О чём «говорят» изображения: анализ визуального контента на базе технологий машинного обучения

Развитие

К области поиска изображений по содержательным критериям в настоящее время возрастает интерес, связанный с ограниченностью методов, основанных исключительно на категоризации метаданных, а также растущим потенциалом её применимости. В настоящий момент алгоритмы категоризации и поиска в текстовых данных позволяют довольно эффективно обращаться с описанными изображениями по метаданным, однако такой подход требует ручного описания каждого изображения в базе человеком. Это совершенно непрактично, в особенности в применении к большим базам или изображениям, создаваемым автоматически (например, камерами видеонаблюдения). Плюс ко всему есть далеко не нулевая вероятность упустить одно из целевых изображений поиска из-за многозначности или синонимии.

Потенциальные области применения алгоритмов поиска по содержанию:

  • Поиск изображений в сети Интернет
  • Каталогизация изображений произведений искусства
  • Организация работы с архивами фотографических снимков
  • Организация каталогов розничной продажи товаров
  • Медицинская диагностика заболеваний
  • Предотвращение преступлений и беспорядков
  • Военно-оружейное применение
  • Вопросы контроля за распространением интеллектуальной собственности
  • Получение информации о местоположении удаленных зондов и географическое позиционирование
  • Контроль за содержимым массивов изображений

Развитие

К области поиска изображений по содержательным критериям в настоящее время возрастает интерес, связанный с ограниченностью методов, основанных исключительно на категоризации метаданных, а также растущим потенциалом её применимости. В настоящий момент алгоритмы категоризации и поиска в текстовых данных позволяют довольно эффективно обращаться с описанными изображениями по метаданным, однако такой подход требует ручного описания каждого изображения в базе человеком. Это совершенно непрактично, в особенности в применении к большим базам или изображениям, создаваемым автоматически (например, камерами видеонаблюдения). Плюс ко всему есть далеко не нулевая вероятность упустить одно из целевых изображений поиска из-за многозначности или синонимии.

Потенциальные области применения алгоритмов поиска по содержанию:

  • Поиск изображений в сети Интернет
  • Каталогизация изображений произведений искусства
  • Организация работы с архивами фотографических снимков
  • Организация каталогов розничной продажи товаров
  • Медицинская диагностика заболеваний
  • Предотвращение преступлений и беспорядков
  • Военно-оружейное применение
  • Вопросы контроля за распространением интеллектуальной собственности
  • Получение информации о местоположении удаленных зондов и географическое позиционирование
  • Контроль за содержимым массивов изображений

Развитие

К области поиска изображений по содержательным критериям в настоящее время возрастает интерес, связанный с ограниченностью методов, основанных исключительно на категоризации метаданных, а также растущим потенциалом её применимости. В настоящий момент алгоритмы категоризации и поиска в текстовых данных позволяют довольно эффективно обращаться с описанными изображениями по метаданным, однако такой подход требует ручного описания каждого изображения в базе человеком. Это совершенно непрактично, в особенности в применении к большим базам или изображениям, создаваемым автоматически (например, камерами видеонаблюдения). Плюс ко всему есть далеко не нулевая вероятность упустить одно из целевых изображений поиска из-за многозначности или синонимии.

Потенциальные области применения алгоритмов поиска по содержанию:

  • Поиск изображений в сети Интернет
  • Каталогизация изображений произведений искусства
  • Организация работы с архивами фотографических снимков
  • Организация каталогов розничной продажи товаров
  • Медицинская диагностика заболеваний
  • Предотвращение преступлений и беспорядков
  • Военно-оружейное применение
  • Вопросы контроля за распространением интеллектуальной собственности
  • Получение информации о местоположении удаленных зондов и географическое позиционирование
  • Контроль за содержимым массивов изображений

Отличительные особенности

Икона, хоть и относима в искусствоведении к произведениям изобразительного искусства, не то же, что картина. Например, «Явление Христа народу» Иванова нельзя считать иконой, несмотря на то, что повествует это полотно о Евангельском событии. И тем более, нельзя отнести к иконам многочисленных Мадонн итальянских мастеров.

В чем же отличие?

Интересный фактКартина призвана передавать эмоции, она полна чувств и страстей, икона нечувственна и бесстрастна. Живописец стремится запечатлеть свое имя, перенести на холст свою индивидуальность, иконописец, за редким исключением, остается анонимным, поскольку он видит себя лишь проводником Божественной воли, орудием Творца.

И, наконец, самое главное отличие иконы от картины – следование канону. Живописец пишет в соответствии со вкусами, мировоззрением эпохи, своим личным видением. Иконописец следует канону, сложившемуся много веков назад.

В чем же заключается иконописный канон? В следующих особенностях.

Условность и символичность изображения.

На иконах мы не видим реальных предметов нашего мира, все изображения выглядят символичными и как бы не имеют веса. Фигуры бесплотны, под складками одеяний не чувствуется тел, пропорции кажутся слегка неестественными, вытянутыми. Таким образом иконописец достигает «умаления» телесного и выдвижения на первое место духовного.

Перспектива.

Иконы пишутся по принципу обратной перспективы, точка схода (так художники называют место, где условные параллельные линии для глаз наблюдателя, удаляясь, собираются в пучок) находится не у горизонта, а на уровне глаз молящегося перед образом. Таким образом достигается эффект схождения в наш тварный мир мира горнего, вечного.

Свет.

На картинах искусных живописцев мы видим игру светотени, и всегда можем определить, где находится источник света, даже если он и не изображен на полотне. На иконах свет изливается от самих фигур, ликов, он разлит по всему пространству, это золотое свечение, которое не может иметь земного происхождения.

Цвет.

Одеяния и вообще все предметы на иконах имеют символический цвет. В красном предстают мученики за веру, голубой характерен для покрывала Богородицы, черным изображаются приспешники Князя тьмы, и так далее.

Время.

На живописных полотнах художник изображает некий конкретный момент, временной отрезок. На иконах нет времени. Иногда на одной иконе можно видеть написанные рядом события, которые случились раньше или позже друг друга. На иконах все происходит вне рамок привычного нам течения часов и дней, евангельская, священная история – это не события давно ушедших времен, а то, что происходит ежечасно и всегда.

Написанный по всем канонам образ следует освятить, подтверждая его каноничность. Только после чина освящения икона может служить своей непосредственной цели – быть орудием спасения души через молитву.

Ссылки

  • , (Flickner, 1995)
  • (Fleck et al., 1996)
  • , (Hampapur, 1997)
  • , (Vasconcelos & Lippman, 1997)
  • (Wang et al., 1998)
  • (JISC Technology Applications Programme Report 39) (Eakins & Graham 1999)
  • , (Vasconcelos & Lippman, 2000)
  • , (Vasconcelos & Lippman, 2000)
  • , (Lew, 2000)
  • , (Vasconcelos, 2001)
  • (Wang, Li, and Wiederhold, 2001)
  • (Ruiz-del-Solar et al., 2002)
  • (Li and Wang, 2003)
  • (Sivic & Zisserman, 2003)
  • (Vasconcelos, 2004)
  • (Vasconcelos, 2004)
  • (Hove, 2004)
  • (Berg et al., 2004)
  • (Quack et al., 2004)
  • (Eidenberger 2004)
  • (Town and Sinclair, 2004)
  • (Jaffre 2005)
  • (Arandjelovic & Zisserman, 2005)
  • (Jacobs, Finkelstein, Salesin)
  • (Datta et al., 2008)
  • (Hove, 2007)
  • (Vasconcelos, 2007)
  • (Maree et al., 2007)
  • (Li and Wang, 2008)
  • Bird, C.L.; P.J. Elliott, Griffiths (1996). «User interfaces for content-based image retrieval».
  • Rui, Yong; Thomas S. Huang, Shih-Fu Chang (1999). «Image Retrieval: Current Techniques, Promising Directions, and Open Issues».
  • Tushabe, F.; M.H.F. Wilkinson (2008). «Content-based Image Retrieval Using Combined 2D Attribute Pattern Spectra». Springer Lecture Notes in Computer Science.

Цифровые и электронные виды географических карт

С развитием геоинформатики появились и новые виды географических карт. Это цифровые и электронные. Карты также создаются на отдельных носителях в векторном, растровом и гибридном формате.

Цифровая карта местности (геоинформационные базы данных, ГИС) – это модель, созданная на основе цифрования картографических источников (записанная на машинном носителе), созданная на основе обработки данных дистанционного зондирования, цифровой регистрации. Создаётся по всем законам картографии. Цифровые карты могут быть на разных носителях, в том числе и на дисках и флэш-картах. Они имеют своё место хранения и существуют бесконечно долго.

Электронные карты создаются на основе цифровых, они генерируются посредством движущихся электронов на экране компьютере или экранах других устройств (спутниковый навигатор). Для динамики её генерации слои базы ГИС накладываются друг на друга. Электронные карты существуют непродолжительное время, только на период отображения на экране устройства не нужно путать их с электронными. Примеры: Яндекс.Карты, Рамблер-Карты, Google Maps.

Литература:

  1. Р.Я. Жмойдяк, Л.В. Атоян. КАРТОГРАФИЯ. Курс лекций. Минск 2006.
  2. В. Малов. Географические карты / М.: Слово, 2001.

Что такое распознавание изображений?

Как всегда, давайте начнем с основ. Прежде всего, вы должны помнить, что распознавание и обработка изображений не являются синонимами. Обработка изображения означает преобразование изображения в цифровую форму и выполнение определенных операций с ним. В результате можно извлечь некоторую информацию из такого изображения.

Этапы обработки изображений:

  1. Обработка цветного изображения – обработка цветов.
  2. Улучшение изображения – улучшение качества изображения и извлечение скрытых деталей.
  3. Восстановление изображения – очистка изображения от пятен и других неприятных вещей.
  4. Представление и описание – визуализация данных.
  5. Получение изображения – захват и конвертация изображения.
  6. Сжатие и распаковка изображений – изменение размера и разрешения изображения.
  7. Морфологическая обработка – описание структуры объектов изображения.
  8.  Распознавание изображений – выявление особенностей объектов изображения.

Теперь вы видите, что распознавание изображений является одним из этапов обработки изображений. Те специфические особенности, которые были упомянуты, включают людей, места, здания, действия, логотипы и другие возможные переменные на изображениях. Следовательно, распознавание изображений – это процесс идентификации и обнаружения объекта в цифровом изображении и одно из применений компьютерного зрения. Иногда это также называют классификацией изображений, и это применяется в большом количестве отраслей.

Масштаб в геодезии, картографии и проектировании.

Масштаб показывает, во сколько раз каждая линия, нанесенная на карту или чертёж, меньше или больше её действительных размеров. Есть три вида масштаба: численный, именованный, графический.

Масштабы на картах и планах могут быть представлены численно или графически.

Численный масштаб записывают в виде дроби, в числителе которой стоит единица, а в знаменателе — степень уменьшения проекции. Например, масштаб 1:5 000 показывает, что 1 см на плане соответствует 5 000 см (50 м) на местности.

Более крупным является тот масштаб, у которого знаменатель меньше. Например, масштаб 1:1 000 крупнее, чем масштаб 1:25 000.

Именованный масштаб показывает какое расстояние на местности соответствует 1 см на плане. Записывается, например: «В 1 сантиметре 100 километров», или «1 см = 100 км».

Графические масштабы подразделяются на линейные и поперечные. Линейный масштаб — это графический масштаб в виде масштабной линейки, разделённой на равные части. Поперечный масштаб — это графический масштаб в виде номограммы, построение которой основано на пропорциональности отрезков параллельных прямых, пересекающих стороны угла. Поперечный масштаб применяют для более точных измерений длин линий на планах. Поперечным масштабом пользуются следующим образом: откладывают на нижней линии поперечного масштаба замер длины таким образом, чтобы один конец (правый) был на целом делении ОМ, а левый заходил за 0. Если левая ножка попадает между десятыми делениями левого отрезка (от 0), то поднимаем обе ножки измерителя вверх, пока левая ножка не попадёт на пересечение к-либо трансвенсали и какой-либо горизонтальной линии. При этом правая ножка измерителя должна находиться на этой же горизонтальной линии. Наименьшая ЦД=0,2 мм, а точность 0,1.

Точность масштаба — это отрезок горизонтального проложения линии, соответствующий 0,1 мм на плане. Значение 0,1 мм для определения точности масштаба принято из-за того, что это минимальный отрезок, который человек может различить невооруженным глазом. Например, для масштаба 1:10 000 точность масштаба будет равна 1 м. В этом масштабе 1 см на плане соответствует 10 000 см (100 м) на местности, 1 мм — 1 000 см (10 м), 0,1 мм — 100 см (1 м).

Масштабы изображений на чертежах должны выбираться из следующего ряда:

Масштабы уменьшения 1:2; 1:2,5; 1:4; 1:5; 1:10; 1:15; 1:20; 1:25; 1:40; 1:50; 1:75; 1:100; 1:200; 1:400; 1:500; 1:800; 1:1 000
Натуральная величина 1:1
Масштабы увеличения 2:1; 2,5:1; 4:1; 5:1; 10:1; 20:1; 40:1; 50:1; 100:1

При проектировании генеральных планов крупных объектов допускается применять масштабы 1:2 000; 1:5 000; 1:10 000; 1:20 000; 1:25 000; 1:50 000.
В необходимых случаях допускается применять масштабы увеличения (100n):1, где n — целое число.

Свет мой, зеркальце, скажи…

Анализ визуальной составляющей контента пользователей соцмедиа помогает ответить на целый ряд вопросов бизнеса.

  • Какой формат в соцмедиа выгоднее всего покажет преимущества использования продукта? Изучив пользовательский контент перед запуском продукта, можно подготовить актуальные контексты и ракурсы использования и рассказать о продукте понятным для аудитории языком.

  • Как донести глубинные ценности бренда, не нарушая границ и универсальных правил категории? Так можно избежать подводных камней, адаптировать рассказ о бренде к привычным для аудитории форматам, не выглядеть искусственно и при этом не потерять в глубине.

  • Какие визуальные образы и темы использовать, чтобы создать привлекательный и актуальный для людей контент? Для этого можно изучить тренды на интересующей смысловой территории, понять, как на ней общаются люди и бренды. Может быть, есть ещё незанятые ниши, которые помогут отличиться на фоне конкурентов?

О чём «говорят» изображения: анализ визуального контента на базе технологий машинного обучения

Сферы применения технологии

Однажды мы задались вопросом: какие визуальные образы доминируют сегодня на такой территории, как «красота»? Мы проанализировали несколько десятков тысяч изображений из русскоязычного Инстаграм, чтобы понять, с чем красота ассоциируется у людей.

Такой анализ можно проводить регулярно. Это даёт возможность отслеживать изменение трендов во внешнем облике или потребностях людей, оценить популярность тех или иных продуктов или целых категорий, «поймать» появление конкурента на территории.

Эпоха визуальных форматов

Количество информации, производимой человечеством, продолжает стремительно расти. По оценкам Seagate и IDC объем информации к 2025 году составит более 160 зеттабайт. Для сравнения, ещё в 2006 году он составлял 0,16 зеттабайт, что было сравнимо с вместимостью встроенной памяти приблизительно 5,5 млрд современных смартфонов.

Несмотря на то, что наибольший удельный вес в структуре мировых данных занимает коммерческий сектор, потребители не остаются в стороне. Успешные проекты всё быстрее набирают свой первый миллиард пользователей. Например, гиганту Facebook для этого понадобилось 7 лет, а TikTok преодолел этот порог менее, чем за 3 года.

Каждый день объём данных, созданных пользователями, продолжает увеличиваться. При этом всё большую часть с точки зрения медиа-потребления занимают визуальные форматы. К примеру, доля видео в мобильном интернет-трафике возрастёт до 79% уже к 2022 году.

О чём «говорят» изображения: анализ визуального контента на базе технологий машинного обучения

Динамика роста доли видео в мобильном трафике с 2017 года

Успей получить ТОПовую профессию в digital со скидкой 50%!

  • Обучайся SMM на практике — создай свое портфолио.
  • Начни зарабатывать через 3 месяца.
  • Получи диплом SMM-маркетолога и помощь в трудоустройстве.
  • Воспользуйся рассрочкой до 2-х лет без первого взноса.

Подробнее

Революция медиа-потребления уже произошла. Сегодня визуальные форматы — основной способ познавать мир и общаться. Почему это так? Зрение — основной врожденный способ восприятия информации. При этом чтение, то есть восприятие текста — навык более сложный, ему учатся. В известном смысле общаться с помощью картинок и видео попросту проще. В то же самое время современные технологии делают создание такого контента всё более и доступным для любого человека.

Бизнес наряду с результатами опросов широко использует цифровые данные для понимания потребителя. Контент, создаваемый пользователями (в первую очередь, конечно же, в социальных медиа) — один из ключевых источников инсайтов о предпочтениях, стиле жизни и отношении людей к брендам и продуктам.

Однако «гонка вооружений» между непрекращающимся ростом объёма данных и методов их исследования бросает бизнесу серьезный вызов. Что в таких условиях исследовательские технологии могут предложить брендам?

Ссылки

  • , (Flickner, 1995)
  • (Fleck et al., 1996)
  • , (Hampapur, 1997)
  • , (Vasconcelos & Lippman, 1997)
  • (Wang et al., 1998)
  • (JISC Technology Applications Programme Report 39) (Eakins & Graham 1999)
  • , (Vasconcelos & Lippman, 2000)
  • , (Vasconcelos & Lippman, 2000)
  • , (Lew, 2000)
  • , (Vasconcelos, 2001)
  • (Wang, Li, and Wiederhold, 2001)
  • (Ruiz-del-Solar et al., 2002)
  • (Li and Wang, 2003)
  • (Sivic & Zisserman, 2003)
  • (Vasconcelos, 2004)
  • (Vasconcelos, 2004)
  • (Hove, 2004)
  • (Berg et al., 2004)
  • (Quack et al., 2004)
  • (Eidenberger 2004)
  • (Town and Sinclair, 2004)
  • (Jaffre 2005)
  • (Arandjelovic & Zisserman, 2005)
  • (Jacobs, Finkelstein, Salesin)
  • (Datta et al., 2008)
  • (Hove, 2007)
  • (Vasconcelos, 2007)
  • (Maree et al., 2007)
  • (Li and Wang, 2008)
  • Bird, C.L.; P.J. Elliott, Griffiths (1996). «User interfaces for content-based image retrieval».
  • Rui, Yong; Thomas S. Huang, Shih-Fu Chang (1999). «Image Retrieval: Current Techniques, Promising Directions, and Open Issues».
  • Tushabe, F.; M.H.F. Wilkinson (2008). «Content-based Image Retrieval Using Combined 2D Attribute Pattern Spectra». Springer Lecture Notes in Computer Science.

Условные знаки географических карт: надписи

Надписи – важный элемент содержания, присущий почти всем географическим картам. Они поясняют изображаемые объекты, обозначают их количественные и качественные характеристики, дают справочные сведения. Все надписи подразделяются на три группы:

  • топонимы,
  • термины,
  • пояснительные надписи.

Топонимы – собственные географические названия (имена) объектов:

  • оронимы – названия элементов рельефа,
  • гидронимы – названия водных объектов,
  • зоонимы – названия животного мира и т. п.

Термины – понятия, определяющие роль географического объекта (например, возвышенность, залив, полуостров, область и т. п.).

К пояснительным надписям относятся:

  • качественные характеристики («береза», «ель», «деревянный»);
  • количественные характеристики (абсолютные и относительные высоты, глубины, средняя высота и толщина деревьев и средние расстояния между ними в лесу);
  • хронометрические надписи (даты географических открытий, основание города, наступление каких-либо явлений, например ранних заморозков);
  • пояснения к знакам движения («Бразильское течение»);
  • оцифровка меридианов и параллелей и пояснения к линиям координатной сетки («Южный полярный круг», «Северный тропик»).

Надписи

Надписи на картах могут различаться характером шрифта, размером букв, цветом, выделением заглавных букв. Обычно размером шрифта определяют величину или относительное значение объектов (например крупный промышленный пункт), формой и цветом шрифта отображают качественные различия объектов. Так, например, на топографических картах шрифтами выделяют типы населенных пунктов.

Цвет надписи указывает на принадлежность объекта к определенной группе содержания карты. Так, на общегеографических картах надписи:

  • гидрографии печатаются синим цветом,
  • населенных пунктов – черным,
  • рельефа – коричневым,
  • политико-административного деления – красным и т. д.

Иногда надписи даются разными красками, чтобы показать государственную принадлежность объектов (например, островов).

Надписи следует правильно размещать: они не должны закрывать условные знаки и по возможности не пересекать контуры, не быть перевернутыми и хорошо читаться на цветном фоне и, главное, чтобы принадлежность надписи к определенному объекту не вызывала сомнения.

Более того, надписи должны указывать на характер размещения объекта. Например, надписи названий крупных государств, островов, водных бассейнов, занимающих большие площади, располагают внутри контуров по линии их наибольшей протяженности. Если объект имеет изогнутое очертание, то соответственно изгибается и надпись.

Мелкие площадные объекты, например малые водохранилища, в пределах которых надпись не помещается, подписываются рядом. Названия населенных пунктов (и других объектов, локализованных в пунктах) следует располагать справа от условного знака (если нет справа помех) параллельно горизонтальным линиям рамки карты или вдоль параллели. При этом следует размещать надписи населенного пункта на территории той страны, в которой он находится.

Литература:

  1. Р.Я. Жмойдяк, Л.В. Атоян. КАРТОГРАФИЯ. Курс лекций. Минск 2006.

Программные системы и алгоритмы

Несмотря на то, что существует множество программных комплексов по поиску изображений в базах данных, проблема поиска на основе пиксельного содержания в большинстве ситуаций пока не имеет реализованного решения. Смотри список поисковых систем по изображениям.

Способы построения запросов

Различные реализации систем поиска изображений по содержанию работают со следующими типами пользовательских запросов:

Пример результата

Предполагается, что система производит поиск на основе входного изображения, указываемого пользователем. Алгоритмы, составляющие систему, могут иметь различные способы описания и работы с входным изображением, но все результирующие экземпляры изображений должны иметь общие элементы с входом, указанным пользователем.

Пользователь может подать на вход как существующее изображение, так и грубый набросок требуемого результата (разметку на цветные области или простые геометрические формы).

При данном способе построения запросов не возникает трудностей, связанных с представлением изображения набором слов.

Разрешение семантики запроса

В идеале система поиска должна уметь обрабатывать запросы пользователя, сформулированные в свободной форме, например «найти фотографии собак» или даже «найти портреты Леонида Ильича Брежнева». Запросы такого типа очень сложны для обработки компьютером, ведь фотографии лабрадора и карликового пуделя сильно различаются, а Леонид Ильич не всегда смотрит в камеру в одинаковой позе. В настоящий момент многие системы используют для классификации характеристики низшего уровня, такие как цвет, текстура и форма объекта, хотя существуют и системы, в основном основанные на дифференциации критериев высокого уровня (см. Теория распознавания образов). Большинство систем не являются широко ориентированными. Например, системы поиска изображений, сгенерированных на компьютере, с успехом обходятся признаками, основанными на совмещении форм и градиентов.

Прочие способы

Эта категория включает в себя такие формы запросов, как определение категории в предложенной иерархии, запрос в виде части изображения, ожидаемого в качестве результата, расширение запроса дополнительными изображениями, графичный набросок, состоящий из сложных форм, а также комбинацию методов.

Также возможно постепенное уточнение запроса, когда пользователь в процессе работы системы поиска помечает промежуточные результаты как «подходящие» или «неудовлетворительные», и система продолжает работать с уточнённым запросом.

Методы описания содержания

Здесь представлены наиболее общие методы описания содержания изображений, использующиеся для последующего сравнения их между собой. Все они являются потенциально широко применимыми, то есть не специфическими для какого-либо особенного подкласса систем.

Цвет

Поиск изображений с помощью сравнения цветовых составляющих производится с помощью построения гистограммы их распределения. В настоящий момент ведутся исследования по построению описания, в котором изображение делится на регионы по сходным цветовым характеристикам, и далее учитывается их взаимное расположение. Описание изображений цветами, которые на них содержатся, является наиболее распространённым, так как оно не зависит от размера или ориентации изображения. Построение гистограмм с последующим их сравнением используется наиболее часто, но не является единственным способом описания цветовых характеристик.

Текстура

Методы такого описания работают со сравнением текстурных образцов, присутствующих на изображении, и их взаимного расположения. Для определения текстуры используют текстоны, которые объединяют в множества. Они содержат не только информацию, описывающую текстуру, но и её местоположение на описываемом изображении.
Текстуру как сущность сложно формализованно описать, и обычно её представляют в виде двухмерного массива изменения яркости. Также в описание иногда включают меру контраста, направленности градиента, регулярности. Существует проблема сравнения ковариации пикселей с целью присваивания текстурам классов, таких как «гладкая» или «грубая».

Форма

Описание формы предполагает описание геометрической формы отдельных регионов изображения. Для её определения к региону сначала применяют сегментацию или выделение границ. Существуют и другие способы, например фильтрация форм (Tushabe and Wilkinson, 2008). Часто определение формы требует вмешательства человека, так как методы типа сегментации сложно полностью автоматизировать для широкого класса задач.