analise e comparação de métricas de similaridade

Análise e Comparação de Métricas de Similaridade

Sumário • Introdução

• Motivação

• Objetivos

• CBIR

• Consultas por Similaridade

• Extração de Características

• Funções de Distância

• Medidas de Avaliação

• Metodologia Experimental

• Resultados

• Trabalhos Futuros

• Conclusão 2

• Problema de busca textual pode ser muito imprecisa.

• Utiliza sistemas CBIR (Content-based ImageRetrieval).

• Extrair as características e aplicar as funções de distância retornando a similaridade.

3

• O avanço tecnológico promoveu um aumento nas bases de dados em diversas áreas do conhecimento.

• Incentivando o desenvolvimento de ferramentas para a recuperação de imagens.

• Utiliza características ajustadas visando diminuir o

gap semântico.

4

• Analisar o relacionamento entre uma dada função de distância e as características extraídas das imagens.

• Resaltando que o objetivo não é substituir o médico no diagnóstico dado ao paciente.

5

6

• Representar de forma numérica sucinta de uma imagem ou parte dela (região de interesse)

• COR

Histograma de Níveis de Cinza

• FORMA

Momentos de Zernike

• TEXTURA

Matrizes de Co-ocorrência7

• Leva em conta o quanto duas imagens são parecidas entre si feitas por uma função que retorna o valor de distância entre elas.

• A representação de uma imagem através de suas características não é suficiente para determinar a similaridade.

8

• Na literatura são encontrados vários tipos de funções de distância como por exemplo: Família Minkowsky, Mahalanobis, Canberra, Quadrática, Correlação e

Chi-quadrado.

• Euclidiana

o Intuitiva

o Mais utilizada

9

Função de Distância

10 15 20

10

11

• Uma abordagem bastante simples e difundida para avaliar e analisar os resultados são os conceitos de Precisão e Revocação.

Conj. Recuperado

Conj. Relevantes

Conj. Recuperado Relevantes

12

13

• Base ALOI

14

• Base Imagens Médicas

• Foram extraídos as 3 características das imagens.

• Aplica-se as 4 funções de distâncias implementadas.

• Gera-se várias consultas por similaridade.

• Com os resultados das consultas aplica-se a formula de precisão.

15

16

49.80%47.79% 46.75%

43.13%44.44% 43.61%

38.37%

49.90%

55.90%

52.28%50.12%

67.18%

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

70.00%

80.00%

Manhattan Euclidiana Cherbyschev Camberra

Histograma de níveis de Cinza

Matriz de Co-ocorrência

Momentos de Zernike

17

49.80%

44.44%

55.90%

47.79%

43.61%

52.28%

46.75%

38.37%

50.12%

43.13%

49.90%

67.18%

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

70.00%

80.00%

Histograma de níveis de Cinza Matriz de Co-ocorrência Momentos de Zernike

Manhattan

Eucli

Cherbyschev

Camberra

18

57.05%

50.33%

40.13%

56.73%

41.02%

36.29%

28.50%

48.70%

35.31%

39.55%

31.92% 32.44%

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

Manhattan Euclidiana Cherbyschev Camberra

Histograma de níveis de Cinza

Matriz de Co-ocorrência

Momentos de Zernike

19

57.05%

41.02%

35.31%

50.33%

36.29%

39.55%40.13%

28.50%

31.92%

56.73%

48.70%

32.44%

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

Histograma de níveis de Cinza Matriz de Co-ocorrência Momentos de Zernike

Manhattan

Euclidiana

Cherbyschev

Camberra

• Implementar novas funções de distâncias e extratores.

• Técnicas que interagem com a percepção humana (Relevance Feedback).

• Técnicas de refinamento das pesquisas.

20

21

BUENO, J. M. Suporte à Recuperação de Imagens Medica baseada

em Conteúdo através de Histogramas Métricos. Dissertação (Tese de

doutorado) — Universidade de São Paulo, 2002.

BUGATTI, P. H. Content-based retrieval of medical images by

continuous feature selection, 2008.

FELIPE, J. C. Desenvolvimento de métodos para

extração, comparação e analise de características intrínsecas de

imagens medicas, visando à recuperação perceptual por conteúdo.

Dissertação (Doutorado) — Universidade de S ao Paulo, S ao Carlos -

SP, 2005.

HARALICK, R. M. Statistical and structural approaches to texture.

Proceedings of The IEEE, v. 67, p. 786–804, 1979.

HARALICK, R. M.; SHANMUGAN, K.; DINSTEIN, I. Textural features

for image classification. IEEE Transactions on Systems, Man, and

Cybernetics, v. 3, p. 610–621, 1973.

22

SMEULDERS, A. W. M. et al. Content-based image retrieval at the

end of the early years. IEEE Trans. Pattern Anal. Mach. Intell., IEEE

Computer Society, Washington, DC, USA, v. 22, p. 1349–

1380, December 2000. ISSN 0162-8828. Disponível em:

<http://portal.acm.org/citation.cfm?id=357871.357873>.

SONKA M., H. V. e. B. R. Image Processing: Analysis and Machine

Vision. 1998. 786–804 p.

WILSON, D. R.; MARTINEZ, T. R. Improved heterogeneous

distance functions. J. Artif. Int. Res., AI Access Foundation, USA, v.

6, p. 1–34, January 1997. ISSN 1076-9757.

Disponível em:

<http://portal.acm.org/citation.cfm?id=1622767.1622768>.

ZHANG, C. et al. Webssql - a query language for multimedia web

documents. Advances in Digital Libraries Conference, IEEE, IEEE

Computer Society, Los Alamitos, CA, USA, v. 0, p. 58, 2000.

23