Image Annotation using Moments and Multilayer Neural Networks, Presentation sedexs'12
1. International Conference on Software Engineering, Databases and Expert
Systems(SEDEXS'12)
IMAGE ANNOTATION
USING MOMENTS AND
MULTILAYER NEURAL
NETW ORKS
June 14 -16, 2012
Settat, Morocco Présenté par : M. OUJAOURA
2. Plan
Introduction
Système d’annotation
Segmentation
Extraction des attributs
Classification et Annotation
Résultats
Conclusion et Perspectives
3. Introduction
Diversité des sources d’informations.
Enorme quantité d’information.
Importance et pertinence de l’information.
Temps de traitement d’information.
Besoin d’automatisation du traitement
d’information.
Recherche d’information textuelle /visuelle.
Annotation automatique d’image.
4. Système d’annotation
Image Features Annotation Classifier
Image
Segmentation Extraction keywords & Modeling &
Database
Features training
Database
Query Image Features Annotation
Image Segmentation Extraction Classifier Results
5. Système d’annotation:
Segmentation
Tant Que l’image n’est pas
entièrement segmentée;
1- Choisir un pixel p non
k
étiqueté;
2- Fixer la moyenne de la
région sur l’intensité du pixel
pk;
3- Considérer les pixels voisins
non étiqueté pkj;
Si |intensité du pixel –
moyenne de la région k| <
seuil;
Ajouter le pixel à la région k.
Mettre à jour la moyenne de la
région k et retour à l’étape ;
Sinon k = k + 1 et retour à
l’étape .
FinSi;
6. Système d’annotation: Attributs
Méthodes utilisées pour l’extraction des
attributs:
Les 7 Moments de Hu:
[Hu1,Hu2,……,Hu7]
9 Moments de Zernike :
[Z00, Z11, Z20, Z22, Z31, Z33, Z40, Z42, Z44]
10 Moments de Legendre :
[L00, L01, L02, L03, L10, L11, L12, L20, L21,
L30]
7. Système d’annotation:
Classification
Fonction de transfert: hyperbolic tangent
sigmoid
tsig ( x) = 2 (1 + exp( − 2 x ) ) − 1
Input Layer Hidden Layer Output Layer
w w w
* + * + * +
b b b
m 10 n
8. Résultats
Object Hu Zernike Legendre Average
Apple 79,54% 79,54% 92,13% 83,74%
Car 68,53% 83,49% 62,18% 71,40%
Cow 25,14% 41,17% 44,39% 36,90%
Cup 76,57% 58,91% 73,20% 69,56%
Dog 51,57% 70,78% 84,61% 68,99%
Horse 31,83% 53,33% 50,28% 45,15%
Pears 79,99% 69,54% 70,78% 73,44%
Tomato 76,06% 66,49% 76,52% 73,02%
Average 61,15% 65,41% 69,26% 65,27%
9. Résultats
Exemple
d’annotation
automatique
d’image en
utilisant les
moments de
Zernike.
11. Conclusion et Perspectives
Le système d’annotation automatique d’image
proposé donne de bons résultats pour
quelques images qui sont proprement
segmentées.
Les résultats sont affectés par la méthode
utilisé pour l’extraction des attributs de
l’image.
Autres attributs doivent être pris en
considération ainsi que d’autres
classificateurs.
La segmentation d’images reste un challenge