मैक्रोमीडिया: मल्टीमीडिया जानकारी का विश्लेषण और व्याख्या। एम लैंग

यह लेख मैक्रो-मीडिया प्रौद्योगिकियों के उपयोग और विकास की सामान्य समस्याओं के लिए समर्पित है। विश्लेषण और सूचना प्रसंस्करण के ज्ञात सिद्धांतों और तरीकों के आधार पर, लेखक ने मल्टीमीडिया जानकारी का विश्लेषण करने की प्रक्रिया का वर्णन करने के लिए एक सामान्य व्याकरण और भाषा के विकास के लिए आवश्यक बुनियादी अवधारणाओं और नियमों को परिभाषित करने का लक्ष्य निर्धारित किया है।

मल्टीमीडिया जानकारी के विश्लेषण के लिए दो दृष्टिकोणों पर विचार किया जाता है: सामग्री और सामग्री-व्याख्या। आलेख बुनियादी नियमों को भी निर्धारित करता है और ग्राफिक सूचना विश्लेषण एल्गोरिदम - एम-लैंग का वर्णन करने के लिए भाषा के डिजाइन और विनिर्देशों के उदाहरण देता है।

परिचय।

हाल के वर्षों में इंटरनेट के विकास की टिप्पणियों और अध्ययनों के आधार पर, हम इसके सरलतम, पाठ्य रूप की तुलना में मल्टीमीडिया और ग्राफिक जानकारी के भंडारण, उत्पादन, प्रसंस्करण और खोज के लिए नई तकनीकों की प्रचलित संख्या के बारे में निष्कर्ष निकाल सकते हैं। इसके कारण स्पष्ट हैं: कनेक्शन की बैंडविड्थ में वृद्धि, कंप्यूटिंग शक्ति और डिस्क स्थान में वृद्धि, वाणिज्य के लिए विकासशील वातावरण में संसाधन मालिकों की उच्च प्रतिस्पर्धा (जिसकी क्षमता जल्द ही समाप्त नहीं होगी)।

इसके अलावा, एक सरल विचार, अच्छे विज्ञापन, नवीनता और विचारशील निष्पादन के लिए धन्यवाद, जैसे फेसबुक, ट्विटर, यूट्यूब और उनके रूसी समकक्ष VKontakte और Odnoklassniki जैसे सफल संसाधनों ने बहुत लोकप्रियता हासिल की। इस प्रकार, एक नई सूचना इकाई - "मैक्रोमेडिया" प्रौद्योगिकी के विकास के लिए दो परिभाषित स्थितियां बनाई गईं।

सामान्य तौर पर, मैक्रोमीडिया मल्टीमीडिया सामग्री के हस्तांतरण, भंडारण, प्रसंस्करण, प्रदर्शन, विश्लेषण और व्याख्या के लिए प्रौद्योगिकी का एक सेट है। मैक्रोमेडिया की विशेषता है: प्रदर्शन प्रवाह, अर्थात्, उपयोगकर्ता को एक साथ संचरण और उसकी तरफ से प्रदर्शन; मुख्य रूप से मल्टीमीडिया (वीडियो / ऑडियो) जानकारी की प्रकृति; इस जानकारी की व्याख्या, विश्लेषण और तुलना की प्रक्रिया। स्वयं द्वारा, स्थानांतरण, भंडारण, प्रसंस्करण और प्रदर्शन के कार्यों का अच्छी तरह से अध्ययन किया जाता है, जबकि मल्टीमीडिया जानकारी के विश्लेषण का मुद्दा खुला रहता है।

1. सामग्री विश्लेषण विधि।

सबसे सामान्य मामले में, मल्टीमीडिया जानकारी का विश्लेषण करने का कार्य पाठ्य सूचनाओं के विश्लेषण के कार्य के समान है। पाठ विश्लेषण, हालांकि, एक बहुत सरल प्रक्रिया है, अगर केवल इसलिए कि अमूर्त के दूसरे स्तर पर विश्लेषण के लिए सुविधाजनक किसी भी प्रतिनिधित्व में डेटा की व्याख्या करने की आवश्यकता नहीं है। चित्रमय सूचना डेटा आकार क्रम के एक छोटे से रिश्तेदार द्वारा कार्य को सरल भी किया जाता है।



उदाहरण 1

दो पाठ फ़ाइलों को सर्वर पर अपलोड किया गया था:

a.txt	B.txt
घास में घास, लकड़ी पर घास।	बिर्च जलाऊ लकड़ी, सस्ती। यार्ड से अपने खर्च पर शिपमेंट। दूरभाष। 123-45-67

सबसे सरल प्रासंगिकता विश्लेषण इस तरह होगा:

सिस्टम टोकन की एक सरणी में प्रत्येक फ़ाइल को विभाजित करता है, सेवा शब्द, विराम चिह्न हटाता है, और एक आकृति से दूसरी फ़ाइल के टोकन की दो-तरफ़ा खोज खाता आकारिकी में करता है। नतीजतन, "फायरवुड" और "यार्ड" शब्दों के बीच का कनेक्शन फाइलों के बीच खोज सूचकांक में पाया और प्रतिबिंबित किया जाएगा।

बेशक, शाब्दिक जानकारी का विश्लेषण करने के लिए आधुनिक प्रौद्योगिकियां महत्वपूर्ण हैं, दसियों गुना अधिक जटिल हैं, और कई मापदंडों के साथ काम करते हैं, लेकिन उनका सार एक ही रहता है - फाइलों को संरचनाओं में व्याख्या करना और सामग्री की तुलना करना।

अधिक जटिल मल्टीमीडिया जानकारी का विश्लेषण करने का कार्य है।

उदाहरण 2

दो चित्र सर्वर पर अपलोड किए गए थे:

A.bmp	B.bmp

सीधे सामग्री द्वारा फाइलों की तुलना करने से कुछ नहीं होगा - मशीन के दृष्टिकोण से, ये अलग-अलग छवियां हैं, लेकिन वास्तविकता में - नहीं।

इस स्तर पर, इस समस्या को हल करने के दो दृष्टिकोण प्रकट होते हैं:

सामग्री विश्लेषण विधि एक अपेक्षाकृत सरल दृष्टिकोण है जो आपको डेटा की समानता को निर्धारित करने और मापने की अनुमति देता है, लेकिन अब और नहीं। दृष्टिकोण का सार उदाहरण 1 के समान है: डेटा को घटकों में तोड़कर सीधे उनकी तुलना करें। उदाहरण 2 में, यह इस तरह दिखेगा:



इस प्रकार, जब खाता परिवर्तनों (इस मामले में, तीसरे तत्व के क्षैतिज प्रतिबिंब) को ध्यान में रखे बिना तुलना की जाती है, तो चित्र 75% समान होते हैं, और परिवर्तन को ध्यान में रखते हुए, वे 100% समान होते हैं। हम इसे "{ए, बी} (75/100)" के रूप में लिखते हैं और हम इस तरह के रिकॉर्ड का पालन करना जारी रखेंगे (चलो इसे एम-लैंग कहते हैं)। दूसरे मामले में, हम एक निश्चित सेट पर दोनों छवियों के संबंधित के बारे में निष्कर्ष निकाल सकते हैं। उदाहरण के लिए, "मुस्कुराओ।" तब एक दूसरा दृष्टिकोण प्रकट होता है।

2. सामग्री-व्याख्यात्मक।

दृष्टिकोण का सार एक औपचारिक भाषा में कुछ अवधारणाओं में मल्टीमीडिया डेटा के घटक भागों की व्याख्या करना है, और इन अवधारणाओं के बीच संबंधों का निर्माण करना है। इस दृष्टिकोण का मुख्य लाभ सिस्टम सीखने की क्षमता है। यह ध्यान दिया जाना चाहिए कि रचना / अपघटन एक असीमित संख्या में हो सकता है, विश्लेषण प्रक्रिया में संभावित पुनरावर्ती और / या पुनरावृत्तियों की संख्या भी हो सकती है।

सरलतम मामले पर विचार करें।

उदाहरण के लिए, हम "टैग" की अवधारणा के साथ उदाहरण 2 का विस्तार करते हैं और हमारे पास मौजूद सभी सूचनाओं की एक सामान्य तालिका बनाते हैं।

उदाहरण 3



इसके अलावा, वजन, संभाव्यता और सांख्यिकी, विधेय और बूलियन तर्क की अवधारणाओं का उपयोग करते हुए, हम एम-लैंग के संदर्भ में सिस्टम ऑपरेशन का वर्णन करते हैं। एम-लैंग ग्राफिक जानकारियों की मान्यता, विश्लेषण और व्याख्या के लिए एल्गोरिदम, नियमों और विशिष्टताओं का वर्णन करने के लिए लेखक द्वारा विकसित एक भाषा है।

एम-लैंग भाषा के बुनियादी नियम और निर्माण:

1. {O1, ..., On} - वस्तुओं का संयुक्त समूह।
2. {O1, ..., On} (K) - वस्तुएं संयुक्त रूप से K प्रतिशत से समान हैं
3. O1 [(एन) "शब्द"] - O1 ऑब्जेक्ट में एक शब्द टैग है, और टैग में ऑब्जेक्ट का वजन एन है
4. O1 = {P1, P2, P3} - ऑब्जेक्ट O1 में P1, P2, P3 ऑब्जेक्ट होते हैं
5. {O1 | ... | On} - ऑब्जेक्ट सेट के हैं।
6. साथ ही, बूलियन लॉजिक और प्रेडिक्टिव लॉजिक के ऑपरेटरों और रूपांतरणों को भाषा में अनुमति दी जाती है।
7. आप फजी लॉजिक के नियमों का उपयोग कर सकते हैं।

यह स्पष्ट किया जाना चाहिए कि वस्तुओं का मतलब एक निश्चित इकाई है जो अमूर्तन के वर्तमान स्तर पर अलग और अस्पष्ट है, उदाहरण के लिए: एक छवि, एक छवि का एक हिस्सा, एक बयान जो कुछ का वर्णन करता है। एक ऑब्जेक्ट में अन्य ऑब्जेक्ट होते हैं, और ऑब्जेक्ट का हिस्सा भी होता है। आप अपनी पसंद के अनुसार छवि को विघटित कर सकते हैं, हालांकि, ऐसा करना तर्कसंगत है जब तक कि वस्तुओं के अस्पष्ट सेट दिखाई नहीं देते।

छवि मान्यता प्रक्रिया के विवरण के उदाहरण पर विचार करें, उदाहरण 3 से आकृति के आधार पर।

सूत्र	प्रतिलिपि
{, बी, सी} (75/75)	ऑब्जेक्ट A, B और C संयुक्त रूप से 75% परिवर्तन को छोड़कर और 75% परिवर्तन के समान हैं।
{ए, बी} (75/100)	ए और बी वस्तुएं संयुक्त रूप से 75% परिवर्तन को छोड़कर और 100% परिवर्तन के समान हैं।
{ए ["मुस्कान"], सी ["मुस्कान"]} ()५/ "५)	ऑब्जेक्ट ए में एक स्पष्ट "मुस्कान" टैग है, ऑब्जेक्ट सी में एक स्पष्ट "मुस्कान" टैग है, जबकि ऑब्जेक्ट ए और सी परिवर्तन के संबंध में 75% समान हैं और परिवर्तन के संबंध में 75% हैं।
ए = {ए 1 (50%); ए 2 (25%); a3 (25%)} या {a1 (50%); ए 2 (25%); a3 (25%)} = ए	ऑब्जेक्ट A में a1, a2 और a3 के भाग 2 \ 1 \ 1 या भागों a1, a2 और a3 के अनुपात में होते हैं, अनुपात 2 \ 1 \ 1 में, ऑब्जेक्ट A बनाते हैं।
{a1 (50%); a2 (25%); a3 (25%)} ["मुस्कान"] -> T0: ({a1} [(50) "मुस्कान"] | {a2} [(25) मुस्कान "] | {a3} [(25)" मुस्कान "]	a1, a2 और a3, के अनुपात में संयुक्त 2 \ 1 \ 1, एक स्पष्ट मुस्कान टैग है, इसलिए कथन T0: भाग a1 मुस्कान टैग में 50 वजन है, a2 मुस्कान टैग में 25 वजन है, a3 टैग में 25 वजन है "स्माइली"।
{b1 (50%); बी 2 (25%); बी 3 (25%)} ["उदासी"] -> T1: ({b1} [(50) "उदासी"] | {b2} [(25) "उदासी"]] {b3} [(25) "उदासी"])	b1, b2 और b3, अनुपात 2 \ 1 \ 1 में संयुक्त, एक स्पष्ट उदासी टैग है, इसलिए T1 कथन: उदासी टैग में भाग b1 का वजन 50 है, उदा 2 टैग टैग में b2 का वजन 25 है, b3 टैग में 25 वजन है "उदासी।"
{c1 (50%); सी 2 (25%); c3 (25%)} ["मुस्कान"] -> T2: ({c1} [(50) "मुस्कान"] | {c2} [(25) मुस्कान "] | {c3} [(25)" मुस्कान "]	c1, c2 और c3, के अनुपात में संयुक्त 2 \ 1 \ 1, में एक स्पष्ट मुस्कान टैग है, इसलिए कथन T2: भाग c1 में मुस्कान टैग में 50 वजन है, मुस्कान टैग में c2 का वजन 25 है, c3 के टैग में 25 वजन है "स्माइली"।
T3: {a1, b1, c1} (100/100) T4: {a2, b2, c2} (100/100)	कथन T3: भागों a1, b1 और c1 परिवर्तन के बिना 100% समान हैं और परिवर्तन के साथ 100% हैं। कथन T4: भागों a2, b2 और c2 परिवर्तन के बिना 100% समान हैं और परिवर्तन के साथ 100% हैं।
T1 v T2 -> T5: ({a1 | b1 | c1} [(100) "मुस्कान"]) | ({a2 | b2 | c2} [(50) "मुस्कान"]) | ({a3 | b3 | c3} [(25) "मुस्कान"])	T1, T2, T3 और T4 कथनों के संघटन के आधार पर कथन T5 इस प्रकार है: A, b1 और c1 का वजन "मुस्कान" टैग में 100 है, "मुस्कान" टैग में a2, b2 और c2 का वजन 50 है "मुस्कान" टैग में a3, b3, c3 का वजन 25 है
T5 v T3 v T4 -> b1 [(100) "मुस्कान"] v b2 [(50) "मुस्कान"] -> B [(100) "उदास"] [(150) "मुस्कान"]	टी 5, टी 4 और टी 3 के संयोजन के आधार पर, यह निम्न प्रकार से है कि भागों बी 1 और बी 2 में मुस्कान टैग में क्रमशः 100 और 50 का वजन है, इसलिए ऑब्जेक्ट बी में एक स्पष्ट उदासी टैग और 150 के वजन के साथ एक अंतर्निहित मुस्कान टैग है।

इस प्रकार, ऑब्जेक्ट बी, सामग्री की तुलना और व्याख्या के आधार पर, "स्माइल" टैग सौंपा गया था।

यह उदाहरण तुच्छ है, और एम-लैंग भाषा का व्याकरण सरल है। वे ध्यान में नहीं रखते हैं, उदाहरण के लिए, अंतरिक्ष की स्थिति, रंग, गुणवत्ता, प्रारूप, कोडेक्स और इनपुट फ़ाइलों के संपीड़न तंत्र में वीडियो फ़ाइलों के लिए - समय की लंबाई। ऑडियो स्ट्रीम के विश्लेषण के लिए एक अलग भाषा विनिर्देश आवश्यक है। हालांकि, आगे का विकास, लेखक को यकीन है, एम-लंग को मॉडलिंग और मल्टीमीडिया जानकारी के विश्लेषण और व्याख्या के लिए नियम बनाने के लिए एक शक्तिशाली उपकरण में बदल देगा।

एम-लैंग के मुख्य फायदे।

1. भाषा के व्याकरण की सरलता।
2. सार्वभौमिक अवधारणाओं की एक विस्तृत श्रृंखला का उपयोग करना, जैसे संभाव्यता, भार, फ़ज़ी लॉजिक, आदि।
3. भाषा औपचारिक और एल्गोरिथम दोनों भाषाओं में व्याख्या करना आसान है।
4. भाषा का उपयोग संपूर्ण एल्गोरिथ्म या सामान्य नियमों के विकास के लिए, एम-लैंग पर विवरण का उपयोग किए बिना विकसित किए गए तैयार किए गए सिस्टम के सत्यापन के लिए और दोनों के लिए किया जा सकता है।
5. समझने में आसान है।

निष्कर्ष।

मानकों की कमी और अधिक या कम मौजूदा ओपन सोर्स तकनीकों के कारण, मल्टीमीडिया मॉडल की जानकारी का विश्लेषण और व्याख्या करने के लिए एक विकास मॉडल बनाने और एल्गोरिदम का वर्णन करने के लिए तत्काल आवश्यकता उत्पन्न हुई है। ऐसी भाषा को एम-लैंग द्वारा विकसित किया जा सकता है, जो एल्गोरिदम और कार्यात्मक विकास भाषाओं के तत्वों का उपयोग करता है, नियमों और एल्गोरिदम का वर्णन करने के लिए संभाव्यता सिद्धांत और गणितीय सांख्यिकी, बूलियन बीजगणित और विधेय तर्क। इस भाषा का मुख्य लाभ एल्गोरिथम और प्राकृतिक भाषाओं दोनों में अनुवाद की अपनी सादगी है।