen werden m folgenden als Referenzen verwendet.) Zunächst gng es darum festzustellen, welchen Enfluß verschedene Merkmale ener Brlle auf de Beurtelung der Ähnlchket haben. Zusammenfassend ergab sch dabe folgendes: - Wchtgstes Merkmal st de Form des Brllenglases. - Etwas gernger gewchtet snd de Dcke des Brllenrahmens, das Desgn des Nasenstegs sowe de Größe der Brlle. - Außer be sehr auffällgem Desgn spelt der Schleßblock (Ansatz der Bügel) ene gerngere Rolle. Farbe wurde als Krterum zunächst ncht berückschtgt, des st ener späteren Verson des Programms vorbehalten. Ausgehend von desen Merkmalen gng es darum, grundlegende Klassfkatonen für Brllen zu fnden. Das entschedende Merkmal für de Klassfkaton st offenbar de Zahl der Ecken der Grundform des Brllenglases. Daraus ergeben sch sechs Klassen: runde, ovale, dre-, ver- sowe fünf- und mehreckge Formen. Wchtg für de Ähnlchket st auch, ob der Nasensteg aus en oder mehr (mest zwe) Telen besteht, woraus sch jewels zwe Unterklassen ergeben. De übrgen Merkmale zegen kene deutlche Klassenbldung und werden deshalb nur kontnuerlch betrachtet. Auf der Grundlage der Klassfkatonen wurde nun de Ähnlchket von Brllen genauer erfragt. Ausgehend von typschen Klassenvertretern sollten de Versuchspersonen de anderen Brllen entsprechend hrer Ähnlchket sorteren. Abb. zegt zwe Bespele, n denen als Unterschedungskrterum nur de Form des Brllenglases benutzt wurde. De Poston jeder Brlle ergbt sch durch Mttelung hrer Poston n mehreren Test mt unterschedlchen Versuchspersonen. Es st zu erkennen, daß de Ähnlchket von der Rchtung der geraden Stücken des Randes sowe von der Schärfe der Ecken bestmmt wrd. a) Musterbrlle b) Musterbrlle Abb. : Bespele für de Enschätzung der Ähnlchket durch de Versuchspersonen. (lnks: Musterbrlle; daneben: de sechs ähnlchsten Brllen aus Abb. 1 entsprechend hrer mttleren Poston be allen Versuchspersonen. De Zahlen unter den Bldern snd de Standardabwechungen deser mttleren Poston. Hohe Werte bedeuten, daß de Enschätzungen stark schwanken - m Extremfall um mehr als 5 Postonen n jede Rchtung. Aus den Tests ergbt sch folgende Lste von Merkmalen, de das Retrevalsystem berückschtgen muß: Brllenglas: Klassenzugehörgket (rund, oval, dre-, ver-, fünf-, mehreckg), Größe, Deskrptoren für de Detals der Form (nsbesondere Rchtungen und Schärfe der Ecken) 3

4 Nasensteg: Klassenzugehörgket (en Tel, mehrere Tele), Dcke, Brete, Poston Rahmen: mttlere Dcke nsgesamt, mttlere Dcke n ver Rchtungen (Nord, Süd, Ost, West) Darüber hnaus wurde deutlch, daß verschedene Versuchspersonen sehr unterschedlche Gewchtungen der verschedenen Merkmale vornehmen. Ene geegnete Nutzeranpassung muß durch das Retrevalsystem daher ebenfalls unterstützt werden. 3. Modellerung der Ähnlchket m Computer Analyse des Brllenglases De Analyse des Brllenglases hat sch als das schwergste Problem be der Entwcklung erwesen. Des st darauf zurückzuführen, daß sch de expermentell gefundenen Ähnlchketsbezehungen nur schlecht mt herkömmlchen Deskrptoren we Flächenmomenten [5] oder Fourerdeskrptoren [6] modelleren lassen. Offenschtlch st de Informaton, de für Erkennung der subtlen Unterschede zwschen konvexen Flächen (fast alle Brllengläser snd konvex) benötgt wrd, über mehrere Deskrptoren vertelt und dadurch schwer zu extraheren. Innerhalb deses Projekts wurde deshalb en neuer Deskrptor entwckelt, der sch spezell für de Unterschedung konvexer Flächen egnet. Er geht von der oben erwähnten Beobachtung aus, daß de Schärfe der Ecken und de Kantenrchtungen entschedenden Enfluß auf de Unterschedung haben. Wr nehmen an, daß das zu analyserende Gebet n Parameterdarstellung vorlegt (der Parameter t st der normerte Umfang): x t G = t [ ) ( ), 0, 1. (1) y( t) Der Wnkel ψ zwschen der Tangente n enem Punkt des Randes und der x-achse sowe de Länge dl enes dy dx dfferentellen Kurvenstücks snd dann ( mt y'( t) dt, x'( t) dt ) = = gegeben durch: y arctan '( t ), falls x'( t) 0, y'( t) 0 x'( t) y ψ ( ) arctan '( t t = ) + π, falls x'( t) < 0 x'( t) y arctan '( t ) + π, x'( t), y'( t) < falls 0 0 x'( t) dl = x'( t) + y'( t). () Wr defneren nun n Intervalle Ψ über dem Werteberech von ψ ( t ). Für en konvexes Gebet G st de Funkton ψ ( t ) monoton, so daß jedem Intervall Ψ endeutg en zusammenhängendes Intervall T über dem Defntonsberech von ψ ( t ) zugeordnet werden kann: { } Ψ = ψ ( t): ψ ψ ( t) < ψ + ψ, ψ = ψ, = 0,..., n 1, ψ = { : ψ ( ) Ψ } T = t t Mt Hlfe deser Intervalle kann en Rchtungshstogramm für de Kurve defnert werden: π n (3) H[ Ψ ] = dl = x'( t) + y'( t) dt. T T Das Rchtungshstogramm mßt de Länge der Randkurve n jedem Wnkelntervall [ ψ ψ ψ ) 4 (4), +. Anschaulch bedeutet des, daß H n enem Gebet großer Krümmung (also an ener Ecke) enen klenen Wert und n enem Gebet klener Krümmung (Geradenstück) enen großen Wert bestzt. Deshalb st es für de Beschrebung konvexer Flächen sehr geegnet.

5 Enge wchtge Egenschaften des Rchtungshstogramms snd: - Es st translatonsnvarant. - Es st ncht rotatonsnvarant. Dese Egenschaft st für de Brllenbeschrebung günstg, da Brllen ene defnerte Lage bestzen. - Es st n ψ perodsch (Perode π ). Dese Egenschaft kann genutzt werden, um rotatonsnvarante Deskrptoren abzuleten (bespelswese de Beträge der Fourertransformerten des Hstogramms). - Durch Verwendung des normerten Umfangs (d.h. H[ Ψ ] = 1) st das Hstogramm skalerungsnvarant. De absolute Größe der Brlle, de natürlch ebenfalls nteressant st, wrd als separates Merkmal durch de Quadratwurzel der Fläche des Brllenglases beschreben. In der Praxs st de Berechnung des Rchtungshstogramms sehr enfach, wel de Kurve normalerwese als T Polygonzug, z.b. durch G = {( xk, yk ), k = 0,..., m 1 }, gegeben st. In desem Fall müssen anstelle der Dfferentale Dfferenzen benutzt werden und es glt: H[ Ψ ] = lk, (5) { : ψ [ ψ, ψ + ψ )} k k wobe ψ k de Rchtung des k-ten Vektors des Polygonzuges und l = ( x x ) + ( y y ) Länge snd. k k + 1 k k + 1 k sene Abb. 3: Rchtungshstogramme enger Brllen Brlle : fast rund => kene ausgeprägten Extrema Brlle 3: oval => zwe Maxma Brlle 16: dreeckg => dre Maxma Brlle 1: vereckg => ver Maxma Abb. 3 zegt de (geglätteten) Rchtungshstogramme für enge Brllen. De Zuordnung der Brllen zu ener der Klassen rund, oval usw. st jetzt relatv enfach. Im wesentlchen ergbt se sch aus der Anzahl der Maxma m Rchtungshstogramm. Häufg treten jedoch neben den deutlchen Maxma auch wenger deutlche auf. Typsches Bespel st ene fast runde, lecht ellpsenförmge Brlle, de zwe klene Maxma m Hstogramm aufwest. In solchen Fällen kann de Brlle n gewssem Grade mehreren Klassen zugeordnet werden. En enfacher Fuzzy-Klassfkator hat sch als das geegnete Werkzeug erwesen, aus den Peaks des Hstogramms solche graduellen Zugehörgketswerte zu berechnen. Analyse des Brllengestells Grundlage für de Beschrebung des Brllengestells st das Skelett, welches mt Hlfe der Dstanztransformaton [7,8] bestmmt wrd. De Dstanztransformaton ermöglcht es außerdem, für jedes Pxel des Skeletts senen Abstand vom Rand zu berechnen. Mt Hlfe enes Kantenverfolgungsalgorthmus lassen sch nun alle relevanten Pxel des Skeletts fnden und über den gesamten Rahmen sowe nnerhalb der ver Sektoren Nord, Süd, Ost und West (gemessen relatv zum Schwerpunkt enes Brllenglases) mtteln. Lage, Größe und Anzahl der Nasenstege werden durch Analyse der Verzwegungspunkte des Skeletts ermttelt. De Dcke ergbt sch wederum als mttlerer Abstand der Skelettlne des Nasenstegs vom Rand. 5

6 Defnton der Ähnlchket Be der Defnton der Ähnlchket müssen prnzpell zwe Fälle unterscheden werden, nämlch der Verglech kontnuerlcher Merkmale bzw. Merkmalsvektoren sowe der Verglech von Klassenzugehörgketen. Zur Berechnung der Ähnlchket kontnuerlcher Merkmale muß en geegneter Abstand zwschen den Merkmalen defnert werden. In velen Fällen genügt der Eukldsche Abstand, der für de Rchtungshstogramme gegeben st durch: ( ) D ( H1, H ) = H1[ Ψ ] H[ Ψ ]. (6) Ene Alternatve bem Verglech von Hstogrammen betet der symmetrsche Abstand der zugehörgen Summenhstogramme (ähnlch dem Kolmogorov-Test): D ( H, H ) H [ ] k H [ ] 1 = k = 0 1 Ψ k = 0 Ψ k. (7) De Ergebnsse snd be beden Varanten ähnlch, ausführlchere Untersuchungen zum Verglech snd zur Zet m Gange. Mehrere vonenander unabhängge Dstanzen lassen sch durch en gewchtetes Mttel der Quadrate der Enzeldstanzen kombneren: a Dges ( M1,..., M a ) = wl D l=1 l. (8) De Gewchte w l hängen dabe von der Varanz der Dstanz D l sowe von hrer Bedeutung für de Gesamtbeurtelung der Ähnlchket ab. Außerdem läßt sch der Ähnlchketsbegrff durch Modfkaton der Gewchte lecht an verschedene Nutzeranforderungen anpassen. Des wrd weter unten ausführlcher dskutert. Um de Ähnlchket von Klassenzugehörgketen zu testen, hat man zwe prnzpelle Möglchketen. Im enfachsten Fall berückschtgt man nur Objekte, de nnerhalb der glechen Klasse legen we das Suchprädkat. Des führt jedoch häufg zu ener zu starken Enschränkung des Suchraumes. Her st es besser, auch zwschen den Klassen ene Cluster-Dstanz zu defneren (z.b. mt Hlfe der Eukldschen Dstanz der Cluster- Zentren). Dese kann dann mt enem geegneten Gewcht ebenfalls n de Gesamtdstanz D ges engehen. De Unterschedung von klassenbaserten und kontnuerlchen Merkmalen gestattet darüber hnaus ene enfache Art der Indzerung größerer Datenbestände. De Suche n der Datenbank wrd dann n zwe Schrtten durchgeführt. Zuerst werden mt wengen klassenbaserten Merkmalen dejengen Brllen dentfzert, de m glechen oder n benachbarten Clustern legen we das Suchprädkat. Nur be desen st danach der vel aufwendgere Verglech aller Merkmale notwendg, was zu ener deutlchen Beschleungung der Suche führt. 4. Anfrageformulerung und Expermente Zwe grundlegende Anfrageparadgmen wurden bsher mplementert und getestet: Suche mt Hlfe enes Bespels sowe Suche aufgrund ener Skzze. De Engabe der Skzze erfolgt dabe mt enem spezellen Edtor, der de ntutve Festlegung der gewünschten Brllenform auf der Bass von Splnes gestattet. De Werte für de übrgen Merkmale werden durch Scheberegler und Buttons festgelegt. Be der Bespelsuche wrd m enfachsten Falle ene Brlle der Datenbank als Verglechsobjekt festgelegt. Wählt man mehrere Bespele aus, kann jedes Bespel Zelmerkmale aus ener anderen Merkmalsgruppe lefern, so daß der Nutzer aus mehreren telwese befredgenden Antworten ene verfenerte Fragestellung ableten kann. Außerdem gbt es de Möglchket, durch Modfkaton der Gewchte de Suche an Nutzerpräferenzen anzupassen. So könnte bespelswese en Nutzer besonderen Wert auf klene Brllen legen, während en anderer auf kenen Fall enen mehrtelgen Nasensteg akzeptert. Deses Feature läßt sch während der Testphase auch dazu verwenden, de Suche nach jedem Attrbut getrennt zu testen, ndem de Gewchte der anderen Merkmale null gesetzt werden. De Testmethodk st an Technken aus [] angelehnt. De Ergebnsse der automatschen Suche werden mt dem entsprechenden Experment verglchen. De Güte der Suche ergbt sch aus der mttleren bzw. der maxmalen Dfferenz zwschen der expermentell bestmmten Sollposton der 6 ähnlchsten Brllen sowe deren 6

7 tatsächlcher Poston bem automatschen Retreval. Folgende Test wurden durchgeführt (jewels für Bespelsuche und Suche mt Skzze): - Test der Ähnlchket aufgrund der Klassennformaton allen - Test der Ähnlchket des Rchtungshstogramms nnerhalb der selben und benachbarter Klassen - Test der Rahmenmerkmale - Test der Nasenstegmerkmale - Tests mt verschedenen Merkmalskombnatonen De Tests aufgrund der Klassennformatonen zegen, daß das System de Klassenzugehörgketen korrekt erkannt hat. Verglecht man zusätzlch de Rchtungshstogramme, so daß auch de Ähnlchket nnerhalb der Klassen gemessen wrd, ergeben sch de Resultate n Abb. 4. De Musterbrllen snd de selben we n Abb., de Rehenfolge n Abb. st also de Soll-Rehenfolge. Sollposton und tatsächlche Poston wechen m Mttel um 1.6, höchstens um 3 Plätze vonenander ab. Dese Abwechungen entsprechen etwa den Standardabwechungen be den Expermenten, d.h. de Abwechungen des Retrevalsystems snd ncht größer als de Abwechungen der Versuchspersonen unterenander. Damt st ene wchtge Bedngung für de praktsche Anwendbarket des Verfahrens erfüllt. a) Musterbrlle b) Musterbrlle Abb. 4: Ergebns des automatschen Retrevals der Brllenform für de selben Musterbrllen we n Abb. (lnks: Musterbrllen; daneben: de sechs ähnlchsten Brllen. De Zahlen geben de Abwechungen zur Sollposton an, wenn de selbe Brlle n Abb. enthalten war. De noch fehlenden Verglechsbrllen befnden sch auf den Postonen 7 bzw. 8) a) Musterbrlle b) Musterbrlle c) Skzze Abb. 5: Bespele für Suche aufgrund der Rahmendcke (a), der Form des Nasenstegs (b) und mt Hlfe ener Skzze (c) De Abbldung 5 zegt Resultate für wetere Merkmale sowe für de Suche mt Hlfe ener Skzze. Auch her st zu erkennen, daß de Antworten des automatschen Suchsystems den Ergebnssen der Expermente sehr nahekommen. Das System wurde n C++ auf der Bass der objektorenterten Datenbank VERSANT auf ener SparcStaton 10 mplementert. De Antwortzet des Systems beträgt etwa 0.4 ms pro Brlle für enen vollständgen Merkmalsverglech. Der Verglech der Klassenzugehörgketen allen benötgt 0.1 ms. (Dabe snd de Retrevalzeten der Merkmale n der Datenbank ncht enthalten, wel de entsprechenden Objekte m Hauptspecher gecached werden.) Enfache lneare Suche st demnach bs etwa 1000 Brllen schnell genug für de nteraktve Arbet. Be klassenbaserter Indzerung verkürzt sch de Retrevalzet etwa auf de Hälfte, wenn durch de Vorauswahl nur noch be 1/3 der Brllen ene vollständge Suche notwendg st. 7

8 5. Ergebnsse und Ausblck In der vorlegenden Arbet wurde en allgemenes Konzept zur nhaltsbaserten Suche n Blddatenbanken entwckelt und an enem Bespel getestet. De Tests zegen, daß de nhaltsbaserte Suche en lestungsfähges, für den Nutzer ntutv verständlches Mttel zum Auffnden vsueller Informatonen st. Von entschedender Bedeutung st dabe allerdngs, daß de vom System verwendeten Merkmale und Ähnlchketsmaße eng an de entsprechenden, expermentell bestmmten Begrffe von Menschen angelehnt sen müssen. Außerdem müssen Anpassungsmöglchketen an de Varabltät und Subjektvtät deser menschlchen Begrffe geschaffen werden. De Suche mt Hlfe ener Skzze egnet sch nach unseren Erfahrungen besonders, um am Anfang der Suche erste Antworten zu genereren. Danach st es am enfachsten, sch aus den gefundenen Brllen Bespele zusammenzustellen, so daß de Anfrage mmer exakter wrd. Auf dese Wese kann man sch von ener groben Skzze sehr schnell teratv an ene Lösung herantasten. Zur Zet erforschen wr, we dese Konzepte auf komplzertere Blder, z.b. normale Fotografen, ausgedehnt werden können. De wchtgsten Probleme sehen wr be der Segmenterung der Blder sowe be der Bestmmung geegneter, anwendungsübergrefender Merkmale. Auch Fragen des User-Interfaces werden ene sehr große Rolle spelen, wel de bshergen Werkzeuge für de Anfragegenererung und für de Vsualserung von Ähnlchketen ncht mehr ausrechen. Innovatve Methoden zur Indzerung veldmensonaler Merkmalsräume werden mt dem Anwachsen der Datenbestände mmer wchtger. De Velzahl der potentellen Anwendungen, von elektronschen Katalogen für das Teleshoppng über schnellen Zugrff auf medznsche Blddaten bs zur problembaserten Suche n Satelltenbldarchven, versprechen jedoch enen großen return-onnvestment für de notwendge Forschungsarbet. 6. Lteraturverzechns [1] A. Pentland, R. Pcard, S. Sclaroff: Photobook: Tools for Content-Based Manpulaton of Image Databases, n: SPIE Conf. on Storage and Retreval n Image and Vdeo Databases II, No. 185, Feb [] C. Faloutsos, R. Barber, M. Flckner, J. Hafner, W. Nblack, D. Petkovc, W. Equtz: Effcent and Effectve Queryng by Image Content, n: J. of Intellgent Informaton Systems, 3 (1994) [3] T. Kato: Database archtecture for content-based mage retreval, n: SPIE Conf. on Image Storage and Retreval Systems, No. 166, Feb. 199 [4] K. Hrata, T. Kato: Query by Vsual Example - Content-based Image Retreval, n: A. Protte, C. Delobel, G. Gottlob (Eds.): Advances n Database Technology - EDBT 9, Sprnger Lecture Notes n Computer Scence, Vol. 58, 199 [5] C.-H. Teh, R.T. Chn: On Image Analyss by the Method of Moments, PAMI 10(4), pp , 1988 [6] N. Kryat, D. Maydan: Calculatng Geometrc Propertes from Fourer Representaton, Pattern Recognton (5), pp , 1989 [7] A. Montanvert: Medal Lne: Graph Representaton and Shape Descrpton, n: Proc. 8th ICPR 1986 [8] F.L. Krause, H. Jansen, N. Luth: Neue Methoden der automatschen Zechnungsnterpretaton, n: ZWF CIM, 88. Jahrgang, S ,