Analise e comparação de métricas de similaridade
-
Upload
alberth-david -
Category
Education
-
view
640 -
download
5
Transcript of Analise e comparação de métricas de similaridade
Análise e Comparação de Métricas de Similaridade
Sumário • Introdução
• Motivação
• Objetivos
• CBIR
• Consultas por Similaridade
• Extração de Características
• Funções de Distância
• Medidas de Avaliação
• Metodologia Experimental
• Resultados
• Trabalhos Futuros
• Conclusão 2
• Problema de busca textual pode ser muito imprecisa.
• Utiliza sistemas CBIR (Content-based ImageRetrieval).
• Extrair as características e aplicar as funções de distância retornando a similaridade.
3
• O avanço tecnológico promoveu um aumento nas bases de dados em diversas áreas do conhecimento.
• Incentivando o desenvolvimento de ferramentas para a recuperação de imagens.
• Utiliza características ajustadas visando diminuir o
gap semântico.
4
• Analisar o relacionamento entre uma dada função de distância e as características extraídas das imagens.
• Resaltando que o objetivo não é substituir o médico no diagnóstico dado ao paciente.
5
6
• Representar de forma numérica sucinta de uma imagem ou parte dela (região de interesse)
• COR
Histograma de Níveis de Cinza
• FORMA
Momentos de Zernike
• TEXTURA
Matrizes de Co-ocorrência7
• Leva em conta o quanto duas imagens são parecidas entre si feitas por uma função que retorna o valor de distância entre elas.
• A representação de uma imagem através de suas características não é suficiente para determinar a similaridade.
8
• Na literatura são encontrados vários tipos de funções de distância como por exemplo: Família Minkowsky, Mahalanobis, Canberra, Quadrática, Correlação e
Chi-quadrado.
• Euclidiana
o Intuitiva
o Mais utilizada
9
Função de Distância
10 15 20
10
11
• Uma abordagem bastante simples e difundida para avaliar e analisar os resultados são os conceitos de Precisão e Revocação.
Conj. Recuperado
Conj. Relevantes
Conj. Recuperado Relevantes
12
13
• Base ALOI
14
• Base Imagens Médicas
• Foram extraídos as 3 características das imagens.
• Aplica-se as 4 funções de distâncias implementadas.
• Gera-se várias consultas por similaridade.
• Com os resultados das consultas aplica-se a formula de precisão.
15
16
49.80%47.79% 46.75%
43.13%44.44% 43.61%
38.37%
49.90%
55.90%
52.28%50.12%
67.18%
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
70.00%
80.00%
Manhattan Euclidiana Cherbyschev Camberra
Histograma de níveis de Cinza
Matriz de Co-ocorrência
Momentos de Zernike
17
49.80%
44.44%
55.90%
47.79%
43.61%
52.28%
46.75%
38.37%
50.12%
43.13%
49.90%
67.18%
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
70.00%
80.00%
Histograma de níveis de Cinza Matriz de Co-ocorrência Momentos de Zernike
Manhattan
Eucli
Cherbyschev
Camberra
18
57.05%
50.33%
40.13%
56.73%
41.02%
36.29%
28.50%
48.70%
35.31%
39.55%
31.92% 32.44%
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
Manhattan Euclidiana Cherbyschev Camberra
Histograma de níveis de Cinza
Matriz de Co-ocorrência
Momentos de Zernike
19
57.05%
41.02%
35.31%
50.33%
36.29%
39.55%40.13%
28.50%
31.92%
56.73%
48.70%
32.44%
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
Histograma de níveis de Cinza Matriz de Co-ocorrência Momentos de Zernike
Manhattan
Euclidiana
Cherbyschev
Camberra
• Implementar novas funções de distâncias e extratores.
• Técnicas que interagem com a percepção humana (Relevance Feedback).
• Técnicas de refinamento das pesquisas.
20
21
BUENO, J. M. Suporte à Recuperação de Imagens Medica baseada
em Conteúdo através de Histogramas Métricos. Dissertação (Tese de
doutorado) — Universidade de São Paulo, 2002.
BUGATTI, P. H. Content-based retrieval of medical images by
continuous feature selection, 2008.
FELIPE, J. C. Desenvolvimento de métodos para
extração, comparação e analise de características intrínsecas de
imagens medicas, visando à recuperação perceptual por conteúdo.
Dissertação (Doutorado) — Universidade de S ao Paulo, S ao Carlos -
SP, 2005.
HARALICK, R. M. Statistical and structural approaches to texture.
Proceedings of The IEEE, v. 67, p. 786–804, 1979.
HARALICK, R. M.; SHANMUGAN, K.; DINSTEIN, I. Textural features
for image classification. IEEE Transactions on Systems, Man, and
Cybernetics, v. 3, p. 610–621, 1973.
22
SMEULDERS, A. W. M. et al. Content-based image retrieval at the
end of the early years. IEEE Trans. Pattern Anal. Mach. Intell., IEEE
Computer Society, Washington, DC, USA, v. 22, p. 1349–
1380, December 2000. ISSN 0162-8828. Disponível em:
<http://portal.acm.org/citation.cfm?id=357871.357873>.
SONKA M., H. V. e. B. R. Image Processing: Analysis and Machine
Vision. 1998. 786–804 p.
WILSON, D. R.; MARTINEZ, T. R. Improved heterogeneous
distance functions. J. Artif. Int. Res., AI Access Foundation, USA, v.
6, p. 1–34, January 1997. ISSN 1076-9757.
Disponível em:
<http://portal.acm.org/citation.cfm?id=1622767.1622768>.
ZHANG, C. et al. Webssql - a query language for multimedia web
documents. Advances in Digital Libraries Conference, IEEE, IEEE
Computer Society, Los Alamitos, CA, USA, v. 0, p. 58, 2000.
23