ساختارهای سنتی برای داده‌های تصویر مانند ماتریس‌ها، زنجیره‌ها، نمودارها، فهرست‌های ویژگی‌های شی و پایگاه‌های داده رابطه‌ای نه تنها برای نمایش مستقیم اطلاعات تصویر، بلکه به‌عنوان پایه‌ای برای روش‌های سلسله مراتبی پیچیده‌تر جهت نمایش تصویر مهم هستند.
ماتریس یکی از ساختارهای مرسوم برای داده های تصویر است.
در واقع رایج ترین ساختار داده برای نمایش سطح پایین یک تصویر ماتریس است.
عناصر اعداد صحیح قوس ماتریس مربوط به روشنایی یا ویژگی دیگری از پیکسل متناظر با شبکه نمونه برداری است. داده های تصویری از این نوع معمولاً خروجی مستقیم یک دستگاه ثبت تصویر، به عنوان مثال، یک اسکنر هستند.
پیکسل های دو شبکه نمونه برداری مستطیلی و شش ضلعی را می توان با یک ماتریس نشان داد.
مطابقت بین داده ها و عناصر ماتریس برای یک شبکه مستطیلی کاملا واضح است اما در یک شبکه شش ضلعی، هر ردیف زوج در تصویر نیم پیکسل به سمت راست منتقل می شود.
اطلاعات تصویر در ماتریس از طریق مختصات یک پیکسل که با شاخص های ردیف و ستون مطابقت دارد قابل دسترسی هستند.
ماتریس یک نمایش کامل از تصویر است و مستقل از محتویات داده های تصویر به طور ضمنی حاوی روابط فضایی بین بخش های مهم معنایی تصویر است.
فضا در مورد یک تصویر یک صفحه دو بعدی است. یک رابطه فضایی بسیار طبیعی، رابطه همسایگی است. نمایش یک تصویر قطعه‌بندی‌شده توسط یک ماتریس معمولاً حافظه بیشتری نسبت به فهرست صریح همه روابط فضایی بین همه اشیاء اشغال می‌کند، اگرچه گاهی اوقات ما نیاز به ثبت روابط دیگر بین اشیا داریم.
برخی از تصاویر خاص که با ماتریس نشان داده می شوند عبارتند از:
یک تصویر باینری (تصویر تنها با دو سطح روشنایی) با ماتریسی که فقط شامل صفر و یک است نشان داده می شود.
چندین ماتریس می توانند حاوی اطلاعاتی در مورد یک تصویر چند طیفی باشند. هر یک از این ماتریس ها شامل یک تصویر مربوط به یک باند طیفی است.
ماتریس هایی با وضوح های مختلف، برای به دست آوردن ساختارهای داده تصویر سلسله مراتبی استفاده می شود.
این نمایش سلسله مراتبی تصویر می تواند برای کامپیوترهای موازی با معماری “آرایه پردازنده” بسیار راحت باشد. بیشتر زبان های برنامه نویسی از ساختار داده آرایه استاندارد برای نشان دادن یک ماتریس استفاده می کنند و اکثر ماشین های مدرن حافظه فیزیکی کافی را برای تطبیق ساختارهای داده تصویر ارائه می کنند.
در غیر این صورت، معمولاً حافظه مجازی برای شفاف سازی فضای ذخیره سازی در اختیار آنها قرار می گیرد.
از لحاظ تاریخی، محدودیت‌های حافظه مانع مهمی برای برنامه‌های تصویری بوده است که نیاز به بازیابی تک تک قطعات تصویر از دیسک وجود دارد.
یکی دیگر از ساختارهای مرسوم برای داده های تصویر حلقه ها یا زنجیره ها هستند. حلقه ها برای تشریح حاشیه‌های جسم در بینایی ماشین استفاده می‌شوند. یک عنصر زنجیره یا حلقه یک نماد اصلی است. این رویکرد امکان استفاده از تئوری زبان رسمی را برای وظایف بینایی ماشین فراهم می کند. زنجیره‌ها برای داده‌هایی مناسب هستند که می‌توانند به صورت دنباله‌ای از نمادها مرتب شوند.
عنصر ابتدایی عنصر اصلی توصیفی است که در تشخیص الگوی نحوی استفاده می شود. به عنوان مثال، اولین و آخرین نماد زنجیره ای که یک مرز بسته را توصیف می کند همسایه نیستند، اما نمادهای اولیه مربوطه در تصویر هستند. ناهماهنگی های مشابه در زبان های توصیف تصویر معمول است. زنجیره‌ها ساختارهای خطی دارند، به همین دلیل است که نمی‌توانند روابط فضایی را در تصویر بر اساس مجاورت و همسایگی توصیف کنند. کدهای زنجیره ای (و کدهای فریمن) [Freeman، اغلب برای توصیف مرزهای اشیا یا سایر خطوط با عرض یک پیکسل در تصاویر استفاده می شود. توجه داشته باشید که یک کد زنجیره ای ماهیت نسبی دارد و داده ها با توجه به برخی از نقاط مرجع بیان می شوند. نمونه ای از یک کد زنجیره ای در شکل زیر نشان داده شده است.
ساختارهای داده توپولوژیکی نیز یکی از ساختارهای مرسوم برای داده های تصویر هستند که تصویر را به عنوان مجموعه ای از عناصر و روابط آنها توصیف می کنند. این روابط اغلب با استفاده از نمودارها نشان داده می شوند. یک گراف G = (V, E) یک ساختار جبری است که از مجموعه ای از گره های V = {vl, v2, …, vn} و مجموعه ای از کمان ها E = {e1, e2, …, em} تشکیل شده است.
هر قوس ek به یک جفت گره نامرتب (یا مرتب شده) {vi , vj } برخورد می کند که لزوماً متمایز نیستند. [Even, 1979]
یک گراف ارزیابی شده (همچنین نمودار وزنی) نموداری است که در آن مقادیر به قوس‌ها، گره‌ها یا به هر دو اختصاص داده می‌شود.
نمودار مجاورت ناحیه، نمونه ای از این دسته از ساختارهای داده است که در آن گره ها مربوط به مناطق و مناطق همسایه توسط یک قوس به هم متصل می شوند.
تصویر بخش‌بندی‌شده شامل مناطقی با ویژگی‌های مشابه (روشنایی، بافت، رنگ، …) است که با برخی از موجودات در صحنه مطابقت دارد، و رابطه همسایگی، زمانی برآورده می‌شود که مناطق دارای مرز مشترک باشند. نمونه ای از یک تصویر با مناطقی که با اعداد برچسب گذاری شده اند به همراه نمودار مجاورت منطقه مربوطه در شکل زیر نشان داده شده است. برچسب 0 نشان دهنده پیکسل های خارج از تصویر است. این مقدار برای نشان دادن مناطقی استفاده می شود که مرزهای تصویر را در نمودار مجاورت منطقه لمس می کنند.
نمودار مجاورت منطقه چندین ویژگی جذاب دارد. اگر ناحیه ای نواحی دیگر را احاطه کند، می توان قسمتی از نمودار را که با نواحی داخل آن مطابقت دارد با یک برش در نمودار جدا کرد. گره های درجه 1 حفره های ساده را نشان می دهند.
پایگاه داده های رابطه ای هم یک نوع از ساختارهای مرسوم برای داده های تصویر هستند [Kunii et al., 1974] ساختارهای رابطه ای می توانند برای نمایش اطلاعات یک تصویر استفاده شوند. سپس تمام اطلاعات در روابط بین بخش‌های مهم معنایی تصویر – اشیاء – که نتیجه تقسیم‌بندی هستند، متمرکز می‌شوند .
روابط در قالب جداول ثبت می شود. نمونه ای از چنین نمایشی در شکل و جدول زیر نشان داده شده است، جایی که اشیاء منفرد با نام و سایر ویژگی های خود، به عنوان مثال، پیکسل بالای سمت چپ ناحیه مربوطه در تصویر. روابط بین اشیا در جدول رابطه ای نیز بیان می شوند. در شکل و جدول زیر، چنین رابطه ای باید در داخل باشد. برای مثال، شی 7 (برکه) در داخل شی 6 (تپه) قرار دارد.
| Object name | Color | Min row | Min col | Inside | |
| 1 | Sun | white | 5 | 40 | 2 |
| 2 | sky | blue | 0 | 0 | _ |
| 3 | cloud | gray | 20 | 180 | 2 |
| 4 | tree trunk | brown | 95 | 75 | 6 |
| 5 | tree crown | green | 53 | 63 | _ |
| 6 | hill | light green | 97 | 0 | _ |
| 7 | pond | blue | 100 | 160 | 6 |
توصیف با استفاده از ساختارهای رابطه ای برای سطوح بالاتر درک تصویر مناسب است. در این مورد، جستجو با استفاده از کلیدها، مشابه جستجوی پایگاه داده، می تواند برای سرعت بخشیدن به کل فرآیند استفاده شود.
Even, S. “Graph Algorithms 1979 Rockville.” MD Computer Science Press 53.56: 0441-68072.
Kuuii T. L” Weyl S ” and Tenenbaum 1. M. A relation database schema for describing complex
scenes with color and texture. In Proceedings of the 2nd International Joint Conference on
Pattern Recognition, pages 310-3 16, Copenhagen, Denmark, 1974.
