Uma ontologia de representação para conhecimento visual em
Petrografia Sedimentar
Carlos Eduardo Santin
Grupo de Bancos de Dados Inteligentes - UFRGS
2
Percepção Visual
Domínios imagísticos apresentam uma forte utilização da percepção visual para realização de inferências
Reconhecimento de objetos nas imagens
Processos de raciocínio baseados em busca
Importância da identificação de relações entre objetos de uma imagem
3
Conhecimento Visual
Como representar?
Desenvolvimento de modelos para a compreensão das imagens
Modelos baseados na geometria
Modelos baseados na topologia
4
Conhecimento Visual
Em determinados casos, para o reconhecimento de um objeto, faz-se necessário saber como esse objeto aparece em um determinado contexto
Normalmente realizado através do uso de modelos associados a algoritmos de combinação e reconhecimento e mais recentemente ao uso de ontologias
5
Objetivos
Definição de uma ontologia de representação baseada em construtos capazes de suportar descrições simbólicas de imagens
Utilizar esta ontologia para estabelecer relações espaço-visuais entre objetos em uma imagem
Prover suporte para futura implantação de mecanismos de raciocínio
6
Relações Espaço-Visuais
Objetos Identificados
Triângulo Retângulo
Topologia:
Triângulo externamente conectado ao retângulo;
Orientação:
Triângulo localizado ao norte do retângulo
7
Petrografia Sedimentar
Relações entre constituintes em uma rocha são mais significativas do que a identificação composicional desses constituintes na avaliação da qualidade de reservatórios de petróleo
Relações indicam os processos físico-químicos que afetam a porosidade e permeabilidade de uma rocha
8
Petrografia Sedimentar
Compactação Química
-Relação Topológica
-Formato da borda
-Formato dos objetos
9
Resultados Esperados
Criação de uma ontologia de representação
Conceitos Visuais
Relações Espaciais
Descrição simbólica da imagem
Inferência de relações paragenéticas
10
Representação do Conhecimento Visual
Visual Knowledge Representation Based on Perceptual Organization - Qigang Gao - 1998
A
B
C
26 Possibilidades de visão:
- 6 do tipo C
- 12 do tipo B
- 8 do tipo A
11
Representação do Conhecimento Visual
Face Estrutura
A Z1 2
B X1 1
C Y1Z1 2
D Y1 2
E Y2 2
F X2 1
G Z2 2
A
B
CD
E
F
G
1
Estrutura:
2
A
B
C D E
F
G
Grafo do modelo
x1
x2
y2y1
z1
z2
x
z
y
12
Representação e recuperação do Conhecimento Visual
A Knowledge-Based Approach to Visual Information - Elisa Bertino, Ahmed K. Elmagarmid e Mohand-Saïd Hacid – 2002
Utiliza lógica de descrição
Faz uso de conjuntos semi-algébricos para representação do formato dos objetos:
V = {(x,y) 2 | x2 + y2 = 1}
13
Representação e recuperação do Conhecimento Visual
Linguagem para estrutura (TBox):
Linguagem para instanciação (ABox)
14
Representação e recuperação do Conhecimento Visual
Linguagem de consulta
15
Interpretação Semântica de Imagens
Towards ontology-based cognitive vision - Nicolas Maillot, Monique Thonnat e Alain Boucher – 2004
Interpretação semântica de imagens visando a classificação de objetos complexos
É proposto o uso de uma ontologia de conceitos visuais para esconder as complexidades da camada visual mais baixa (processamento de imagem) e guiar o especialista na descrição de objetos de seu domínio
16
Interpretação Semântica de Imagens
A ontologia de conceitos visuais proposta foi estruturada em 3 partes: Conceitos de Texturas
Conceitos de Cores
Conceitos Espaciais
17
18
Representação de Topologia
Modelo RCC-8 (Region Connection Calculus)
Relação Representação
Gráfica
Relação Representação
Gráfica
DC (X,Y) TPP (X,Y)
EC (X,Y) TPP-1 (X,Y)
EQ (X,Y) NTPP (X,Y)
PO (X,Y) NTPP-1 (X,Y)
19
Representação de Topologia
G-Map (Generalized Map)
Top Related