Non so quale algoritmo venga utilizzato da Google. Ma, dal momento che volevi una migliore ipotesi, lasciami dare alcune idee su come potrebbe essere costruito un sistema simile .
L'intero campo relativo alla ricerca immagine-base-per-immagine si chiama Content Based Image Retrieval (CBIR) . L'idea è, in qualche modo, costruire una rappresentazione dell'immagine (non necessariamente comprensibile dagli umani) che contenga le informazioni sul contenuto dell'immagine .
Esistono due approcci di base:
- recupero utilizzando funzionalità di basso livello (locale): colore, trama, forma in parti specifiche delle immagini (un'immagine è una raccolta di descrittori di caratteristiche locali )
- approcci semantici in cui un'immagine è, in qualche modo, rappresentata come una raccolta di oggetti e delle loro relazioni
L'approccio locale di basso livello è molto ben studiato. L'approccio attuale migliore estrae le funzionalità locali (qui è disponibile una scelta dell'algoritmo di estrazione delle funzionalità) e utilizza i loro descrittori locali (di nuovo, la scelta dei descrittori) per confrontare le immagini.
Nelle opere più recenti, i descrittori locali vengono prima raggruppati e quindi i cluster vengono trattati come parole visive : la tecnica è quindi molto simile alla ricerca di documenti di Google, ma utilizza parole visive anziché lettere.
Puoi pensare alle parole visive come equivalenti alle radici delle parole nel linguaggio: ad esempio, le parole: lavoro, lavoro, lavoro appartengono tutte alla stessa parola radice.
Uno degli svantaggi di questo tipo di metodi è che di solito funzionano in modo insufficiente su immagini a trama bassa.
Ho già dato e visto molte risposte che descrivono in dettaglio questi approcci, quindi fornirò solo collegamenti a tali risposte:
- CBIR: 1 , 2
- estrazione / descrizione delle caratteristiche: 1 , 2 , 3 , 4
Gli approcci semantici si basano tipicamente su rappresentazioni gerarchiche dell'intera immagine. Questi approcci non sono ancora stati perfezionati, soprattutto per i tipi di immagine generali. C'è un certo successo nell'applicare questo tipo di tecniche a specifici domini di immagini.
Dato che sono attualmente nel mezzo della ricerca di questi approcci, non posso trarre alcuna conclusione. Ora, detto questo, ho spiegato un'idea generale dietro queste tecniche in questa risposta .
Ancora una volta, a breve: l'idea generale è quella di rappresentare un'immagine con una struttura a forma di albero, dove le foglie contengono i dettagli dell'immagine e gli oggetti si trovano nei nodi più vicini alla radice di tali alberi. Quindi, in qualche modo, si confrontano i sottoalberi per identificare gli oggetti contenuti in diverse immagini.
Ecco alcuni riferimenti per diverse rappresentazioni degli alberi. Non li ho letti tutti e alcuni usano questo tipo di rappresentazioni per la segmentazione anziché il CBIR, ma comunque eccoli qui:
- alberi di partizione binari e menzione di alberi min / max: P. Salembier, MHF Wilkinson: Operatori collegati
- alberi di partizione binari: V. Vilaplana, F. Marques, P. Selembier: Alberi di partizione binari per il rilevamento di oggetti
- albero delle forme (albero dei componenti): P. Monasse, F. Guichard: calcolo rapido della rappresentazione dell'immagine a contrasto invariante , C. Ballester, V. Castellis, P. Monasse: L'albero delle forme di un'immagine
- alberi monotonici: Y. Song, A. Zhang: analisi di immagini di paesaggi con alberi monotonici
- modifica: ulteriori scavi mostrano che l' albero delle forme e l' albero monotonico sono equivalenti , tranne l'elaborazione dell'immagine in 4- / 8- (albero delle forme) o 6-connettività (monotonico)
- albero extrema-spartiacque: A. Vichik, R. Keshet, D. Malah: morfologia auto-doppia su semilattici e applicazioni di alberi
- connettività limitata, alfa-alberi, acquedotti ultrametrici: P. Soille, L. Najman: su rappresentazioni gerarchiche morfologiche per l'elaborazione di immagini e il clustering di dati spaziali