For more information, visit this paper available in: http://www.ijcaonline.org/specialissues/sedex/number1/8358-1009

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.

10. Résultats

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

12. Questions ?