O documento descreve uma análise e comparação de métricas de similaridade para sistemas de recuperação de imagens por conteúdo. Ele apresenta métodos de extração de características de imagens, funções de distância e avalia o desempenho destas métricas em duas bases de dados usando precisão como métrica. Os resultados mostram que a função Euclidiana teve melhor precisão quando aplicada ao histograma de níveis de cinza.

1. Análise e Comparação de
Métricas de Similaridade

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. • 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. • 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. • 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

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. • 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. • 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. Função de Distância
10 15 20
10

11. 11

12. • Uma abordagem bastante simples e difundida
para avaliar e analisar os resultados são os
conceitos de Precisão e Revocação.
Conj. Recuperado Relevantes
Conj. Recuperado
Conj. Relevantes
12

13. • Base ALOI
13

14. • Base Imagens Médicas
14

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. 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 Cinza
40.00% 38.37%
Matriz de Co-ocorrência
Momentos de Zernike
30.00%
20.00%
10.00%
0.00%
16
Manhattan Euclidiana Cherbyschev Camberra

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%
Manhattan
40.00% 38.37% Eucli
Cherbyschev
Camberra
30.00%
20.00%
10.00%
0.00%
17
Histograma de níveis de Cinza Matriz de Co-ocorrência Momentos de Zernike

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 Cinza
30.00% 28.50%
Matriz de Co-ocorrência
Momentos de Zernike
20.00%
10.00%
0.00%
18
Manhattan Euclidiana Cherbyschev Camberra

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%
Manhattan
30.00% 28.50% Euclidiana
Cherbyschev
Camberra
20.00%
10.00%
0.00%
19
Histograma de níveis de Cinza Matriz de Co-ocorrência Momentos de Zernike

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

22. 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

23. 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