técnicas e aplicações de recuperação de imagens por...

Técnicas e Aplicações deRecuperação de Imagens por

Conteúdo

Agma Juci Machado TrainaCaetano Traina Jr.

Grupo de Bases de Dados e ImagensDepartamento de Ciências de ComputaçãoUniversidade de São Paulo - São Carlos

http://www.icmc.usp.br/~caetanohttp://www.icmc.usp.br/~agma

P Introdução

P Motivação

P Imagens e Características

P Organização dos Dados< Indexação de Imagens

P Consultas por Similaridade

P Conclusões

Conteúdo

P Grande volume de dados complexos gerados pelos sistemascomputacionais atuais< Imagens, vídeo, áudio, hipertexto, séries temporais, cadeias de DNA

P Utilizá-los de modo proveitoso e recuperá-loss de modo rápido e natural é uma das necessidades para efetuar a análise de taisdados,

P Dados Complexos são naturalmente comparados por semelhança(similaridade), diferentemente dos dados simples.< 35 < 50< ‘Piracicaba’ < ‘São Carlos’

Introdução

?

P Recuperação de imagens baseada em conteúdo– Content-Based Image Retrieval - CBIR

< Recuperação baseada em: conteúdo X descrição– “Retorne a imagem de João da Silva”– “Retorne a imagem de João da Silva obtida em 25/09/2004 ” – “Retorne as 5 imagens mais semelhantes à imagem de João da Silva”

P Busca por similaridade– Similarity search

< Duas imagens são semelhantes, nunca iguais (se for igual é a mesma!)

< O que é similaridade ?– Critérios de similaridade– Características a serem comparadas– Métricas para comparação

Coleções de imagens (Tamanho Crescente)

Introdução

IntroduçãoRecuperação por Conteúdo vs. Recuperação por Descrição

Descrições feitaspelos especialistas

Processo nãoautomático

Descrições obtidasdas diretamentedas imagens

Processo automáticoou semi-automático

ImagensDescriçõesFeatures

Consultas convencionais: chaves textuaisConsultas por conteúdo: chaves imagens

P Processamento de coleções de imagens– Cada imagem é analisada individualmente utilizando técnicas e algoritmos

processamento de imagens;

< Organização da coleção para recuperação rápida;< Pré-processamento de cada imagem durante a armazenagem;< Recuperação eficiente durante as consultas.

Coleções de imagens

Motivação

Módulos

Recuperação de Imagens por Conteúdo (CBIR)

Motor deRecuperação

Extratores deCaracterísticas

Armazenamento eMétodos de Acesso

Métodos deInteração (GUI)

Cálculos de Similaridade (funções de distância)

SimilaridadeIntuição (1)

Intuição (2)

Similaridade

P Similaridade entre dados multimídia é medida sobrecaracterísticas extraídas dos mesmos< histogramas, momentos invariantes, transformadas (Fourier, Wavelets,

etc), análise das componentes principais (PCA), assinaturas...

P Procura-se extrair as informações que o analista humano utilizano processo de comparação entre esses dados< Imagens: cores, forma, textura, relacionamento entre objetos< Vídeo: diferença entre frames< Áudio: frequência e altura do comprimento de onda

P Essas características são utilizadas para a comparação entre osdados multimídia.

Similaridade entre dados Complexos

P Introdução

P Motivação




P Conclusões

Conteúdo

Exemplo: imagens

Extração de Características

ClassificaçãoExtração deCaracterísticasSegmentação

Vetor deCaracterísticas

ImagemObjeto

ImagemOriginal

x1

x2

...xn

“Círculo”

“Elipse”

Tipo deObjeto

P Características de imagens:< Valores Numéricos ou categóricos que descrevem as características das

imagens< Características comumente usadas: cor, textura, forma e relacionamento

entre objetos da imagem

P DESAFIO 1 - a partir da imagem original, definir um vetor decaracterísticas que:< descreva com fidelidade o conteúdo semântico da mesma,< aceite a aplicação de uma medida de similaridade (função de distância),< Possa ser usada em uma estrutura de indexação,

P DESAFIO 2 - Manter um número pequeno de características:< “Maldição da Alta Dimensionalidade”!

Desafio

Extração de Características

P Existe um relacionamento forte entre< Características das Imagens e Função de Distância

P Especialista no domínio deve indicar/especificar/propor Funçãode Distância mais apropriada para o tipo de imagens

P Funções de distância usuais - Família Lp

Comparação por Similaridade

Funções de distância

P Dados 2 vetores (tuplas) x=(x1, x2,..., xn) e y=(y1, y2,..., yn)

Distância Euclideana: < L2= (j|xi - yi|

2)1/2

Medir dissimilaridade

Funções de distância

O que fazer quando não há dimensãodefinida para o conjunto de dados?

x=(x1, x2,..., xn) e y=(y1, y2,..., yk) com k�n

Conceitos Relacionados

Níveis de Abstração -Semântico vs. Sintático

Nível 1: Pixels da imagem

Nível 2: Procurar bordas,linhas, curvas e regiões

Nível 3 - Combinar einterpretar os atributos donível 2

Nível 4: Mapeamento humano,relacionamento entre os objetos donível 3

Sintático

Semântico

(Computador)

(Especialista)

P Gap semântico: perda da informação real da imagem , que não épreservada/capturada pelas características (algoritmos deProcessamento de Imagens) e a expectativa de informação totaldesejada pelo usuário.< Principal problema referente a aceitação de CBIR

P Utilizar CBIR em aplicações mais específicas!< Recuperação segundo determinado aspecto (somente cor, ou textura, ou

forma).

Considerações

Gap Semântico

P Medida de eficácia do Método de Recuperação.< Dado um conjunto de dados (sobre o qual serão feitas as consultas), define-se:< TR - nº Total de objetos Relevantes (nº de imagens pertencentes a mesma classe

que a imagem de consulta)

< TRO - nº Total de objetos Relevantes recuperados na consulta< TO - nº Total de objetos recuperados na consulta (independente da classe a

que pertencem)

Precisão e Revocação

Análise dos Resultados

TR -ObjetosRelevantes

TO -Total deObjetos Obtidos

TRO - TotalRelevantes Obtidos

Análise dos ResultadosPrecisão e Revocação

TR -ObjetosRelevantes

TO -Total deObjetos Obtidos

TRO - TotalRelevantes Obtidos

P Precisão: indica a proporção de objetos relevantes emrelação ao total de objetos recuperados Precision= TRO

TO

P Revocação: indica a proporção de objetos relevantesrecuperados em relação ao total de objetos relevantes

Recall = TRO TR

Exemplo

Precisão e Revocação

Conceitos Relacionados

Exemplo

Extração de Características - Histograma

Extração de Características - Histograma

Exemplo: características de baixo nível de imagens

Histogramas

CorHistogramas

- rápido de obter- baixo poder discriminativo

mais de uma imagempode corresponder aomesmo histograma!

(a)

(d)(c)

(b) (e)

Cores

Histograma de cores

Solução: usar mais de umacaracterística


Extratores de características

Textura

Padrão visual em que elementos gráficos semelhantes se

repetem em densidade variável.

Padrão visual em que elementos gráficos semelhantes se

repetem em densidade variável.


Extratores de Características

FormaLocaliza objetos usando algoritmos de detecção de bordasLocaliza objetos usando algoritmos de detecção de bordas

Processamento pesadoProcessamento pesado

Requer o pré-processamento da imagem e redução

de ruído antes da segmentação

Requer o pré-processamento da imagem e redução

de ruído antes da segmentação

originaloriginal segmentadasegmentada

Processo de seleção de características

Extratores de características

A comparação de imagens é custosa e toma tempoUma filtragem inicial pode reduzir o número de comparações

Histogramas L primeiro passo

Textura e forma: operações custosas, que depende do domínio da

aplicação L passos posteriores

P Características de baixo nível: histogramas de intensidade (niveiscinza);

P Vetores de características: aproximação linear por partes dohistograma;

P Extração de características: extração do histograma,normalização, aproximação linear por partes;

P Função de Distância: diferença da integral entre as aproximaçõeslineares por partes.

Um exemplo: histogramas métricos para exames medicos

Extração de características

Um exemplo: histogramas metricos para exames medicos


Em histogramas tradicionais, existe um bin para cada cor (ou intensidadede cinza)

Todos os ‘bins’ têm a mesma largura


0,25

0,20

0,15

0,1

0,05

0

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Transforma ‘bins’ em ‘buckets’

Aproximação do histograma

0,25

0,20

0,15

0,1

0,05

0

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

P Invariante à rotação, translação e escala;

P Invariante à mudanças lineares de brilho;

P Explora as correlações existentes entre bins vizinhos (de maneiraespecífica, imagem por imagem).

Propriedades do histograma métrico

P A distância MD( ) entre dois histogramas métricos é a área nãosobreposta entre ambos.

Definindo a função de distância métrica forpara Histogramas Métricos

Buckets

Histogramamétrico A

Histogramamétrico B

Tempo para responder a 50 consultas sobre dados indexados em uma Slim-tree

Histogramas métricos melhoram a resposta aconsultas

0

0.5

1

1.5

2

2.5

3

3.5

4

0 2 4 6 8 10 12 14 16

Total time for answering 50 queries MRHead500

OriginalsMetrics

k=DatabaseP ercentage

0

50

100

150

200

250

300

350

400

450

500

0 2 4 6 8 10 12 14 16

Total time for answering 50 queries:

MRVarious4247

OriginalsMetrics

k=DatabaseP ercentage

P Três abordagens principais:< Estatística: distribuição dos níveis de cor dos pixels e seu inter-

relacionamento< Estrutural: arranjo espacial de primitivas regulares< Espectral: aplicação e análise de transformadas

P Abordagem estatística:< mais utilizada< bons resultados< custo computacional reduzido

Característica: Textura

P Basicamente um algoritmo de otimização

P Objetivo é “minimizar o número esperado de pixels classificadoserradamente”

P Métodos Estocásticos

Permite a representação de comportamento aleatório das texturas< (Presente na maior parte das imagens)

P Demanda um número pequeno de parâmetros)

Métodos Estocásticos


EM/MPM

Cadeias Aleatórias de Markov

EM/MPM

Imagem a serSegmentada

.

..

21

3

L

.

..

21

3

L

.

..

21

3

L

Número declasses

Mapa declassificação(iniciala leatório)

.

..

21

3

L

(m1, s21)

(m3, s23)

(mL, s2L)

.

..

21

3

L

.

..

21

3

L

(m1, s21)

(m3, s23)

(mL, s2L)

(m1, s21)

(m3, s23)

(mL, s2L)

Features decada classe(inicializadasaleatoriamente)

NovaClassificaçãoé realizada

Algoritmo MPM

Features dasClasses sãoatualizadas

Algoritmo EM

Segmentação Automática


2

background

Classes ( 2)

1

2

34

5

Classes ( 5)

1

background

P Da imagem segmentada por textura, obtem-se característicasrelevantes:< Centro de massa< Tamanho< Dispersão< Média< Variância< Dimensão Fractal


2

34

5

Classes (5)

1

5 regions

Consultando os Vizinhos mais Próximos

27 Imagens testetipo


36 Imagens testetipo


9 Imagens teste tipo

Análise por Precisão e Revocação

P Indica o inter-relacionamento entre um pixel e seus vizinhos,considerando < direção (2) de posicionamento do vizinho< Distância (d) de posicionamento do vizinho

P O tamanho da matriz é dado pelo número de níves de intensidadenos quais a imagem é analisada< Ex. Imagem de 256x256 pixels com 16 níveis de cinza.< Matrizes de co-ocorrência serão de 16x16 elementos. Uma matriz para

cada direção e distância

P São extraídas medidas da matriz de co-ocorrência, queconstituirão as features das imagens.

Matrizes de Co-ocorrência


P A literatura traz inúmeros métodos de extração de característicasutilizando a forma de objetos presentes na imagem< Momentos de Zernike, Métodos baseados em curvatura, coeficientes de

Fourier, etc.< Dependem fortemente do domínio das imagens.< Os descritores de forma podem ser compostos no vetor de características

das imagens.

Característica: Forma

P Introdução

P Motivação




P Conclusões

Conteúdo

P Organizar informação para acesso eficiente remete-nos aoconceito de ordenação,

P Algoritmos de ordenação de dados (vetores):< Classifição direta, classificação binária,‘bubble’-sort, shellsort, quicksort,

... Inserção de novos dados demanda movimentação dos itens

P Árvores:< Heapsort, árvore binária, ...

Estabelecendo ordem na informação

Organização de Dados

Ordenação utilizando Árvore Binária

Dados Simples

150, 100, 20, 10, 21, 130, 195, 170, 200

100

150

20

10 21

195

130 170 200

Percorrendo a árvore em in-ordem:10, 20, 21, 100, 130, 150, 170, 195, 200

P Por que utilizar árvores?< Não há necessidade de relocação entre os dados para novas inserções< Diminui o número de acessos aos dados para consultas/inserções

– Menor número de acessos a disco se a árvore estiver balanceada

< Para n items de dados– Média de log(n) (altura da árvore) acessos para encontrar um item na árvore

Árvores para Indexação

Ordenação utilizando Árvore Binária

Estruturas de Dados

10, 20, 21,100, 130, 150, 170, 195, 200

100

150

20

10

21

195

130

170

200

Árvore degenerada # busca sequencial

P Árvores B e sua variante (B+):< estão presentes em todos os gerenciadores de banco de dados comerciais< Oracle, Sybase, etc.

Árvore Balanceada: Árvore B - B-tree

Estruturas de Dados

493 506 511451 472 406 412380 382

395 430 480

P Árvores B e sua variantes (B+ todos os items estão nas folhas) < Não há sobreposição entre as chaves de acesso< Para um conjunto de dados com n items, o acesso a qualquer um deles é

O(logk(n)) onde k=número de entradas por nó # A árvore é mantida

balanceada< Permite a organização de dados em memória secundária

– Os nós da árvore armazenam um número de items de dados adequado aocupar um registro em disco.

Árvore B

Estruturas de Dados

P No princípio os dados eram números e textos...

P E evoluíram para armazenar dados espaciais...< Desenvolvimento dos Sistemas de Informação Geográficos (SIGs)

– Mapas de cidades, estados e regiões passaram a integrar o universo de dados. – Consultas por vizinhança e região são solicitadas

– “Quais são as ruas que interceptam a Avenida Copacabana no seu primeiroquilômetro?

– “Quais são os estados limítrofes ao norte de São Paulo?”

Evolução histórica - dados e estruturas

Exemplos de consultas

Dados Espaciais

Point Query Window Query

Region Query Adjacency Query

Dados Espaciais

R-tree

Um objeto espacialR8

R9

R10

R11

R12

R13

R14

R15

R16

R17

R18

R19

R3 R5

R4R1

R2

R6

R7

Legenda:Regiões representadas no primeiro nívelRegiões representadas no segundo nívelRegiões representadas no terceiro nível

R17 R18 R19R13 R14 R15 R16R11 R12R8 R9 R10

R3 R4 R5 R6 R7

R1 R2

Ponteiros para os atributos não espaciais dos objetos

P Chaves podem colidir

P Atributos das relações podem ser separados em espaciais x não-espaciais

P Informação espacial:< Regiões no espaço: Método de acesso Espacial - SAM< Pontos no espaço: Método de acesso Pontual - PAM

Dados Espaciais

ISAM

IPAM

(x,y)<(xi,yi), (xf,yf)>

P Relações com k-atributos podem ser associadas a pontos numespaço k-dimensional

P Exemplo: Salário={Nome, salário, tempo_serviço}

Espaço k-dimensional

Dados Multidimensinais

Tempo de serviço

P Exemplo: Salário={Nome, salário, tempo_serviço, idade}



Tempo de serviço

P Exemplo: Salário={Nome, salário, tempo_serviço, idade, num_empregos_anteriores, horas_extra, ....}



Tempo de serviço

Famílias de Estruturas Espaciais

[Gaede_98]

P No princípio os dados eram números e textos...

P Evoluíram para armazenar dados espaciais...

P E daí para dados multimídia !

dados e estruturas

Evolução histórica

P Introdução

P Motivação


P Organização dos Dados


P Conclusões

Conteúdo

P Dados complexos e usualmente volumosos< Imagens< Áudio< Vídeo< Séries temporais< Dados genéticos (cadeias de DNA)< Impressões digitais

Evolução dos equipamentos computacionais

Dados multimídia

OscilogramaDeslocamento

Tempo

P Para esses dados não há relação de ordem < Dadas duas imagens, qual é a “menor” entre elas?

P Porém, é possível explicitar o quanto são semelhantes (oudiferentes).

P É preciso definir uma função que indique a distância entre asimagens< Função distância " dissimilaridade entre as imagens (ou qualquer dado multimídia)

Dados multimídia

Indexação

< > ?

P Base de imagens com faces de pessoas:< Ex. “Encontre as faces que são parecidas com a do Cid Moreira”

P Base de imagens médicas< Ex. “Dado o exame de Raio-X do paciente J. Silva, encontre os 5 exames

mais parecidos com o exame original”< Ex. “Encontre todos os exames que diferem em até 10 unidades do exame

original indicado”

Exemplos

P Existem dois tipos fundamentais de consultas por similaridade:< Ambas baseadas em um objeto de referência (centro da consulta)

P Consultas por vizinhança (ou k-Nearest Neighbors):Dado um valor inteiro k, obtenha os k elementos do conjunto dedados que são os mais similares ao objeto central da consulta.

P Consulta por abrangência (ou Range queries):Dado um grau de similaridade (raio), obtenha todos os objetos noconjunto de dados que sejam similares ao objeto central daconsulta até esse grau dado.

Consultas por similaridade fundamentais

Em uma base de imagens:

“Encontre as 3 imagens mais similares à imagem do Raio-X de João Silva”

Consultas por vizinhança


Em uma base de imagens:

“Encontre as imagens que diferem em até rq unidades da imagem do Raio-Xde João Silva”

Consultas por Abrangência


rq

P Espaço métrico é um par: M=(O,d)< Onde, O é o domínio de característica de objetos d é uma distância métrica.

P Propriedades da distância d : • simetria: d(x,y) = d(y,x); • não-negatividade: 0 < d(x,y) < 4 , x �y e d(x,x) = 0 •desigualdade triangular: d(x,y) # d(x,z) + d(z,y)

Conceitos Básicos

Espaços Métricos

x

z

y

P Não há atributos geométricos ou de posição< formas e posições (sul, norte, etc.)

P Mesmo para dados espaciais, diferentes funções distânciadefinem formatos diferentes de nós. Por exemplo:

Conceitos básicos

Espaços Métricos

L2=Euclidian

r L1=Manhatan

L0=LInfinity

P Considere o conjunto de palavras de um dicionário

P Distância LEdit = mínima contagem do número de caracteresinseridos, removidos ou substituídos para transformar umapalavra em outra< Ledit(“casa”, “cada”)= 1< Ledit(“queijo”, “quero”)= 2

P Qual é o formato do nó para a função de distância entre palavrasLEdit ???

P

Exemplos

Espaços Métricos

Slim-tree

Estrutura de Acesso Métrica

Respondendo a uma consulta pontual

Consultando uma Slim-tree

U

#

>X

X

Respondendo a uma consulta pontual


X

U

U

Respondendo a uma consulta por abrangência


RqRq

Região 3Região 2 Região 1

Poda se:d(sRep, sq)+rq < d(sRep, si) (Região 1)d(sRep, sq)- rq > d(sRep, si) (Região 3)

U

X

Construindo uma Slim-tree

A

BC

D

E FG

HI

J

KL

MN

OP

Q


A

BC

D

E FG

HI

J

KL

MN

OP

Q

H

GA

A

BJI

B

K L GH M N Q O PIJE A D F CB

LEK

OC P

M D

N

F Q

BJI

E D F C

H

GA

M D

NBJ

IBJ

IBJ

I

F Q

A

LEK

BJI

H

GA

M D

N

B

OC P

F Q

CRaiz

Nósintermediários

Folhas

P Executa-se uma navegação em profundidade (consulta pontual)para decidir em qual nó ele deve ser inserido, usando:< Algoritmo Choose-subtree< Algoritmo Split-node< Quebra de nós Bottom-up (assegura o balanceamento da árvore)

Inserindo um objeto


Inserindo um objeto


Inserindo um objeto: ChooseSubTree


Choose SubTree :

Random

minDist

minOccup

n=19n=14

Inserindo um objeto: SplitNode




Dois passos: - Escolhe 2 objetos para serem o

centro de dois nós

- Distribui os objetos restantesentre os 2 novos nós



Algoritmos de Splitting:

# Random Select + Minimum Radius-O©)

# Minimum R1+R2 (minMax) -O(C3)

R1

R2

# Cluster based: Minimal SpanningTree (MST) - O(C2 log C)

Inserindo um objeto: SplitNode usando o MST


P Os conceitos de area”, “volume”, etc. não se aplicam,

P Então como medir a sobreposição ?

Em espaços métricos:

Redução da sobreposição entre nós

( ‘Contar’ o número de objetos naintersecção de dois nós (ou em duassub-árvores). Isto é, contar quantosobjetos são cobertos em cada nó pormais de um nó <representante, raio>.

Dois nós


n=14 n=13

10 objetos naintersecção

Overlap=10

14+13

Fat-factor


Definição: Seja T uma árvore métrica com alturaH e M nós. Seja N o número de objetosindexados. Então, o fat-factor dessa árvore é:

Ic - # nós acessados para responder a uma consulta pontual

0 #fat(T) #10 para a árvore ideal1 para a pior árvore possível

Fat-factor


n=6 n=7fat(T)=0

n=6 n=7fat(T)=0

n=6 n=7 fat(T)=0.15

n=6

n=7

fat(T)=1.0

Algoritmo Slim-down


Exemplo: Triângulo de Sierpinsky


Sierpinsky - N=9,841

-2000

0

2000

4000

6000

8000

10000

12000

-2000 0 2000 4000 6000 8000 10000 12000

Exemplo: Triângulo de Sierpinsky - Antes e Depois


Fat-factor=0.04 Fat-factor=0.02

-2000

0

2000

4000

6000

8000

10000

12000

-2000 0 2000 4000 6000 8000 10000 12000

-2000

0

2000

4000

6000

8000

10000

12000

-2000 0 2000 4000 6000 8000 10000 12000

Conjuntos de Dados para testes

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Uniform2D - N=10,000 Sierpinsky - N=9,841 MGCounty - N=15,559

. . .harmonicharmonicaharmoniousharmonyharnessHaroldharpharpoon. . .

EnglishWords - N=25,143

d1

d3

d2d4d6d5

FaceIT - N =1,056

0 1 15

Eigenfaces - N=11,900

Slim-tree vs M-treeChoose SubTree : minOccup

Experimentos: Query performance # Acessos a disco (em média) vs Raio : range queries

1

10

100

1000

0.0001 0.001 0.01 0.1 1

Sierpinsky dataset

radius1

10

100

1000

0.0001 0.001 0.01 0.1 1

MGCounty dataset

radius

10

100

1000

0.0001 0.001 0.01 0.1 1

Eigenfaces dataset

radius

1

10

100

1000

0.0001 0.001 0.01 0.1 1

Uniform10k dataset

radius

10

100

1000

0.01 0.1 1

FaceIt dataset

radius

100

1000

0 5 10 15 20 25

EnglishWords dataset

radius

Slim-Tree (min-max)

M-tree (min-max)

Slim-tree : # acessos Disco (em média) vs raio -Range queries

ExperimentosAlgoritmos de Splitting: minMax vs MST

1

10

100

1000

0.0001 0.001 0.01 0.1 1

Slim-tree, Sierpinsky dataset

radius

10

100

0.0001 0.001 0.01 0.1 1

Slim-tree, FaceIt dataset

radius

(a) (b)

minMaxMST

minMax vs MSTSlim-tree : # acessos Disco (em média) vs raio -Range queries

Algorithmo Slim-down

10

100

0.0001 0.001 0.01 0.1 1


radius

MST (without slimming down)MST (with slimming down)

10

100

0.0001 0.001 0.01 0.1 1


radius

minMax (without slimming down)MinMax (with slimming down)

Melhoria de até 70% para range queries

Algoritmo Slim-down

100

1000

0 5 10 15 20 25

EnglishWordsd ataset

radii

1

10

100

1000

0.0001 0.001 0.01 0.1 1

Eigenfacesd ataset

radii

10

100

1000

0.01 0.1 1

FaceItd ataset

radii

1

10

100

1000

0.0001 0.001 0.01 0.1 1

Uniform10kd ataset

radii

M-tree (min-max)

Slim-Tree (min-max sem Slim-down)Slim-Tree (min-max com Slimming down)

Tempo (segundos)

minMax e MST

build range queries slim-down fat-factor

0

20

40

60

80

100

120

Sierpinsky


0

20

40

60

80

100

Uniform


0

50

100

150

200

MGCounty


0

500

1000

1500

2000

English Words


0

10

20

30

40

50

60

70

Eigenfaces


0

0.1

0.2

0.3

0.4

0.5

FaceIt©

# minMax #MST

P Até 60 vezes mais rápida para inserção (mantém mesmodesempenho para consultas)

P Até 70% mais rapidez para responder consultas com o algoritmo‘Slim-down’

P ‘Fat factor’, permite quantificar a sobreposição de nós emestruturas métricas.

Estrutura de indexação Slim-tree

Resultados dos experimentos

P Auxiliar a entender a organização da informação na estrutura

P Localizar os aglomerados (clusters)

P Localizar os elementos de exceção (outliers)

P Permitir visualizar a distribuição de distâncias entre os objetosdo conjunto de dados< Importante para dados não dimensionais!

P Algoritmo base para executar a visualização< FastMap proposto por Christos Faloutsos e David LinHttp://www.cs.cmu.edu/~christos

Visualizando os Dados indexados

Histogramas de imagens (500 objetos)

Exemplos

Histogramas de imagens (500 objetos)

Exemplos

Objects

Leaf nodes

Index nodes

Conjunto de palavras: Dicionário língua Inglesa

Exemplos

b)a)

P Introdução

P Motivação


P Organização dos Dados


P Conclusões

Conteúdo

P Indexação e recuperação de imagens por conteúdo é um processoque demanda interação de especialistas de várias áreas daComputação:< Bases de Dados, Processamento de Imagens, Reconhecimento de

Padrões, Inteligência Artificial, Interação Usuário-Computador

P Especialista no domínio de Análise de Imagens– Área Médica (radiologistas)

P Combinação entre CBIR e técnicas baseadas em descrições(atlas) auxiliam a redução do gap semântico

P Área de pesquisa de ponta L Muito a ser pesquisado

Conclusões

P H. Müller, N. Michoux, D. Bandon, and A. Geissbuhler, "A Review ofContent-based Image Retrieval Systems in Medical Applications––ClinicalBenefits and Future Directions," International Journal of MedicalInformatics, Vol. 73, No. 1, February 2004, pp. 1-23.

P K. Vu, K. A. Hua, and W. Tavanapong, "Image Retrieval Based on Regionsof Interest," IEEE Transactions on Knowledge and Data Engineering(TKDE), Vol. 15, No. 4, July/August 2003, pp. 1045-1049.

P A. W. M. Smeulders, M. Worring, S. Santini, A. Gupta, and R. Jain,"Content-Based Image Retrieval at the End of the Early Years," IEEETransactions on Pattern Analysis and Machine Intelligence, Vol. 22, No. 12,December 2000, pp. 1349-1380.

P T. Tuytelaars and L. J. V. Gool, "Content-based Image Retrieval Based onLocal Affinely Invariant Regions," Proc. Third International Conference onVisual Information and Information Systems -VISUAL'99, Amsterdam, TheNetherlands, June 2-4, 1999, pp. 493-500.

P A. Kak and C. Pavlopoulou, "Content-based image retrieval from largemedical databases," Proc. First International Symposium on 3D DataProcessing Visualization and Transmission, June 19-21 2002, pp. 138 -147.

Referências

Agma Traina Caetano Traina Jr.

http://www.icmc.usp.br/~agma

/~caetano

técnicas e aplicações de recuperação de imagens por...

Documents