Uma Proposta de Melhoria no Processo
de Recuperação de Imagens com Base na
Distribuição de Características de Baixo
Nível em seus Segmentos Utilizando
Índice Invertido
Patrícia Proença1, Ilmério Silva2,
Celia Barcelos3,
1
[email protected], 2 [email protected],
3 [email protected], 4
Objetivo

indexação de características de baixo nível
de segmentos de imagens digitais mapeadas
para um índice invertido:

melhoras de desempenho no processamento de
consultas;

ganho na precisão no conjunto de imagens
recuperadas em grandes bases de dados;
2
Motivação

Grande número de imagens digitais;

Necessidade de localizar imagens:

melhores algoritmos de busca, métodos de
indexação e técnicas de classificação de imagens
digitais;
Trabalhos Relacionados

crescimento da busca de imagens pelo próprio
conteúdo - CBIR (Recuperação de Imagens
Baseada no Conteúdo), [Datta et al, 2008]:


encontrar imagens relevantes - características visuais
extraídas automaticamente das imagens;
em [Matos et al, 2008a] e [Matos et al, 2008b] adaptação do CBIR:

paradigma Índice Invertido;

índice invertido - ganho na velocidade de recuperação de
documentos sem perda de qualidade na recuperação;
4
Trabalhos Relacionados

[Matos et al, 2008a] - sistema de recuperação
baseado em conteúdo:

técnicas textuais - indexação e cálculo da similaridade;

termos da recuperação textual palavras presentes nos
arquivos textuais - na recuperação por conteúdo :

faixas de valores extraídos da imagem através característica
de baixo nível - momentos de cor;

momentos de cor - caracteriza as imagens em termos da
distribuição dos canais de cores:

três medidas estatísticas: média, desvio padrão e obliqüidade;
5
Trabalhos Relacionados - [Matos et al, 2008a]

imagens - espaço de cor RGB para o espaço de cor
HSV e calculo dos três momentos para cada canal H,
S e V – vetor com nove posições;

Imagens indexadas com os valores - cada canal de
cor HSV;
similaridade - cosseno entre os vetores;


melhoria no desempenho do processamento:
 sem perda significativa na qualidade da recuperação
quando comparada com a busca por distância
euclidiana;
Vetor de Característica
Tabela 1 – Descrição do vetor de característica resultante da extração de
característica da imagem usando os três momentos de cor do espaço HSV,
[Matos et al, 2008a].
7
Índice Invertido
Índice Invertido
Vocabulário
Imagens
Africa10: MHA...DSC...IVH
Flor13: MHB...DSD...IVH
Africa12: MHB...DSD...IVH
Ônibus33: MHA...DSC...IVH
.
.
.
Lista Invertida
MHA
MHB
áfrica10, ônibus33...
áfrica12, flor13, ...
DSC
DSD
áfrica10, ônibus33...
áfrica12, flor13, ...
IVH
IVH
áfrica12, ônibus33...
áfrica10, flor13, ...
8
Cálculo da Similaridade –
Utilizando o Índice Invertido
Banco de dados de imagens
Imagem de Consulta:
I1 = [MHA ,MSC]
Vetor de característica Ic =[MHA, MSB]
Lista Invertida:
MHA  I11, I33
MHB I2
MHC I4
MSB  I3
MSC  I1, I2
MSD  I4
Neste caso teríamos
as imagens ordenadas
da seguinte forma:
I3 , I1
I2 = [MHB, MSC]
I3 = [MHA,MSB]
I4 = [MHF,MSD]
9
Metodologia

algoritmos de segmentação - obter uma
segmentação satisfatória das imagens;

adaptar o algoritmo desenvolvido em [Matos
et al, 2008a]:

atribuir os termos da Tabela 1 a cada segmento
das imagens segmentadas;

vetor
- termos encontrados em todos os
segmentos da imagem;
Imagem 1
Segmentação
Segmento 1 = [MHA, DHC, ....., IVE]
Segmento 2 = [MHB, DHG, ......, IVA]
Imagem 1 = Segmento 1 + Segmento 2
Imagem 1 = [MHA, MHB, DHC, DHG, ......, IVA, IVE]
Metodologia

importância do termo no documento:


trabalhos [Matos et al, 2008a] e [Matos et al,
2008b] - pesos de valores fixos são atribuídos as
faixas de valores;
discriminação dos termos :

estudar formas de reformular esses pesos;

observando a distribuição destes termos nos
segmentos;
Metodologia

experimentos - coleção referência com
aproximadamente 32.000 imagens, [Datta et
al, 2008];

objetivo principal - ganho no tempo de
execução em grandes coleções sem perder a
qualidade da recuperação;
Banco de dados da imagem
14
Resultados Esperados



Aumentar
qualitativamente
e
quantitativamente a quantidade de faixas segmentação de imagens;
Atribuição de pesos em cada faixa - uma
melhor discriminação entre as faixas;
Melhorar a qualidade da precisão obtida no
trabalho [Matos et al, 2008a], mantendo o
ganho de desempenho no processamento da
consulta;
15
Muito Obrigada!
Patrícia Proença
[email protected]