Video Ayrıştırma – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Yakınlık Değerlendirmesi

Erişim özellikleri olarak enerji histogramlarının kullanılması, yakınlık değerlendirmesi açısından da avantajlı bir yaklaşımdır. Çoğu durumda, hesaplama açısından ucuz olan mesafeye dayalı bir benzerlik ölçüsü kullanılabilir. Histogram kutuları çiftleri arasındaki mesafeye dayalı benzerlik ölçüsünü gösterir.

Öklid mesafesi, şehir bloğu mesafesi ve histogram kesişme yöntemi gibi yaygın olarak kullanılan birkaç yakınlık değerlendirme şeması aşağıda açıklanacaktır. Bununla birlikte, ilk olarak histogram uzayının altında yatan kavram karakterize edilecektir.

Histogramlar ayrı ayrı dağıtıldığından, histogramın her bölmesi, n’nin histogramdaki bölme sayısı olduğu n-boyutlu özellik uzayının (Rn) tek boyutlu bir özellik bileşeni (veya koordinatı) olarak düşünülebilir.

Ayrıca, n-boyutlu özellik uzayını (Rn) histogram uzayı (Hn) olarak tanımlarsak, o zaman her n-bin histogram özelliği o histogram uzayında bir nokta olarak gösterilebilir.

Sonuç olarak, hj ve hk histogram özelliklerinin herhangi bir çifti için, iki histogram arasındaki mesafe, histogram uzayındaki iki temsili noktanın mesafesi olarak algılanabilir. Böylece, hj ve hk , D(hj , hk ) arasındaki mesafe, aşağıdaki kriterleri karşılayacak şekilde tanımlanabilir.

Genel olarak, Öklid mesafesi, görüntü alma uygulamasında çok etkili bir yakınlık ölçümü sağlar. Bununla birlikte, özellikle DCT katsayısında olduğu gibi kayan noktalı veri türü söz konusu olduğunda, hesaplama açısından pahalı bir tekniktir. dE(Q,M), n adet kayan noktalı çarpma gerektirir; burada n, histogram özelliğindeki kutu sayısıdır.

Yüksek hesaplama probleminin üstesinden gelmek için, genellikle şehir bloğu mesafesi kullanılır. Şehir bloğu mesafesi (dCB) tanımlanır.

Alternatif olarak, içinde kullanılan histogram yakınlık değerlendirme şeması kullanılabilir. Histogram kesişme yöntemi, benzerlik değerlendirmesi altındaki iki görüntünün kesiştirilmesiyle nesnelerin ortak kısımlarının bulunması için kullanılır. n-bin histogramlarından oluşan iki görüntü Q (sorgu) ve M (model) için, iki görüntünün histogram kesişimi tanımlanır.

Görüntü Alma

Görüntü elde etme deneyi, çok çeşitli gerçek hayattaki deneklerin yaklaşık 4700 kategorize edilmemiş, tekdüze boyutlandırılmış JPEG fotoğrafını içeren tek bir veritabanına dayanıyordu. Koleksiyon, Media Graphics International tarafından üretilir ve korunur.

Sağlanan kütüphane kullanılarak DCT katsayıları çıkarıldı. JPEG’de kullanılan niceleme tabloları görüntüler arasında değişiklik gösterebileceğinden dekuantizasyon adımları gerçekleştirildi. Geri alma sistemi, tek veritabanı modeli üzerine inşa edilmiştir.

İnsan görsel sistemine benzer görünen görüntülerin veritabanında doğru bir şekilde tanımlanmasını sağlamak için yaklaşık 40 sorgu görüntüsü elle önceden seçildi. Amaç, önceden tanınan görüntülerin alınan görüntü listesindeki konumunu ortaya çıkarmak olduğu için eşik dikkate alınmadı. İki sorgu görüntüsü örneği ve bunların benzer ilişkileri gösterilmektedir.

Özelliklerin alma performansına katkısını göstermek için burada iki sorgu görüntüsü, 36_238.JPG ve 49_238.JPG kullanılmıştır. İlk görüntü grubu, hafif kamera hareketiyle çekilmiş birbirine çok benzeyen üç görüntüden oluşur ve ikinci grup, biraz farklı arka plana sahip benzer iki görüntü içerir. Deneyin sonuçları tablolaştırılır.

Yalnızca DC katsayısına (F1) dayalı enerji histogramlarının, yalnızca renk benzerliği yüksek olan görüntülerin alınmasında iyi performans gösterebileceğini gözlemledik. F2A ve F3A’nın sonuçları, doku ve kenar bilgilerini taşıyan düşük frekanslı AC katsayılarının histogramlarının benzerlik ölçüsüne katkıda bulunduğunu öne sürdü.

Videodaki iki sesi ayırma
MP4 videodan ses ayırma programı
Videodan ses Ayırma online
Videodan ses ayırma
Videodan ses ayırma Programı
Videodan ses ayırma Android
Videodan ses alma Android
Videodan ses ve müzik ayırma

Böylece, DC ve çok sayıda düşük seviyeli AC katsayılarının (F2B, F3B, F4B) kombinasyonu, her iki listede de daha iyi sonuçlar verdi. Blok boyutu etkisinin karşılaştırılmasında, deneyimizdeki diğer sorguları kullanarak daha fazla inceleme, genel olarak F2B ve F3B’nin F4B’ye çok daha fazla tercih edildiğini gösterir. Bunun nedeni, özellik bloğu büyüdükçe, yoğun şekilde nicelenmiş katsayıların da dikkate alınması olabilir; dolayısıyla hatalı sonuçlar üretilebilir.

Ayrıca, F2B ve F3B özellikleri için alma performansının, küresel olarak tekdüze görüntülerde küçük nesnelerin ötelenmesinden nispeten etkilenmediğini de fark ettik. Bir alma örneği gösterilir.

Kayıpsız DCT dönüştürülmüş görüntülerin alınması için, sağlanan JPEGtran yardımcı programı kullanılarak bir sorgu seçildi ve dönüştürüldü. Dönüştürülen görüntüler daha sonra geri alma testinden önce görüntü veritabanına eklendi. Tüm özelliklerin dönüştürülmüş görüntüleri tanıyabildiğini gözlemledik. Deneyde kullanılan bir görüntü grubu gösterilir.

Hesaplama maliyeti konusunda, sıkıştırılmış alandaki özniteliklerin dikkatli seçimi yoluyla karmaşıklığın önemli ölçüde azaltılabileceğini fark ettik. 2 × 2 blok özelliği (F2B), genel renk histogram yöntemine göre özellik karmaşıklığını 1/16 kat azaltabilir.

Video Ayrıştırma

Video ayrıştırma deneyi, çeşitli test amaçları için seçilen birkaç MPEG akışına dayanıyordu. Opera Binası, Sidney Opera Binası’nın etrafındaki doğal manzaraları gösteren basit bir deredir. Yalnızca keskin geçişler içeren videoların ayrıştırılmasında özellik performansını incelemek için kullanılır.

Akvaryum ve Downtown internetten alınmıştır. Akvaryum nispeten basit bir video sekansıdır, Downtown ise hızlı kamera hareketleri ve çözülme geçişleri ile hızlı değişen bir video sekansıdır.

Blink, yanıp sönen ve yanıp sönen bir ışık kaynağının etkilerini araştırmak için kontrollü bir ortamda üretildi. Video akışlarının kısa bir açıklaması sağlanır ve Opera Binası’ndan birkaç örnek kare gösterilir.

Opera Binası gibi nispeten basit video dizileri için, tek başına DC katsayılarının kullanılması, ani sahne değişikliklerini algılamak için yeterlidir. Bununla birlikte, daha karmaşık çözünme geçişleri ve diğer etkiler için DC katsayısının tek başına kullanılması yanlış algılamaya yol açabilir. Genel olarak, F1F ve F2F’ye dayalı özellikler, tek başına F1F’den daha iyi sonuçlar verir. F3F ve F4F’ye dayalı özelliklerde de yanlış algılama gerçekleşir.

Keskin ve çözünen geçişleri algılamak için blok diyagramlar sırasıyla gösterilmiştir. İki çerçeve arasında keskin bir geçiş olduğu için, enerji histogramı özelliklerinin mesafesi genellikle tüm YUV bileşenleri için çok büyüktür. Bu nedenle YUV bileşenlerinden herhangi biri kullanılarak keskin bir geçiş tespit edilebilir. Aksi takdirde, üç bileşen mesafesinin birleşik mesafesi kullanılabilir.

Makale Deniz

Biyografinin Tamamını Gör