A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Integrando Textura e Forma para a Recuperação de Imagens por Conteúdo André Guilherme Ribeiro Balan Grupo de Banco de Dados e Imagens Instituto de Ciências.

Apresentações semelhantes


Apresentação em tema: "Integrando Textura e Forma para a Recuperação de Imagens por Conteúdo André Guilherme Ribeiro Balan Grupo de Banco de Dados e Imagens Instituto de Ciências."— Transcrição da apresentação:

1 Integrando Textura e Forma para a Recuperação de Imagens por Conteúdo André Guilherme Ribeiro Balan Grupo de Banco de Dados e Imagens Instituto de Ciências Matemáticas e Computação Universidade de São Paulo

2 Conteúdo Introdução Técnica proposta Método de Segmentação Vetor de Características Medida de Similaridade Experimentos e Resultados Conclusões

3 Introdução Motivação para o desenvolvimento de técnicas CBIR: O aumento contínuo da quantidade de imagens digitais nos hospitais e centros médicos. Objetivo: Desenvolver uma ferramenta que auxilie os especialistas encontrar imagens específicas em grandes repositórios. Principal abordagem: Extrair características que representem o conteúdo da imagem; Comparar as características usando uma medida de similaridade.

4 Introdução Exemplo de consulta: encontre as cinco imagens mais semelhantes à imagem identificada por radialcabeca_343.jpg

5 Introdução Grupos de características: Brilho/Cor; Forma; Textura. Brilho/Cor são características simples de serem extraídas, mas podem causar ambigüidade. Forma e Textura caracterizam melhor o conteúdo da imagem, mas são mais complexas e custosas de serem extraídas.

6 A técnica proposta Principais elementos em imagens médicas: órgãos, tecidos, anomalias, plano de fundo, … Neste contexto, nosso trabalho propõe a utilização de textura e forma. Forma e Textura características

7 A técnica proposta Esta abordagem compreende: A segmentação da imagem baseada em textura. A extração de características simples de forma do objetos obtidos na segmentação. O uso de uma função simples de medida de similaridade.

8 O método de segmentação Método de segmentação empregado: Método EM/MPM; Principais características do EM/MPM: Baseado em Textura; Automático (não-supervisionado); Utiliza campos aleatórios de Markov (MRF);

9 O método de segmentação Sobre o EM/MPM: Basicamente: um algoritmo de otimização. Objetivo: minimizar o número esperado de pixels classificados erroneamente Sobre o uso de MRFs Permite a representação de texturas de comportamento aleatório (presente na maioria dos tipos de imagens) Demanda uma quantidade relativamente pequena de parametros.

10 EM/MPM – visão geral Imagem a ser segmentada Um mapa de classificação é criado aleatoriamente Características das classes são definidas L ( 1, 2 1 ) ( 3, 2 3 ) ( L, 2 L ) Atualiza-se as características das classes Realiza-se uma nova classificação O usuário define o número de classes L Algoritmo MPM Algoritmo EM Imagem Segmentada Campo Aleatório de Markov Campo Aleatório de Markov

11 Exemplos de segmentação 2 fundo Classes (2) Classes (5) 1 fundo

12 O vetor de características O conjunto de características proposto inclui: Medidas de forma da imagem segmentada; Medidas da imagem original considerando a segmentação. As medidas são obtidas das regiões: Classes (5) 1 5 regiões distintas

13 O vetor de características Para cada região, 5 características são extraídas: Centro de massa (centróide); Massa (tamanho); Medida de dispersão; Média e Variância. Deixe I e S denotar a imagem original e a imagem segmentada, respectivamente.

14 O vetor de características A massa da região c é: Em outra palavras, massa é o numero de pixels da região c. where

15 O vetor de características O centro de massa da região c é o par (xo c, yo c ) A medida de dispersão mede a compactação da região: o c – centro de massa de c o i,c – centro de massa de uma região isolada i na região c Exemplo de regiões isoladas na região azul

16 O vetor de características Média e Variância são calculadas sobre a imagem original I considerando a segmentação S média variância

17 O vetor de características Se a imagem é segmentada em L classes o vetor de características é: Há 6 valores por região/classe (o centróide tem dois valores) O vetor possui 6 x L valores reais. 2 L L dLdL mLmL yo L xo L d1d1 m1m1 yo 1 xo 1 menor média Características da classe com menor média... maior média Características da classe com maior média

18 Medida de similaridade A medida de similaridade entre duas imagens é dada pela Distância Euclidiana entre os vetores de características. Os valores do vetor são normalizados para se obter maior poder de caracterização.

19 Experimentos e Resultados Bando de imagens reduzido para experimentos: Imagens segmentadas em 5 classes 30 características por imagem. Categoria de ImagemNúmero de Imagens Angiograma21 RM Bacia Axial33 RM Cabeça Axial50 RM Abdômen Coronal34 RM Cabeça Sagital38 RM Espinha Sagital44

20 Experimentos e Resultados Exemplo de consulta utilizando o vetor proposto (30 valores) Imagem de busca: 2865.jpg Miniaturas das 24 imagens recuperadas

21 Experimentos e Resultados Usando histogramas (256 valores) Imagem de busca: 2865.jpg Miniaturas das 24 imagens recuperadas

22 Experimentos e Resultados Gráficos Precision x Recall - 5 consultas por curva- as mesmas consultas para ambas as técnicas Técnica propostaHistograma

23 Conclusões Vantagens da técnica proposta Alto poder de discriminação; Número relativamente pequeno de características; Método automático de segmentação. Desvantagem Alto custo para segmentação Imagens de 300 x 400 pixels levam de 3 a 5 segundos em uma máquina com processador Athlon 2600.


Carregar ppt "Integrando Textura e Forma para a Recuperação de Imagens por Conteúdo André Guilherme Ribeiro Balan Grupo de Banco de Dados e Imagens Instituto de Ciências."

Apresentações semelhantes


Anúncios Google