Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Análise e Comparação deMétricas de Similaridade
Sumário•   Introdução•   Motivação•   Objetivos•   CBIR•   Consultas por Similaridade•   Extração de Características•   Fu...
• Problema de busca textual pode ser muito  imprecisa.• Utiliza sistemas CBIR (Content-based Image  Retrieval).• Extrair a...
• O avanço tecnológico promoveu um aumento nas  bases de dados em diversas áreas do conhecimento.• Incentivando o desenvol...
• Analisar o relacionamento entre uma dada  função de distância e as características  extraídas das imagens.• Resaltando q...
6
• Representar de forma numérica sucinta de uma  imagem ou parte dela (região de interesse)• COR  Histograma de Níveis de ...
• Leva em conta o quanto duas imagens são  parecidas entre si feitas por uma função que  retorna o valor de distância entr...
• Na literatura são encontrados vários tipos de funções  de distância como por exemplo: Família Minkowsky,  Mahalanobis, C...
Função de Distância10         15              20                                10
11
• Uma abordagem bastante simples e difundida  para avaliar e analisar os resultados são os  conceitos de Precisão e Revoca...
• Base ALOI              13
• Base Imagens Médicas                         14
• Foram extraídos as 3 características das imagens.• Aplica-se as 4 funções de distâncias  implementadas.• Gera-se várias ...
80.00%70.00%                                                                          67.18%60.00%                    55.9...
80.00%70.00%                                                                                                    67.18%60.0...
60.00%         57.05%                                                       56.73%                             50.33%50.00...
60.00%         57.05%                     56.73%                  50.33%50.00%                                            ...
• Implementar novas funções de distâncias e  extratores.• Técnicas que interagem com a percepção  humana (Relevance Feedba...
21
BUENO, J. M. Suporte à Recuperação de Imagens Medica baseadaem Conteúdo através de Histogramas Métricos. Dissertação (Tes...
SMEULDERS, A. W. M. et al. Content-based image retrieval at theend of the early years. IEEE Trans. Pattern Anal. Mach. In...
Upcoming SlideShare
Loading in …5
×

Analise e comparação de métricas de similaridade

1,452 views

Published on

Published in: Education
  • Be the first to comment

  • Be the first to like this

Analise e comparação de métricas de similaridade

  1. 1. Análise e Comparação deMétricas de Similaridade
  2. 2. Sumário• Introdução• Motivação• Objetivos• CBIR• Consultas por Similaridade• Extração de Características• Funções de Distância• Medidas de Avaliação• Metodologia Experimental• Resultados• Trabalhos Futuros• Conclusão 2
  3. 3. • Problema de busca textual pode ser muito imprecisa.• Utiliza sistemas CBIR (Content-based Image Retrieval).• Extrair as características e aplicar as funções de distância retornando a similaridade. 3
  4. 4. • 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
  5. 5. • 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. 6. 6
  7. 7. • 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-ocorrência 7
  8. 8. • 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
  9. 9. • 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
  10. 10. Função de Distância10 15 20 10
  11. 11. 11
  12. 12. • Uma abordagem bastante simples e difundida para avaliar e analisar os resultados são os conceitos de Precisão e Revocação. Conj. Recuperado Relevantes Conj. RecuperadoConj. Relevantes 12
  13. 13. • Base ALOI 13
  14. 14. • Base Imagens Médicas 14
  15. 15. • 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. 16. 80.00%70.00% 67.18%60.00% 55.90% 52.28% 49.80% 50.12% 49.90%50.00% 47.79% 46.75% 44.44% 43.61% 43.13% Histograma de níveis de Cinza40.00% 38.37% Matriz de Co-ocorrência Momentos de Zernike30.00%20.00%10.00% 0.00% 16 Manhattan Euclidiana Cherbyschev Camberra
  17. 17. 80.00%70.00% 67.18%60.00% 55.90% 52.28% 49.80% 49.90% 50.12%50.00% 47.79% 46.75% 44.44% 43.61% 43.13% Manhattan40.00% 38.37% Eucli Cherbyschev Camberra30.00%20.00%10.00% 0.00% 17 Histograma de níveis de Cinza Matriz de Co-ocorrência Momentos de Zernike
  18. 18. 60.00% 57.05% 56.73% 50.33%50.00% 48.70% 41.02% 39.55% 40.13%40.00% 36.29% 35.31% 31.92% 32.44% Histograma de níveis de Cinza30.00% 28.50% Matriz de Co-ocorrência Momentos de Zernike20.00%10.00% 0.00% 18 Manhattan Euclidiana Cherbyschev Camberra
  19. 19. 60.00% 57.05% 56.73% 50.33%50.00% 48.70% 41.02% 40.13% 39.55%40.00% 36.29% 35.31% 31.92% 32.44% Manhattan30.00% 28.50% Euclidiana Cherbyschev Camberra20.00%10.00% 0.00% 19 Histograma de níveis de Cinza Matriz de Co-ocorrência Momentos de Zernike
  20. 20. • Implementar novas funções de distâncias e extratores.• Técnicas que interagem com a percepção humana (Relevance Feedback).• Técnicas de refinamento das pesquisas. 20
  21. 21. 21
  22. 22. BUENO, J. M. Suporte à Recuperação de Imagens Medica baseadaem Conteúdo através de Histogramas Métricos. Dissertação (Tese dedoutorado) — Universidade de São Paulo, 2002.BUGATTI, P. H. Content-based retrieval of medical images bycontinuous feature selection, 2008.FELIPE, J. C. Desenvolvimento de métodos paraextração, comparação e analise de características intrínsecas deimagens 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 featuresfor image classification. IEEE Transactions on Systems, Man, andCybernetics, v. 3, p. 610–621, 1973. 22
  23. 23. SMEULDERS, A. W. M. et al. Content-based image retrieval at theend of the early years. IEEE Trans. Pattern Anal. Mach. Intell., IEEEComputer 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 MachineVision. 1998. 786–804 p.WILSON, D. R.; MARTINEZ, T. R. Improved heterogeneousdistance 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 webdocuments. Advances in Digital Libraries Conference, IEEE, IEEEComputer Society, Los Alamitos, CA, USA, v. 0, p. 58, 2000. 23

×