Ontologie per archivi fotografici (ANDREA CASAGRANDE)

1. UNIVERSITÀ DEGLI STUDI DI TRENTO
FACOLTÀ DI ECONOMIA
C.d.L. in NET-ECONOMY: TECNOLOGIA E
MANAGEMENT DELL‟INFORMAZIONE
LABORATORIO DI MULTIMEDIALITÀ
“Ontologie per archivi fotografici”
Casagrande Andrea (133393)
A.A. 2008 / 2009

2. Indice
1. Introduzione ..............................................................................3
2. La ricerca e il recupero delle immagini .....................................4
3. Ontologia ..................................................................................8
4. Sistema di gestione delle foto basato sull‟ontologia................12
5. Conclusioni .............................................................................15
6. BIBLIOGRAFIA ....................................................................17

3. 1. Introduzione
Stiamo vivendo nell‟era dell‟informazione. Al giorno d‟oggi le fotocamere digitali ad alta
risoluzione così come altri strumenti di acquisizione di immagini, ad esempio i telefoni cellulari,
sono diventati molto popolari ed economici. Di conseguenza vi è stata una crescita esponenziale
nella pubblicazione online di immagini digitali. Le fotografie digitali personali stanno diventando
una forma comune e preziosa di informazioni personali. Con l‟accumulo di una grande quantità di
foto familiari ed altre immagini personali generate da sorgenti eterogenee gli utenti incontrano serie
difficoltà con la gestione, l‟estrazione e l‟elaborazione di esse e delle informazioni che contengono.
Solitamente gli utenti possono solo organizzare le loro foto digitali in strutture ad albero. Il modo di
organizzarle, sfogliarle e cercarle è comunque estremamente limitato e complicato, specialmente
quando gli utenti vogliono trovare una particolare foto da un archivio contente un grande numero di
altre foto. Quindi è diventato sempre più importante sviluppare effettivi database di immagini con
tecniche di indicizzazione e ricerca a livello semantico.
Anche in molte compagnie ed organizzazioni il tempo e lo sforzo dei dipendenti è sprecato in
ricerche inefficaci nel web o in altre risorse convenzionali. Il sovraccarico di informazioni è
ulteriormente peggiorato per via del formato non strutturato della maggior parte dei dati. Il vasto
ammontare di dati trovati in un‟organizzazione sono per lo più testuali (ad esempio report, e-mail,
ecc.). Tuttavia, altri tipi di dati come immagini, video e discorsi stanno diventando sempre più
popolari. Questi tipi di dati solitamente mancano di metadati (dati riguardanti i dati) e come
conseguenza non ci sono mezzi standard per facilitare ricerche, interrogazioni e analisi.
Ci sono al momento un numero di prodotti e applicativi commerciali, freeware1 e non,
disponibili per l‟organizzazione e lo sfogliamento delle foto personali, come Picasa (Google),
SeekPai, Photosmart Essential (Hewlett-Packard) e vari gruppi di pacchetti forniti con l‟acquisto
delle fotocamere digitali. Alcuni di essi sono buoni per l‟organizzazione e lo scorrimento ma
comunque hanno problemi con la ricerca delle immagini.
Negli anni passati sono stati sviluppati un gran numero di sistemi rilevanti di ricerca. Per
quanto riguarda la ricerca di foto e il recupero delle informazioni, nonostante i progressi recenti nel
recupero basato su contenuti, le tecniche correnti, come ShowBox, MyPhotos, etc., offrono
solamente una ricerca basata su somiglianza visiva, ancora incapace di identificare bene i contenuti
semantici. Le tecnologie di identificazione e riconoscimento dei visi sono anche combinate per
1
distribuiti in modo gratuito

4. migliorare l‟efficacia dell‟identificazione. Inoltre, alcuni sistemi come ShowBox e Show&Tell,
permettono annotazioni sonore. In ogni caso, la ricerca basata su testo (parola chiave) è ancora il
più comune approccio disponibile nella maggior parte delle applicazioni per foto. Il problema è che
gli utenti sono riluttanti a classificare con etichette migliaia o addirittura milioni di foto.
Un‟ontologia web semantica e linguaggi di metadati forniscono un nuovo modo di annotare e
recuperare immagini. L‟ontologia può quindi essere di aiuto all‟utente nel formulare le informazioni
necessarie, le interrogazioni e nel ricevere le risposte desiderate. Purtroppo non esiste ancora alcuno
standard condiviso che regoli questa metodologia. Perciò nel proseguio dell‟elaborato verranno
presentati i metodi più comuni di ricerca e recupero delle immagini e verrà mostrato un caso noto di
utilizzo dell‟ontologia per la classificazione e la ricerca delle immagini e foto personali. Dall‟analisi
dei pochi sistemi trovati e finora sviluppati quello presentato di seguito è stato ritenuto uno tra i
migliori e i più efficaci per l‟organizzazione, la ricerca e il recupero delle immagini attraverso
l‟utilizzo di un‟ontologia.
2. La ricerca e il recupero delle immagini
Le raccolte di immagini ordinarie usate nei tradizionali sistemi di recupero di immagini hanno
alcune caratteristiche, come un database di larga scala, varietà di tipi di foto, varietà di temi di foto,
etc. La tecnologia “Content-based image retrival2” e la ricerca basata sul testo sono largamente
usate in tali sistemi. Diversamente dalle raccolte ordinarie di immagini, le raccolte di foto digitali
personali hanno le seguenti caratteristiche:
1. Sebbene sempre più grande dovuto alla sregolata acquisizione che i dispositivi fotografici
digitali incoraggiano, il numero delle immagini in tali raccolte è solitamente limitato in
confronto ai database di immagini professionali o commerciali. Perciò molti dei problemi di
performance dei tradizionali database non si presentano.
2. Sono utilizzati tipi limitati di fotocamere digitali; quindi le informazioni Exif (Exchangeable
image file format) presenti in tutte le immagini possono essere catturate.
3. Il numero di persone nelle foto è limitato; perciò possono essere usate le tecniche di
rilevamento dei visi, di addestramento e ricognizione automatica delle figure.
2
CBIR

5. 4. Le foto sono solitamente scattate in determinati eventi (come vacanze, sport, ritrovi etc.) e
salvate in ordine cronologico; quindi molte informazioni semantiche possono essere
propagate.
In effetti, raccolte di foto digitali personali possono essere organizzate tramite la risposta a quattro
semplici quesiti (le quattro “W”): dove (“Where”), quando (“When”), chi (“Who”) e cosa (“What”).
I sistemi e i metodi esistenti nell‟ultima decade forniscono molte soluzioni.
Come detto ci sono due approcci principali alla ricerca delle immagini: 1) ricerca basata su
contenuto dell‟immagine (Content-Based Image Retrieval) e 2) ricerca basata su metadati delle
immagini.
Con il metodo CBIR le immagini sono ricercate senza usare metadati esterni che ne descrivano
il loro contenuto. Ad un livello più basso vengono utilizzate caratteristiche come colore, texture3,
forma, e locazione spaziale. Ad un livello concettuale più alto, sono ricercate immagini con un
oggetto di un dato tipo o un dato individuo (per esempio, immagini con una persona in primo piano
o immagini di un monumento famoso). Al livello ancora più alto, si ricercano nomi di eventi,
attività o immagini con significati emozionali o simbolici. Un esempio dell‟approccio CBIR nel
web è il sistema PicSOM. Nell‟approccio basato su metadati invece, il recupero dell‟immagine è
basato su descrizioni testuali riguardanti l‟immagine stessa. In pratica, questo approccio è
solitamente impiegato nel recupero di immagini a causa della grande sfida con l‟approccio CBIR
quando si occupa concettualmente di livelli più alti di contenuto.
Un tipico modo di pubblicare una serie di informazioni su un immagine è creare una domanda
di interfacciamento basata su parola chiave ad un immagine presente nel database. In questo caso
l‟utente potrebbe scegliere i valori di filtraggio o applicare parole chiave ai differenti campi del
database (come ad esempio il “creatore”, la “data”, etc.) o alla descrizioni del contenuto, includendo
classificazioni e documentazione di testo libero. Interrogazioni più complesse, infine, possono
essere formulate, per esempio, utilizzando la logica booleana.
Metodi di ricerca basati su parola chiave soffrono però di parecchie limitazioni generali: una parola
chiave in un documento non significa necessariamente che il documento è pertinente, e documenti
rilevanti potrebbero non contenere la parola chiave esplicita. Inoltre, alcune figure semantiche
rendono difficoltosa la ricerca e la restituzione di risultati corretti. Ad esempio, i sinonimi
abbassano la percentuale di richiamo senza errori, gli omonimi4 abbassano la percentuale di
3
trama
4
parole con stesso nome ma significato diverso

6. precisione, e relazioni semantiche come gli iponimi5, i meronimi6, gli antonimi7 non sono sfruttate.
La ricerca basata su parola chiave è utile specialmente agli utenti che conoscono quale parola è stata
usata per indicizzare le immagini e perciò possono facilmente formulare la domanda corretta.
Questo approccio è problematico, comunque, quando l‟utente non ha in mente un chiaro obiettivo,
non conosce che cosa c‟è all‟interno del database, e quale tipo di concetti semantici sono inclusi nel
dominio. Infatti, usando un approccio basato su parola chiave si potrebbe incorrere nei seguenti
problemi:
 Formulazione dell‟informazione di cui si ha bisogno: L‟utente non sa necessariamente quale
domanda fare. Potrebbe avere solamente un interesse generale nell‟argomento. Come aiutare
l‟utente a focalizzare l‟interesse senza conoscere il contenuto del database?
 Formulazione della domanda: L‟utente non può necessariamente capire quali parole chiave
usare nel formulare la ricerca corrispondente alle informazioni di cui ha bisogno. Come
aiutare l‟utente nel formulare le interrogazioni?
 Formulazione delle risposte: Generando liste di immagini per parole chiave probabilmente si
perderebbe uno degli aspetti di maggior interesse dell‟archiviazione: le immagini sono
correlate l‟un l‟altra in molti modi interessanti.
Il problema della creazione di metadati per le immagini è di vitale importanza. I seguenti approcci
sono comunemente utilizzati nell‟annotazione delle immagini:
 Parole chiave: Vocabolari controllati sono usati per descrivere le immagini in modo da
semplificarne il recupero. Recentemente, le folksonomie8 si sono dimostrate strumenti
popolari per l‟indicizzazione di grandi raccolte di documenti, con “Flickr” che è il più
popolare esempio di tagging9 in raccolte di foto. Annotazioni generate dagli utenti causano
però alcuni problemi riguardo vocabolari incoerenti, varietà di sinonimi, varianti
ortografiche, errori di ortografia, varianti del linguaggio, etc.
 Classificazioni: Ci sono grandi sistemi di classificazione che dividono differenti aspetti
della vita in categorie gerarchiche. Per esempio, un‟immagine di un sigillo raffigurante un
castello potrebbe essere collegata alle classi “sigilli” e “castelli”. Le classi formano una
struttura gerarchica e sono associate con parole chiave corrispondenti. La gerarchia
arricchisce le annotazioni. Per esempio, dal momento che castelli sono una sottoclasse di
“edifici”, la parole chiave “edificio” è rilevante quando si cercano immagini con un castello.
5
termini che, riferiti ad un altro, hanno un senso, ovvero una comprensione logica, che include il senso di questo
6
vocaboli che indicano una parte di un tutto, in rapporto a quello che indica il tutto
7
qualifica di termini che, in riferimento ad un altro, possiedono un senso opposto, contrario
8
tassonomie create da chi le usa, in base a criteri individuali
9
etichettamento sociale

7.  Descrizioni di testo libero: Talvolta sono utilizzate descrizioni di testo libero degli oggetti
nelle immagini. Il sistema di recupero delle informazioni indicizza il testo per una ricerca
basata su parole chiave.
Le tecniche di ontologia Semantic web e i linguaggi di metadati contribuiscono a questa tradizione
fornendo strumenti per la definizione di terminologie di classe con semantiche ben definite e un
modello flessibile di dati per rappresentare le descrizioni di metadati. Una possibilità tra le più
utilizzate è utilizzare “RDF Schema” per la definizione delle classi di un‟ontologia gerarchica e
“RDF10” per l‟annotazione dei metadati dell‟immagine conformemente all‟ontologia. L‟ontologia,
insieme con i metadati, forma un grafo RDF, una base di conoscenza, la quale può facilitare nuovi
servizi di recupero di informazioni semantiche.
Le ontologie costituiscono il nucleo del sistema e sono utilizzate per tre scopi:
 Terminologia di annotazione: Il modello ontologico fornisce la terminologia e i concetti
con cui i metadati delle immagini sono espressi.
 Ricerca basata su visione: Le ontologie del modello, come ad esempio eventi, persone, e
luoghi possono offrire differenti punti di vista dello stesso concetto. Essi possono quindi
essere utilizzati dall‟utente per focalizzarsi sulle informazioni che necessita e per formulare
le domande.
 Navigazione semantica: Dopo aver trovato un centro di interesse, un‟immagine, il modello
semantico dell‟ontologia, insieme con i dati di istanza di un immagine, può essere usato per
trovare le relazioni tra l‟immagine selezionata e altre immagini nell‟archivio.
Alcune immagini non sono però necessariamente incluse nel set di risposte all‟interrogazione.
I sistemi e metodi presentati in precedenza soffrono di alcuni difetti. Per esempio, la ricerca
basata sulla somiglianza visiva ha una precisione scarsa e mancanza di informazioni semantiche,
mentre la ricerca basata sul testo è solo motivata lessicamente e i dizionari utilizzati non sono
organizzati bene. In una parola, sistemi che realmente supportano una ricerca intelligente sono rari.
In modo da superare questi difetti viene proposto un approccio già esistente basato su un ontologia
per la gestione della foto/immagini, il quale è motivato concettualmente. L‟approccio che si è
deciso di presentare è implementato nel sistema “OntoAlbum”. Quando una foto è importata dentro
il database, il sistema crea automaticamente un‟istanza di esso. Successivamente l‟utente annota la
foto con i concetti dell‟ontologia. Infine, cliccando su un‟istanza dei concetti nell‟ontologia, l‟utente
può trovare tutte le foto collegate all‟istanza attraverso l‟inferenza dell‟ontologia. L‟ontologia
fornisce un‟annotazione formale, esplicita e concettuale oltre ad un‟effettiva richiesta di inferenza.
10
Resource Description Framework

8. Essa da la possibilità di fare ricerche intelligenti nel sistema di gestione delle foto. Esperimenti sul
sistema “OntoAlbum” mostrano che l‟approccio proposto è veramente efficace e promettente.
3. Ontologia
Come illustrato in precedenza la ricerca basata su somiglianza visiva è poco precisa e manca di
informazioni semantiche, mentre la ricerca basata su testo è solo motivata lessicamente e questi
lessici non sono organizzati bene. Infatti, un'altra pari peggiore insufficienza dei sistemi sopra
menzionati è che hanno difficoltà nel supportare una ricerca intelligente, che è ciò di cui ha
veramente bisogno il consumatore.
Per superare questi difetti, viene presentato un approccio con una nuova ontologia basata su
annotazione e recupero di informazioni. In questo sistema un modello di dominio è costruito usando
un linguaggio ontologico formale. Il modello è usato come fonte di informazione e base della
struttura di ricerca di un sistema di gestione delle foto. Il modello di dominio costruito è chiamato
ontologia “FamilyAlbum”, il quale è motivato concettualmente. Il concetto può essere usato per
esprimere il significato desiderato delle cose, e non solo le parole come stringhe testuali. Inoltre, le
proprietà collegano le relazioni semantiche tra gli oggetti rappresentati dall‟ontologia. Il sistema
prototipo “OntoAlbum” è costruito su questa ontologia. Esso è l‟annotazione formale, esplicita e
concettuale, nonché un‟effettiva interrogazione dell‟inferenza fornita dall‟ontologia che rende
possibili ricerche intelligenti in “OntoAlbum”. I risultati sperimentali mostrano che il sistema
sviluppato fornisce un approccio efficiente per la gestione delle foto.
Il termine ontologia ha origine dalla filosofia, ed è stato usato per la prima volta nell‟
”Intelligenza Artificiale11” per facilitare la condivisione di conoscenza e il riutilizzo di essa
all‟inizio degli anni „90. Più recentemente, è diventata popolare in molti campi, incluso quello del
recupero di informazioni. Ci sono molte definizioni di ontologia nel “AI”. Forse la più popolare è la
seguente: “un‟ontologia è una specificazione formale ed esplicita di una concettualizzazione
condivisa12”.
Un‟ontologia ha 5 elementi modello: concetti, proprietà, relazioni, assiomi e istanze.
Fondamentalmente, il ruolo dell‟ontologia è di costruire un modello di dominio usando questi
11
AI (Artificial Intelligence)
12
Thomas Robert Gruber, A translation approach to portable ontologies, In: «Knowledge acquisition», 1993.

9. elementi. Parecchi linguaggi ontologici sono stati sviluppati durante gli ultimi anni, come XML13,
RDF/RDFS14, OIL15, DAML16, DAML+OIL, OWL17, etc. Differenti linguaggi di ontologie
vengono scelti in accordo con le attuali applicazioni. Nel sistema presentato, OWL è usato per
rappresentare il dominio dell‟ontologia.
Nelle scienze informatiche, l‟ontologia è una struttura descrittiva usata per formulare un esaustivo e
rigoroso schema concettuale riguardante il dominio. Questo dominio non deve essere la completa
conoscenza dell‟argomento, ma solamente un dominio di interesse stabilito dal creatore
dell‟ontologia. Il lavoro presentato si focalizza sul dominio delle foto personali, nel quale la
specificazione concettuale è cruciale per la comprensione della semantica e per la costruzione della
struttura delle informazioni. I due ruoli dell‟ontologia, rappresentazione semantica e costruzione
della struttura della conoscenza, sono considerati nel modello dell‟ontologia.
Le immagini contengono molte informazioni semantiche. Dallo studio degli utenti e dai sondaggi, è
risultato che l‟utente preferisce organizzare ed accedere alle foto lungo assi semantici. Perciò è stata
costruita un‟ontologia chiamata “FamilyAlbum” per il dominio di gestione delle foto digitali
personali, il quale fornisce il vocabolario e la conoscenza del contesto descrivendo le caratteristiche
semantiche di una foto.
Sono stati condotti un gran numero di studi e sondaggi sugli utenti per investigare quali segnali
contestuali e concetti sono utili per la gestione delle raccolte di foto personali. Questi includono
l‟evento (per esempio, incontri, sport, visite,etc.), le persone (per esempio, me stesso, mio figlio,
Maria, etc.), il tempo (per esempio, lo scorso mese, lo scorso anno, 1995, etc.), e il luogo (per
esempio, casa, Disneyland, il museo, etc.). Col metodo “bottom-up”, questi concetti sono disposti
gerarchicamente nell‟ontologia. Come mostrato in “Figura 1” Persona, a sinistra, è una della classi
di concetto astratto nell‟ontologia, e le sue sottoclassi sono progettate secondo il dominio di
investigazione e di analisi. Genere è un‟altra classe di concetto che consiste di due istanze, Maschio
e Femmina. Nel diagramma a destra, Nome, Soprannome, Compleanno, etc. sono proprietà data
type di Persona. Questi attributi “intrinseci” sono assegnati ad ogni concetto identificando esso
come unico in tutta la struttura della conoscenza. Ha fratelli, Ha figli, etc. sono oggetti della
proprietà Persona. Questi attributi “estrinseci” rappresentano le relazioni semantiche tra concetti
astratti. Nello specifico Ha sesso rappresenta la relazione tra Persona e Genere.
13
eXtensible Markup Language
14
RDF Schema
15
Ontology Inference Layer
16
DARPA Agent Markup Language
17
Web Ontology Language

10. Proprietà datatype:
Nome
Soprannome
Compleanno
Descrizione
Persona Genere Proprietà oggetto:
Ha fratelli
ha fratello
Membri ha sorella
Maschio Femmina
Uomo Donna famiglia Amici Ha figli
ha figlio
ha figlia
Parenti Figli Genitori Consorte Fratelli Ha genitori
ha padre
ha madre
Padre Madre Ha consorte
Zia Nipote (F)
Ha zio
Ha zia
Zio Nipote (M) Nonno Nonna Fratello Sorella
Figlio Figlia Ha nipote (M)
Ha nipote (F)
Ha nonni
ha nonno
ha nonna
Ha sesso
Figura 1. Parte dei concetti organizzati in struttura gerarchica
Usando queste classi (concetti), istanze e proprietà, i concetti possono essere definiti esplicitamente.
Per esempio, alcuni concetti descritti nella figura soprastante sono stati definite in protégé 3.3 come
segue (Tabella 1):

11. Concetto Condizioni necessarie & sufficienti Condizioni necessarie Disgiunti
Uomo Persona ∩ (Ha sesso Maschio) --- Donna
Donna Persona ∩ (Ha sesso Femmina) --- Uomo
Genitori Famiglia ∩ (Ha figlio min 1 ) --- ---
Padre Uomo ∩ Genitore (Ha figli min 1) ∩ (Ha sesso Maschio) ---
Madre Donna ∩ Genitore (Ha figli min 1) ∩ (Ha sesso Femmina) ---
…
…
…
…
Tabella1. Definizioni di alcuni concetti con proprietà e restrizioni in protégé 3.3
L‟ontologia non fornisce solamente i concetti definiti esplicitamente per il modello di dominio, ma
rinforza anche la struttura della conoscenza globale come una colonna portante.
Quando i concetti del livello più basso sono organizzati bene in una struttura gerarchica, l‟ontologia
“FamilyAlbum” modellata nel livello più alto usa relazioni più complesse per collegare i concetti. In
“Figura 2” è mostrato come “Photo” è il concetto base di questa ontologia e “Material”
(Materiale) è un concetto importante per descrivere “chi” e “dove” (“Who” e “Where”). Infatti esso
è suddiviso in due parti: “Target” e “Site” (Obiettivo e Luogo). “Target” rappresenta l‟argomento
del soggetto della foto e “Site” rappresenta il luogo della foto. “Person” (Persona) è il sottoconcetto
di “Target”. Ma qualche volta il fotografo potrebbe focalizzarsi su qualche concetto “Site”, così è
stato definito un “Has Target” (Ha obiettivo) come proprietà principale e “Has Background” (Ha
sfondo) e “FocusOn” (Si concentra su) come loro sottoproprietà. “Event” (Evento) è un altro
importante concetto che descrive il problema del “che cosa” (“What”). Esso collega “Photo” con la
proprietà “tell” (dire). “Time” (Tempo) risolve il problema del “quando” (“When”) e collega
“Photo” con la proprietà “ShootTime” (Orario di scatto). “Color” (Colore), “Camera-parameter”
(Parametri della fotocamera), “Scene” (Scena) e “Weather” (Tempo meteorologico) descrivono
invece tutte gli altri importanti segnali con le proprietà corrispondenti che facilitano gli utenti a
sfogliare e cercare le loro foto.

12. Figura 2. Ontologia al livello concettuale nel sistema di gestione delle foto “OntoAlbum”
Basate sull‟ontologia “FamilyAlbum” menzionata sopra, le rispettive istanze possono essere
aggiunte dagli utenti nella struttura della conoscenza secondo i loro bisogni. Queste istanze
ereditano le relazioni dai loro concetti. I concetti e le istanze nell‟ontologia sono usati per annotare
le foto. Queste annotazioni sono la base di una ricerca intelligente nel sistema “OntoAlbum”.
4. Sistema di gestione delle foto basato
sull’ontologia
Per verificare la validità dell‟approccio proposto, è stata sviluppata anche un ontologia alla base del
sistema di gestione delle foto: “OntoAlbum”. Il diagramma del sistema prototipo è mostrato in
“Figura 3”.

13. Utente
Interfaccia grafica utente
Elaboratore di domande Elaboratore di annotazioni
Inferenza
Componente per la Componente per Componente per la
gestione dell‟ontologia la trasformazione mappatura dei concetti
semantici
Libreria per l‟ontologia Libreria per il deposito Libreria per i dati
sorgenti
Figura 3. Diagramma del sistema di gestione delle foto basato su ontologia
L‟utente può sfogliare, annotare e cercare le proprio foto grazie alla GUI18 (vedere Figura 5).
Quando l‟utente vuole importare una foto nel database, la componente trasformazione crea
automaticamente un istanza di Foto per questa immagine. Con l‟elaboratore di annotazioni l‟utente
annota la foto con concetti dell‟ontologia e l‟informazione dell‟annotazione della foto è preservata
in una libreria archiviata in formato OWL. Quando l‟utente vuole fare una ricerca di foto collegate
ad un particolare concetto nell‟ontologia, l‟elaboratore di interrogazioni trasmette la domanda
18
Graphical User Interface

14. usando il linguaggio W3C19 di SPARQL20. Il fondamento logico di OWL è DL21, che supporta il
ragionamento riguardante le istanze. Esso è realizzato da DLP 22 che è ricco di relazioni tra
individui. L‟inferenza è condotta dalla domanda SPARQL. Per esempio, si vuole condurre una
ricerca per “foto di Anna”. Tutte le foto collegate con “Anna” sono estratte esplicitamente dal
database attraverso l‟inferenza dell‟ontologia.
Il prototipo “OntoAlbum” è stato sviluppato per verificare l‟efficacia dell‟approccio proposto. Nel
sistema sono implementate le funzioni di organizzazione, scorrimento, annotazione e ricerca di un
istanza (vedere Figura 5).
Figura5. Tipica pagina di interfaccia del sistema “OntoAlbum”
19
World Wide Web Consortium
20
Linguaggio di interrogazione RDF il cui acronimo significa: SPARQL Protocol and RDF Query Language
21
Famiglia di linguaggi formali di rappresentazione della conoscenza il cui acronimo significa: Description Logics
22
Description Logic Program

15. Il pulsante File, a sinistra, aiuta gli utenti ad organizzare le proprie foto nel disco locale mentre il
pulsante Albums aiuta loro ad organizzare le proprie foto nel database. Al centro, il pulsante
Preview è usato per sfogliare le foto col modo delle miniature (thumbnails) e il pulsante Photo
Selected è usato per sfogliare le foto nella grandezza reale. Il pulsante Class Hierarchy mostra la
struttura gerarchica dei concetti nell‟ontologia. Quando l‟utente clicca un concetto, come ad
esempio Person, l‟istanza di esso sarà mostrata nell‟etichetta più a destra. Quando un‟istanza viene
cliccata, come ad esempio Anna, tutte le foto collegate a questa istanza sono mostrate nella finestra
centrale, Preview. Gli utenti possono anche annotare le loro foto ed editare qualsiasi oggetto
dell‟istanza dell‟ontologia nella finestrella in basso, INDIVIDUAL EDITOR.
OntoAlbum è implementato usando il linguaggio Java su Windows. È stato usato il server SQL
come schema del database del sistema e fa funzionare l‟ontologia chiamando Protégé-owl API.
5. Conclusioni
Come si è potuto notare le ontologie possono essere usate non solo per l‟annotazione e il recupero
di precise informazioni, ma anche per aiutare l‟utente nel formulare le informazioni di cui ha
bisogno e le domande corrispondenti. Inoltre, il miglioramento dell‟ontologia basato sulla
conoscenza dei metadati dell‟immagine può essere applicato alla costruzione di risposte più
significative alle domande.
La maggiore difficoltà nell‟approccio basato su ontologia è il lavoro supplementare necessario nella
creazione dell‟ontologia e delle annotazioni dettagliate. Si crede, comunque, che in molte
applicazioni questo prezzo sia giustificato per la migliore accuratezza ottenuta nel recupero delle
informazioni e per le facilitazioni della nuova semantica offerte all‟utente finale nello sfogliare le
raccolte di foto. Il trade-off tra lavoro di annotazione e qualità del recupero dell‟informazione può
essere bilanciato usando ontologie e annotazioni meno dettagliate, se necessario.
Nel caso presentato, “OntoAlbum”, è stata utilizzata l‟ontologia per gestire raccolte di foto
personali. L‟ontologia può fornire un‟annotazione formale, esplicita e concettuale e una domanda di
inferenza. Combinando il sistema di rappresentazione della conoscenza e la gestione delle foto
nasce una nuova idea che merita di essere studiata ulteriormente. Sebbene questo sistema prototipo
è ancora un tentativo iniziale, più avanti sono stati pianificati degli studi in questa direzione:

16. 1. Nonostante un modo di cliccamento conveniente sia stato fornito dal sistema, attualmente
molte annotazioni delle informazioni sono ancora editate manualmente dall‟utente. Questo è
un compito tedioso e lungo in termini di tempo per molte persone. Gli algoritmi per
l‟annotazione automatica delle foto sono obbligatori nel futuro.
2. Quando le tecnologie di rilevamento e riconoscimento dei visi saranno relativamente
mature, combinarle con un‟ontologia sarà il prossimo obiettivo della ricerca.
3. Le informazioni EXIF dovranno essere ulteriormente studiate anche per essere di aiuto con
l‟annotazione semantica automatica delle informazioni.
4. Al momento, “OntoAlbum” può solo supportare semplici interrogazioni di inferenza.
Domande in linguaggio naturale maggiormente complesse, come ad esempio “Cerca il
gruppo di foto di mamma e che io ho fatto in estate”, saranno ulteriormente studiate in
futuro.
Questi sono i punti principali che dovranno essere sviluppati in futuro, assieme ad un standard
condiviso che regoli le ontologie in questo specifico e sempre più prolifico campo.

17. 6. BIBLIOGRAFIA
 Eero HyvÄonen, Avril Styrman, and Samppa Saarela; “Ontology-Based Image
Retrieval”
 Thomas Mavroudakis and Haralampos Karanikas; “Intelligent Search via
Ontology Driven Metadata Analysis”
 Adrian Popescu, Pierre – Alain Moëllic, Christophe Millet; “SemRetriev – an
Ontology Driven Image Retrieval System”
 Yan-Mei-Chai, Xiao-Yan-Zhu, and Jing-Ping Jia; “OntoAlbum: An Ontology
Based Digital Photo Management System” (Image Analysis and Recognition:
5th International Conference, ICIAR 2008)
 Yuli Gao, Hangzai Luo, Jianping Fan; “Searching and Browsing Large Scale
Image Database Using Keywords and Ontology”
 Dominic Mainz, Katrin Weller, Jürgen Mainz; “Semantic Image Annotation
and Retrieval with IKen”
 Jean-Pierre Schober, Thorsten Hermes, Otthein Herzog; “Content-based Image
Retrieval by Ontology-based Object Recognition”