Recuperação de Imagens baseada em conteúdo usando filtros do Gabor Pedro M. Achanccaray Diaz...
-
Upload
nina-quintao-gomes -
Category
Documents
-
view
214 -
download
1
Transcript of Recuperação de Imagens baseada em conteúdo usando filtros do Gabor Pedro M. Achanccaray Diaz...
Recuperação de Imagens baseada em conteúdo usando filtros do Gabor
Pedro M. Achanccaray Diaz
Matéria: Mineração de DadosProfa.: Karla Figueiredo
Roteiro
1. Introdução
2. Metodologia
3. Resultados
4. Conclusões
2
Roteiro
1. Introdução
2. Metodologia
3. Resultados
4. Conclusões
3
1. Introdução->a. Objetivos
Objetivo principal:
Recuperar imagens baseado em conteúdo usando Filtros de Gabor.
Objetivos Específicos:
Desenvolver uma ferramenta para Recuperação de Imagens.
Avaliar o uso de Filtros de Gabor como atributos para sistemas de
Recuperação de Imagens.
4
1. Introdução->b. Mineração de Imagens
5
Banco de dados alfanuméricos
Mineração de Dados
(Data Mining)
Banco de dados de Imagens
Mineração de Imagens
(Image Mining)
1. Introdução->c. Recuperação de Imagens baseado em conteúdo (CBIR)
O alvo dos sistemas de Recuperação de Imagens baseado em Conteúdo
(CBIR) é a busca de imagens similares a uma imagem de consulta numa
base de dados.
6
http://amazon.ece.utexas.edu/~qasim/research.htm
http://labs.systemone.at/retrievr
https://www.google.com.pe/imghp?hl=pt-BR&tab=wi&ei=eEWpU7zZG8rQsQT5kICwCQ&ved=0CAQQqi4oAg
Roteiro
1. Introdução
2. Metodologia
3. Resultados
4. Conclusões
7
2. Metodologia->a. Diagrama de fluxo
8
Pré-processamento
Extração de Atributos Redução de
Dimensionalidade
ClassificaçãoImagem de Consulta
Recuperação de Imagens
Banco de Imagens
Vetores de Atributos
Vetores de Atributos reduzidos
Imagens Recuperadas
2. Metodologia->b. Pré-processamento
• Redimensionamento.– [320 x 240] -> [160 x 120]
• Converter ao tons de cinza (só para extração de atributos posterior).
9
2. Metodologia->c. Extração de Atributos
• Medias dos pixels na imagem ().• Desvio padrão dos pixels na imagem ().• Atributos de Textura: Filtros de Gabor (8 orientações x 4 escalas = 32 resultados)
• X =
10
Media dos pixels resultantes ()Desvio padrão dos pixels resultantes ()
32 x 2 + 3 + 3 = 70 atributos
2. Metodologia->d. Redução de Dimensionalidade
11
• Análise de componentes principais (PCA)
• Dimensionalidade: 70 -> 11 componentes
• Variância: 99% representada
2. Metodologia->e. Classificação
12
• Classificador: Maquinas de Vetores de Suporte (SVM)
• Kernel: Gaussian Radial-basis-function (RBF)
• Validação cruzada: 5, 10, 15 e 20 grupos (k_folds)
• Nº de classes: 7 ([0 1 2 3 4 5 6])
𝐾 (𝑥 ,𝑥 ´ )=exp (−𝑔𝑎𝑚𝑚𝑎∗|𝑥−𝑥 ´|2 )
2. Metodologia->f. Imagem de consulta
13
• A mesma extração de atributos que as imagens de entrada.
• O classificador predisse a classe do imagem de consulta.
• Sua dimensionalidade é reduzida com o PCA feito anteriormente.
2. Metodologia->g. Recuperação de Imagens
14
• A busca é feita só nas imagens que pertencem a classe prevista.
• As imagens relevantes são as quais tem a menor distancia com a imagem
de busca (vetores de atributos).
𝑑𝑖𝑠𝑡 (𝑋 𝑖 , 𝑋 𝑗 )=𝑠𝑞𝑟𝑡 ( (𝑋 𝑖1− 𝑋 𝑗1 )2+(𝑋 𝑖 2−𝑋 𝑗 2 )2+…+ (𝑋 𝑖𝑑−𝑋 𝑗 𝑑)2)
: vetor de atributos da imagem de busca.: vetor de atributos da uma imagem que pertence a classe prevista.
Roteiro
1. Introdução
2. Metodologia
3. Resultados
4. Conclusões
15
3. Resultados->a. Base de dados
16
• Microsoft Research Cambridge Object Recognition Image Database
(MSRCORID)
3215images – 7 classes
animal buildings vegetation windows bicycles cars clouds0
100
200
300
400
500
600
700
Classe N°animal 444buildings 412vegetation 501windows 652bicycles 272cars 505clouds 429Total 3215
3. Resultados->b. Ferramenta desenvolvida
17
• Entorno Qt Creator com Qt 5.02, linguagem C++ e a libraria para
gerenciamento de imagens foi OpenCV.
3. Resultados->c. Classificação
18
• Acurácia do classificador:
5 PCA 5 10 PCA 10 15 PCA 15 20 PCA 20
87.25
90.2
88.02
91.6
87.56
90.2
87.71
90.67
3. Resultados->c. Classificação
19
• Matriz de confusão:
Predicted
0 1 2 3 4 5 6
Known
0 429 3 2 0 1 10 0
1 1 231 4 18 0 7 11
2 1 13 373 11 0 4 10
3 0 6 3 487 0 1 8
4 1 0 0 0 427 1 0
5 12 8 5 1 0 475 0
6 1 8 8 10 1 1 622
Class
Animals 0
Bicycles 1
Buildings 2
Cars 3
Clouds 4
Vegetation 5
Windows 6
3. Resultados->d. Recuperação de Imagens
20
• Resultados obtidos:
3. Resultados->d. Recuperação de Imagens
21
• Resultados obtidos:
3. Resultados->d. Recuperação de Imagens
22
• Resultados obtidos:
3. Resultados->d. Recuperação de Imagens
23
• Resultados obtidos:
3. Resultados->d. Recuperação de Imagens
24
• Resultados obtidos:
3. Resultados->d. Recuperação de Imagens
25
• Resultados obtidos:
3. Resultados->d. Recuperação de Imagens
26
• Resultados obtidos:
3. Resultados->d. Recuperação de Imagens
27
• Resultados obtidos:
3. Resultados->d. Recuperação de Imagens
28
• Precisão: (19 imagens para consulta)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 190.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
𝑃=𝑡𝑟𝑢𝑒𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠
𝑡𝑜𝑡𝑎𝑙 𝑑𝑒𝑖𝑚𝑎𝑔𝑒𝑛𝑠
Roteiro
1. Introdução
2. Metodologia
3. Resultados
4. Conclusões
29
4. Conclusões
30
• A metodologia proposta para o sistema de recuperação de imagens foi
capaz de fornecer imagens coerentes com a imagem de busca.
• A acurácia do classificador SVM foi melhor sem a redução de
dimensionalidade. Isto implica que o PCA não fiz uma boa representação
dos dados. A validação cruzada foi melhor com 10 grupos.
• A precisão do sistema de recuperação de imagens foi 0.84 no caso de 19
imagens para busca.
4. Conclusões
31
• Devido a organização do código da ferramenta desenvolvida, facilmente se
incorporaram mais classificadores para o sistema.
Recuperação de Imagens baseada em conteúdo usando filtros do Gabor
Pedro M. Achanccaray Diaz
Matéria: Mineração de DadosProfa.: Karla Figueiredo
Obrigado