Automatický výběr reprezentativních fotografií

Abstract

Na internetu jsou miliardy fotografií a s neustále rostoucí velikostí těchto digitálních úložišť je stále více složitější vyhledat určitou snímku. Na zvýšení informační kvality fotoalb navrhujeme novou metodu, která vybírá reprezentativní snímky ze skupiny fotografií s využitím algoritmů počítačového vidění. Cílem této práce je analýza problematiky význačných znaků obrázků, porovnávání obrázků, shlukování objektů a také má za úkol prozkoumat charakteristické vlastnosti fotografií. Testy ukazují, že neexistuje univerzální příznak popisující fotografie takovým způsobem, aby bylo možné jednoduše modelovat proces shlukování vykonávaný lidským viděním. Práce navrhuje hybridní algoritmus, který kombinuje použití výhodných vlastností vybraných příznaků fotografie spolu s využitím specializovaného vícekrokového shlukovacího algoritmu. Klíčovou myšlenkou postupu je, že častěji fotografované objekty jsou pravděpodobněji reprezentativní. Tedy platí, že již náhodným výběrem z největších shluků dostáváme určitým způsobem reprezentativní fotografie. Tento výběr je dále vylepšený na základe optimalizací, které upřednostňují snímky s lepšími fotografickými vlastnostmi.There are billions of photos on the internet and as the size of these digital repositories grows, finding target picture becomes more and more difficult. To increase the informational quality of photo albums we propose a new method that selects representative pictures from a group of photographs using computer vision algorithms. The aim of this study is to analyze the issues about image features, image similarity, object clustering and examine the specific characteristics of photographs. Tests show that there is no universal image descriptor that can easily simulate the process of clustering performed by human vision. The thesis proposes a hybrid algorithm that combines the advantages of selected features together using a specialized multiple-step clustering algorithm. The key idea of the process is that the frequently photographed objects are more likely to be representative. Thus, with a random selection from the largest photo clusters certain representative photos are obtained. This selection is further enhanced on the basis of optimization, where photos with better photographic properties are being preferred.