Classificação de imagens de fotografias históricas usando detecção de linhas e paralelogramos pela presença de edifícios Natália Cosse Batista Grupo 8.

Apresentação em tema: "Classificação de imagens de fotografias históricas usando detecção de linhas e paralelogramos pela presença de edifícios Natália Cosse Batista Grupo 8."— Transcrição da apresentação:

1 Classificação de imagens de fotografias históricas usando detecção de linhas e paralelogramos pela presença de edifícios Natália Cosse Batista Grupo 8 natalia@dcc.ufmg.br

2 Sumário 1.Introdução 2.Trabalhos relacionados 3.Definição do problema 4.Metodologia 5.Testes preliminares 6.Classificação simples por limiar 7.Classificação com SVM 8.Conclusões 9.Trabalhos futuros Referências principais

3 1. Introdução (1/2) Base de imagens do APM: 6.000 imagens digitais.

4 1. Introdução (2/2) Objetivo: classificar as imagens com base na presença de edifícios. Edifícios: são objetos feitos pelo homem com bordas bem definidas e contornos retilíneos. Contém características regulares causadas principalmente pela presença de janelas e portas, que são evidência de estrutura na imagem. Classes: –Edifícios –Intermediárias –Não-edifícios

5 2. Trabalhos relacionados (1/3) Iqbal e Aggarwal: recuperação por classificação de imagens contendo grandes objetos feitos pelo homem usando agrupamento perceptivo. Características: número de linhas longas, junções em L, junções em U, grupos paralelos e polígonos.

6 2. Trabalhos relacionados (2/3) Transformada de Hough: –linhas são representadas por pontos no espaço de parâmetros. –Tamanho dos picos estão relacionados ao número de pixels que compõe a linha.

7 2. Trabalhos relacionados (3/3) Jung e Schramm: detecção de paralelogramos utilizando Transformada de Hough particionada. Picos aparecem aos pares: simetria em relação ao eixo θ. Distâncias horizontais: ângulo entre pares. Distâncias verticais (eixo ρ) entre os pares de picos são os lados do paralelogramo.

8 3. Definição do problema Classificar as imagens em edifícios, intermediárias e não-edifícios com base nas características: número de linhas e número de paralelogramos.

9 4. Metodologia (1/2) Separar um conjunto de 90 imagens nas três classes. Filtros para melhorar qualidade da imagem (Gaussiano e melhora do contraste). Detectar bordas (Canny). Detectar linhas. Detectar paralelogramos.

10 4. Metodologia (2/2)

11 5. Testes preliminares Imagens sintéticas: para análise dos parâmetros do detector de linhas e paralelogramos. Redução da resolução, retirada da moldura, filtro gaussiano, filtro para melhora do contraste.

12 6. Classificação simples por limiar (1/2) Tiles 20x20 e lado mínimo = 10. Nos experimentos com 25 imagens, 5 de cada configuração, foram selecionados limiares para o # linhas e # paralelogramos. Resultados para 90 imagens: maior parte foi classificada como intermediária.

13 6. Classificação simples por limiar (2/2)

14 7. Classificação com SVM (1/3) Support Vector Machine (SVM): encontra um hiperplano que separa os vetores de treino mapeados em um espaço de dimensão mais alta.

15 45 imagens de treino, 15 de cada classe. 45 imagens de teste, 15 de cada classe. Kernel RBF (radial basis function): relação não-linear. 9 características: –# paralelogramos –# linhas –# paralelogramos / # linhas –# linhas ≥ 40 / # linhas –# linhas ≥ 50 / # linhas –# linhas ≥ 60 / # linhas –# linhas ≥ 70 / # linhas –# linhas ≥ 80 / # linhas –# linhas ≥ 100 / # linhas 7. Classificação com SVM (2/3)

16 Resultado: 62% (28/45) 7. Classificação com SVM (3/3)

17 8. Conclusões Resultados precisam ser melhorados, características escolhidas só possibilitam 62% de acerto na classificação. Deve-se incluir mais características no modelo, principalmente levando-se em conta o posicionamento dos paralelogramos.

18 9. Trabalhos futuros Selecionar novas características, por exemplo um histograma de orientações dos paralelogramos. Utilizar um conjunto maior de imagens para treinamento e testes. Testar outros filtros para melhorar qualidade das imagens.

19 Referências principais Q. Iqbal and J. Aggarwal. Retrieval by classification of images containing large manmade objects using perceptual grouping. Pattern Recognition, 35(7):1463– 1479, July 2002. C. Jung and S. Rosito. Parallelogram detection using the tiled hough transform. In Proceedings of 13th International Conference on Systems, Signals and Image Processing, volume I, pages 177–180, 2006. C. Chang and C. Lin. LIBSVM : a library for support vector machines, 2001. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm. http://www.csie.ntu.edu.tw/~cjlin/libsvm