铁山
/
影像数据化

分享

影像分析的人工处理会有:主观性高、重复性低、定量及信息利用度不足、耗时及劳动强度和知识经验的传承困难等问题。而人工智能可以无休眠的工作,且不会受到外界因素的干扰,能够时刻保持高效的工作状态,并在影像分析的精度和速度上体现出巨大优势。

影像数字化的唯一目的是,可以使用人工智能对某一领域的某一类数量巨大的、有关联性的影像资料进行数字数据化分析 ,让其提供高效的计算和精准的分析与决策的方向性选择。由于人工智能是可以提取影像蕴含的肉眼难以感知的高维度信息,通过在影像数据中的进行深入挖掘,将建立起从高纬度量化信息到应用结果的数学关系,进而能够将影像的分析从判断进一步扩展到决策方案的提出和执行结果的预测等。因此,可以更加准确地对于正在发生事件的决断,以达到事件处理的最佳效果。影像数字化主要包括四个内容:

  • 建立机器训练学习模型;
  • 建立各类影像分析规则(库);
  • 利用识别分析技术手段,进行图像模拟度判定;
  • 建立影像分析特征的语义集,提供标准术语进行结果表述。

与此同时,需要对影像数字化所获取的数据进行深度挖掘,而从数据形式和相关技术上说,大致可以划分为结构数据挖掘和非结构数据挖掘:

  • 结构数据挖掘是:基于结构化的数据基础上的知识发现,例如我们常见的关系型数据,包括数值型数据、字符型数据、日期型数据等等,应用相关的数据挖掘技术对这些关系型数据开展分析。
  • 非结构数据挖掘是:基于非结构化的数据基础上的知识发现,例如我们常见的自然语言文本数据、各种图像数据、各种音频数据等等,基于这些类型的数据开展数据挖掘分析。

最为复杂的是非结构数据,它有如下几个主要特点:

  • 影像数据一般具有相对的含义,而结构化数据一般具有绝对的含义。
  • 影像内容的理解具有主观性的特点,对影像信息可以有多种不同理解,并依赖于影像表示方法和应用领域专业知识。
  • 影像信息中包含影像数据对象的空间关系信息。

从目前的影像数据挖掘技术的现状来说,原始影像一般还不能直接用于影像数据挖掘分析,必须进行预处理,以生成可用于高层次挖掘的影像特征库。影像数据挖掘的一般流程通常包括影像的存储、影像的预处理、影像的搜索、影像的挖掘和展示等步骤。

影像数据挖掘方案主要有功能驱动型模型和信息驱动型模型:

  • 功能驱动型模型是以不同的功能模块来组织,功能驱动的影像数据挖掘是针对具体应用的特定要求来设计数据挖掘方案的
  • 信息驱动型模型,是针对影像的原始信息开展基于内容的影像数据挖掘的方案。该方案基于原始特征的对象或区域信息,利用挖掘算法和专业知识将整幅影像进行有意义地分割,然后开展高层次地计算与挖掘分析,从而推导出具有高层次语义的、易用的、易于理解的模式。

功能驱动型模型通常包括:

  • 影像采集模块-从影像数据库中抽取影像数据;
  • 预处理模块-提取影像特征,并把特征信息存放在特征数据库中;
  • 搜索引擎-利用影像特征信息进行匹配查询;
  • 知识发现模块-对影像数据进行算法分析,以发现数据的主题、特征、关系等规律。

信息驱动型模型将影像信息划分为四个层次:

  • 象素层-由原始影像信息和原始影像特征组成,如象素点、纹理、形状和色彩等。
  • 对象层-处理基于象素层原始特征的对象和区域信息。
  • 语义层:结合专业知识从识别出的对象和区域中生成高层次的语义概念。
  • 知识层:可结合与某一专业相关的文字和数字信息发现潜在的领域知识和模式。

象素层和对象层主要进行影像处理、对象识别和特征提取,而语义层和知识层主要进行影像数据挖掘和知识整合。

 

 

 

 

 

这是描述信息
客服热线
01067650014 01067650014
服务时间:
8:00 - 24:00
客服组:
在线客服