Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouNina Quintão Gomes Alterado mais de 8 anos atrás
1
Recuperação de Imagens baseada em conteúdo usando filtros do Gabor Pedro M. Achanccaray Diaz Matéria: Mineração de Dados Profa.: Karla Figueiredo
2
Roteiro 1.Introdução 2.Metodologia 3.Resultados 4.Conclusões 2
3
Roteiro 1.Introdução 2.Metodologia 3.Resultados 4.Conclusões 3
4
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
5
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)
6
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
7
Roteiro 1.Introdução 2.Metodologia 3.Resultados 4.Conclusões 7
8
2. Metodologia->a. Diagrama de fluxo 8 Pré- processamento Extração de Atributos Redução de Dimensionalidade Classificação Imagem de Consulta Recuperação de Imagens Banco de Imagens Vetores de Atributos Vetores de Atributos reduzidos Imagens Recuperadas
9
2. Metodologia->b. Pré-processamento Redimensionamento. – [320 x 240] -> [160 x 120] Converter ao tons de cinza (só para extração de atributos posterior). 9
10
2. Metodologia->c. Extração de Atributos 10 32 x 2 + 3 + 3 = 70 atributos
11
2. Metodologia->d. Redução de Dimensionalidade 11 Análise de componentes principais (PCA) Dimensionalidade: 70 -> 11 componentes Variância: 99% representada
12
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])
13
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.
14
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).
15
Roteiro 1.Introdução 2.Metodologia 3.Resultados 4.Conclusões 15
16
3. Resultados->a. Base de dados 16 Microsoft Research Cambridge Object Recognition Image Database (MSRCORID) 3215images – 7 classes ClasseN° animal444 buildings412 vegetation501 windows652 bicycles272 cars505 clouds429 Total3215
17
3. Resultados->b. Ferramenta desenvolvida 17 Entorno Qt Creator com Qt 5.02, linguagem C++ e a libraria para gerenciamento de imagens foi OpenCV.
18
3. Resultados->c. Classificação 18 Acurácia do classificador:
19
3. Resultados->c. Classificação 19 Matriz de confusão: Predicted 0123456 Known 04293201100 112314180711 2113373110410 3063487018 4100042710 51285104750 61881011622 Class Animals0 Bicycles1 Buildings2 Cars3 Clouds4 Vegetation5 Windows6
20
3. Resultados->d. Recuperação de Imagens 20 Resultados obtidos:
21
3. Resultados->d. Recuperação de Imagens 21 Resultados obtidos:
22
3. Resultados->d. Recuperação de Imagens 22 Resultados obtidos:
23
3. Resultados->d. Recuperação de Imagens 23 Resultados obtidos:
24
3. Resultados->d. Recuperação de Imagens 24 Resultados obtidos:
25
3. Resultados->d. Recuperação de Imagens 25 Resultados obtidos:
26
3. Resultados->d. Recuperação de Imagens 26 Resultados obtidos:
27
3. Resultados->d. Recuperação de Imagens 27 Resultados obtidos:
28
3. Resultados->d. Recuperação de Imagens 28 Precisão: (19 imagens para consulta)
29
Roteiro 1.Introdução 2.Metodologia 3.Resultados 4.Conclusões 29
30
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.
31
4. Conclusões 31 Devido a organização do código da ferramenta desenvolvida, facilmente se incorporaram mais classificadores para o sistema.
32
Recuperação de Imagens baseada em conteúdo usando filtros do Gabor Pedro M. Achanccaray Diaz Matéria: Mineração de Dados Profa.: Karla Figueiredo Obrigado
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.