Estudo dos descritores de características primitivas

Transcrição

1 Estudo dos descritores de características primitivas Lucas Moreno de Araujo¹, Fernando Luiz de Oliveira¹ 1 Curso de Sistemas de Informação Centro Universitário Luterano de Palmas (CEULP/ULBRA). Teotônio Segurado 1501 SUL Palmas TO Brasil. {lucasmaraujo,nandoluiz.br}@gmail.com Resumo: O processamento de imagens digitais envolve o estudo de diversos conceitos, como os descritores de características primitivas (cor, textura e forma). Durante a realização deste trabalho, foram estudados diversos conceitos referentes às características primitivas e seus respectivos descritores. A partir desses estudos foi criado um conjunto de métodos para extração de vetores de características. Palavras-Chave: Processamento de imagens digitais, vetores de características, cor, textura, forma. 1. Introdução Em Sistemas de Recuperação Baseada em Conteúdo, os principais esforços são voltados para o desenvolvimento ou melhoramento de técnicas que possam extrair um conjunto relevante de características a partir de uma imagem, de modo que tal conjunto possa caracterizá-la em posteriores processos de recuperação de informação (BALAN, 2007, p. 2). As características que são extraídas de uma imagem constituem o que é denominado de vetor de características. Esses vetores são utilizados, por exemplo, em processos de verificação de similaridade, que definem o conjunto de imagens mais similares a uma determinada imagem utilizada como parâmetro. Atualmente, as técnicas que criam os vetores de características mais eficazes utilizam um grande número de elementos para caracterizar a imagem, o que representa um alto custo computacional, tanto para a criação do vetor, como também para a recuperação. Entre essas características, consideram-se alguns elementos primitivos, fornecidos através da análise de cores, padrões de textura e forma. Essas características são denominadas de características primitivas. O objetivo deste trabalho é explorar uma parte da área de Recuperação de Imagens Baseada em Conteúdo: a extração de descritores de imagens (vetores) a partir de características primitivas. Essa exploração consiste no estudo dos principais conceitos encontrados na literatura e na posterior aplicação desses conceitos para o desenvolvimento de um conjunto de métodos para extração de características primitivas de uma imagem. XIII Encoinfo Encontro de Computação e Informática do Tocantins 169

2 2. Imagem Uma imagem pode ser definida como uma função f(x, y) de duas dimensões, onde x e y são coordenadas planas, e a amplitude de f para cada par de coordenadas é chamado de intensidade [ou tom]... (GONZALEZ, WOODS AND EDDINS, 2004, p. 12). Quando os valores fornecidos por essa função podem ser representados no meio discreto, classifica-se essa imagem como sendo digital. Em outras palavras, pode-se dizer que uma imagem digital é uma matriz de duas dimensões, sendo que cada posição da matriz é ocupada por um número (ou conjunto de números) que representa uma cor para aquele ponto da imagem. Cada ponto da imagem é denominado de pixel (do inglês picture element) (CASTAÑÓN, 2003, p. 8). Dependendo do contexto da aplicação, torna-se inviável trabalhar sempre com todos os pixels de uma imagem. Castañón (2003, p. 8-9) afirma que por causa dessa dificuldade de trabalhar com a totalidade de uma imagem, há a necessidade de representá-la através de um elemento que a caracterize. Esse elemento é composto de novas variáveis que são calculadas com base em um conjunto de características prédeterminadas. Segundo Gudivalda e Raghavan (1995 apud CARITÁ, 2006, p ), os sistemas de Recuperação de Imagens Baseado em Conteúdo se diferem em diversos aspectos, entre eles, as características utilizadas para fazer as comparações de similaridade. Essas características podem ser tanto primitivas como lógicas. As características primitivas são referentes a recursos de baixo nível existentes em uma imagem. Nesse conjunto, encontram-se cor, textura e forma. Já o grupo de características lógicas compreende abstrações semânticas, como por exemplo, o significado de cada objeto presente na imagem. Ainda conforme esses autores, as características primitivas devem ser extraídas de uma imagem de forma automática, com o auxílio de ferramentas e algoritmos que possam captá-las. Já as características lógicas são extraídas manualmente, sendo que o processo de extração envolve a abstração dos objetos da imagem seguida da definição da função de cada um deles no contexto e estabelecimento de relações entre os mesmos. Quando se estudam conceitos referentes às características primitivas de imagens, utiliza-se um recurso denominado vetor de características. Um vetor de características é uma representação numérica sucinta de uma imagem ou parte da imagem (um objeto) caracterizando medidas dos aspectos representativos do objeto (CASTAÑÓN, 2003, p. 7). As seções seguintes apresentarão a definição e características dos descritores primitivos de imagens, que compõem o foco deste trabalho. 3. Cor A cor pode ser definida como um fenômeno perceptual da luz quando incide e é refletida (OSHIRO E GOLDSCHMIDT, 2008, p. 3-4). A modelagem das cores é de suma importância para os sistemas que trabalham com imagens digitais. Isso se deve ao fato de que o processamento dessas imagens dependerá da manipulação coerente e precisa das informações presentes na mídia em questão (SEVERINO JUNIOR, 2009, p. 34). As cores são representadas através de uma estrutura denominada histograma de cores. 170 XIII Encoinfo Encontro de Computação e Informática do Tocantins

3 Caritá (2006, p. 62) afirma que um histograma apresenta a quantidade de pixels de cada cor existentes na imagem. Ele ressalta ainda que essa distribuição de cores é invariante em relação à translação e rotação das imagens, ou seja, não apresentam informações de localização a respeito dos pixels. Esse descritor é largamente utilizado em sistemas de recuperação de imagens por conteúdo, dada a simplicidade do processamento necessário para a extração e posterior comparação dos valores presentes no histograma. Oshiro e Goldschmidt (2008, p. 5) explicam que o processo para criação de um histograma de cores para uma determinada imagem é composto de duas etapas: varredura da imagem para a indexação de todas as cores que estão presentes e contagem do número de pixels para cada cor indexada na etapa anterior. Em imagens com uma grande quantidade de cores, seria inviável trabalhar com uma estrutura de dados que armazenasse as quantidades de pixels para as 16,7 milhões de cores. Sendo assim, para representar a cor, pode-se utilizar uma metodologia baseada no sistema de representação de cores RGB: calcula-se três histogramas, cada um considerando somente a intensidade de uma das três cores para cada pixel presente na imagem. Tem-se, portanto, três estruturas de dados que armazenam 256 valores cada uma. 4. Textura Devido à diversidade de texturas existentes na natureza, não há como defini-las formalmente. Não existe uma definição clara de textura, mas os autores concordam em defini-la como as mudanças na intensidade da imagem que formam determinados padrões repetitivos (TUCERYAN AND JAIN, 1993 apud CASTAÑÓN, 2003, p. 11). Sendo assim, a textura está relacionada a propriedades como suavidade, rugosidade e regularidade. É possível encontrar na literatura três abordagens para a característica textura: estruturais, estatísticas e espectrais. Neste trabalho, considerou-se somente as duas últimas abordagens citadas. As abordagens mais comumente utilizadas em trabalhos científicos são as estáticas, também conhecidas como estatísticas. Segundo Gonzalez e Woods (2000 apud Caritá, 2006, p. 65), as abordagens estatísticas são utilizadas para trabalhar com imagens que não sejam muito grandes. Essa abordagem considera a distribuição dos tons de cinza presentes na imagem e o relacionamento entre eles (OSHIRO E GOLDSCHMIDT, 2008, p. 9). Esses autores afirmam que, para trabalhar com os principais descritores de textura presentes nessa abordagem, é necessário armazenar as características extraídas da imagem em uma estrutura denominada matriz de coocorrência de níveis de cinza. Nascimento (2003, p. 51) define uma matriz de co-ocorrência de níveis de cinza (do inglês Gray Level Co-Occurrence Matrix) como uma estrutura que armazena informações de uma imagem verificando o relacionamento entre os diversos níveis de cinza existentes na mesma. Sendo assim, para utilizar essas matrizes, é preciso que a imagem apresente somente tons de cinza. O tamanho de uma matriz de co-ocorrência é igual ao quadrado do número de tons de cinza existentes na imagem. Para preencher essa matriz, deve-se fazer uma varredura na imagem para verificar as transições entre os tons de cinza dos pixels vizinhos. XIII Encoinfo Encontro de Computação e Informática do Tocantins 171

4 Durante a varredura, as comparações ocorrem entre dois pixels, um chamado de pixel de referência e o outro denominado pixel vizinho (OSHIRO E GOLDSCHMIDT, 2008, p. 9). Assim, conforme Schwartz (2005 apud OSHIRO E GOLDSCHMIDT, 2008, p. 9).... tem-se que o elemento P(m, n) da matriz de co-ocorrência representa o número de transições entre os níveis de cinza m e n presentes na textura. Isso significa que na posição P(1,2) da matriz de co-ocorrência, deve-se armazenar a quantidade de transições encontradas entre um pixel e seu vizinho nas quais o pixel de referência apresenta intensidade de cinza igual a 1 e o pixel vizinho apresenta intensidade igual a 2. Depois da contagem, é preciso normalizar a matriz (dividindo cada elemento pela soma de todos eles). Haralick et al. (1973, p. 613) propuseram quatorze descritores estatísticos para representar as características de textura presentes em uma imagem, sendo que essas medidas são extraídas a partir de uma matriz de co-ocorrência de níveis de cinza normalizada. A Tabela 1 apresenta a fórmula matemática para cálculo de alguns desses descritores e seu respectivo significado. As fórmulas para os descritores foram extraídas de Nascimento (2003, p ) e seus respectivos significados foram baseados em Ito et al. (2009, p. 6). Tabela 1: Descritores de Haralick Descritor Significado Fórmula matemática Segundo momento angular Entropia Contraste Variância Correlação Homogeneidade Indica a uniformidade da textura (quantidade de repetições para os pares de pixels presentes na imagem). Apresenta valores mais altos se a imagem está ordenada. Mede a desordem da imagem. Esse descritor está relacionado de forma inversa ao segundo momento angular. Estimativa que indica a variação entre os tons de cinza para cada par de pixels vizinhos presentes na imagem. Valores presentes na diagonal da matriz de coocorrência indicam pouco contraste. Mede a heterogeneidade da textura. Quanto maior a diferença entre os valores dos tons de cinza e sua média, maior a variância. Indica a dependência linear entre os níveis de cinza existentes na imagem, ou seja, o quão um pixel está correlacionado ao pixel vizinho. Esses valores variam na faixa de -1 a 1. Como o próprio nome sugere, mede a homogeneidade da textura presente em uma imagem. Esse descritor está relacionado de forma inversa ao contraste, ou seja, apresenta valores pequenos quando há baixa variação entre os níveis de cinza da imagem. SMA = P(i, j)² E = log(p(i, j)) P(i, j) C = P(i, j)(i j) 2 σ x 2 = P(i, j)(x μ x ) 2 C = P(i, j) [ (i μ i)(j μ j ) ] (S i )(S j ) P(i, j) H = 1 + (i j) XIII Encoinfo Encontro de Computação e Informática do Tocantins

5 Ferreira (2005, p. 23) afirma que, no domínio no qual as imagens são trabalhadas nas abordagens estruturais e estatísticas, há variações de brilho ou cor, que prejudicam a representação fiel das características da imagem. Este domínio é denominado domínio do espaço. Sendo assim, é preciso representar a imagem no que é denominado domínio de frequência, também conhecido por domínio dos sinais ou ainda domínio de Fourier. Esta última denominação advém do nome da principal ferramenta de trabalho presente neste domínio, a Transformada de Fourier. A utilização deste outro domínio constitui o que é conhecido por abordagens espectrais. Stein (2005, p. 29) afirma que no domínio de frequências, pode-se detectar os padrões de textura. Transformada de Fourier (TF) é definida como uma... poderosa ferramenta de análise de sistemas lineares. Ela nos permite quantificar os efeitos da digitalização de sistemas, [...] ruído e pontos de exibição (CASTLEMAN, 1996, p. 171). Segundo Ferreira (2005, p. 23), essa transformada é utilizada para converter uma imagem do domínio do espaço para o domínio de frequência. Isso significa que a imagem é decomposta em diversas funções de seno e cosseno, produzindo uma imagem em que cada ponto possui uma frequência diferente. Essas frequências possibilitam recuperar dados acerca das intensidades de variação dos tons presentes na imagem. As baixas frequências do espectro são responsáveis pelas variações de tom mais suaves, enquanto que as altas frequências são responsáveis pelos detalhes da imagem (FERREIRA, 2005, p. 13). 5. Forma A forma é um importante atributo para análise de imagens de diversas áreas, como meteorologia, por exemplo, para a identificação de tipos de nuvens em imagens do céu e medicina, sendo útil na identificação da natureza de tumores. Os seres humanos conseguem distinguir facilmente as formas presentes em uma imagem, apontando quais objetos a compõem. Porém, o custo computacional para a delimitação das formas é alto, ainda mais se a imagem apresenta problemas, como ruídos e distorções. As formas podem ser distinguidas entre si com facilidade pelos seres humanos. Tal distinção só exige conhecimentos básicos acerca de geometria, mas para o computador, esse processo de reconhecimento tem um alto custo. Santana (2008, p. 17) diz que a dificuldade é justificada pelo fato de que, para utilizar a forma como atributo de recuperação e comparação de imagens, é preciso segmentar os objetos de interesse e conhecer suas dimensões. Zhang e Lu (2002, p. 1) dividem os descritores de forma em dois tipos: descritores baseados em contorno e descritores baseados em região. Santos (2007, p. 25) afirma que para ambos os tipos ainda pode ser feita uma nova divisão: descritores globais e estruturais. Os descritores globais compreendem a forma como um todo, enquanto os descritores estruturais utilizam primitivas, como figuras geométricas para a identificação da forma. Entre os principais descritores de forma, destacam-se perímetro, área, assinatura de forma e momentos invariantes geométricos. A próxima seção apresenta informações acerca dos métodos implementados para a extração de características primitivas. XIII Encoinfo Encontro de Computação e Informática do Tocantins 173

6 6. Implementação O desenvolvimento do conjunto de métodos e os testes foi realizado no software Microsoft Visual Studio 2010, utilizando a linguagem C#. Esse software consiste em um ambiente de desenvolvimento para aplicações diversas, que podem ser construídas com várias linguagens presentes no framework.net, que objetiva prover um ambiente de desenvolvimento único. Além do C#, existem mais de vinte linguagens que são suportadas por esse framework, como o Visual Basic e o ASP.NET. Um dos recursos do framework.net amplamente utilizados durante a programação foi o namespace System.Drawning. Esse namespace engloba um conjunto de funcionalidades para trabalhar com elementos gráficos, permitindo, por exemplo, instanciar um elemento do tipo Bitmap e posteriormente recuperar as informações presentes na imagem, como a intensidade de cada pixel de acordo ao sistema de representação de cores RGB. Para facilitar a implementação, utilizou-se ainda o framework AForge.NET ( Esse framework, desenvolvido em C# por Andrew Kirillov, tem um conjunto de classes e métodos para trabalhar com diversas áreas da computação, como visão computacional, processamento de imagens, processamento de vídeos, robótica, lógica fuzzy e algoritmos de aprendizado de máquina. Para utilizá-la, é necessário configurar o projeto de modo que ele referencie os arquivos que estão sendo utilizados. Esses arquivos se encontram na pasta em que o framework foi instalado. Foi desenvolvido um conjunto de métodos para a extração de diversos descritores de imagens, que contemplam as três características primitivas: cor, textura e forma. A Tabela 2 apresenta uma lista dos métodos implementados. Tabela 2: Métodos implementados Método public static int[] HistogramaRGB(Bitmap img) public static double[,] GerarMC0(Bitmap img) public static double[,] GerarMC45(Bitmap img) public static double[,] GerarMC90(Bitmap img) public static double[,] GerarMC135(Bitmap img) public static double[,] Normalizar(double[,] matriz) public static double SMA(double[,] matrizn) public static double Entropia(double[,] matrizn) public static double Contraste(double[,] matrizn) public static double MediaHorizontal(double[,] matrizn) public static double MediaVertical(double[,] matrizn) public static double Variancia(double[,] matrizn) Descrição Extração do histograma de cores, com base no sistema de representação de cores RGB. Cálculo da matriz de ocorrência de níveis de cinza, considerando o ângulo de 0º. Cálculo da matriz de ocorrência de níveis de cinza, considerando o ângulo de 45º. Cálculo da matriz de ocorrência de níveis de cinza, considerando o ângulo de 90º. Cálculo da matriz de ocorrência de níveis de cinza, considerando o ângulo de 135º. Normalização de uma matriz de coocorrência de níveis de cinza. Cálculo do Segundo Momento Angular. Cálculo da Entropia. Cálculo do Contraste. Cálculo da Média Horizontal. Cálculo da Média Vertical. Cálculo da Variância. 174 XIII Encoinfo Encontro de Computação e Informática do Tocantins

7 public static double Correlacao(double[,] matrizn) public static double Homogeneidade(double[,] matrizn) public static double[] DescritoresHaralick(Bitmap img) public static double[] AplicarTransformadaFourier(Bitmap img) public static double Perimetro(Bitmap img) public static double Area(Bitmap img) public static double[] CaracteristicasForma(Bitmap img) public static double AssinaturaForma(Bitmap img) private static double NormalizarMomentoCentral(double momentopq, double momento00, double p, double q) public static double[] MomentosInvariantes(Bitmap img) Cálculo da correlação. Cálculo da homogeneidade. Método para agrupar os cálculos dos descritores de Haralick. Extração dos coeficientes de Fourier. Cálculo do perímetro. Cálculo da area. Método para agrupar os cálculos dos descritores de forma. Cálculo da assinatura de forma baseada na distância em relação ao centróide. Normalização do momento central. Cálculo dos momentos geométricos invariantes. De uma forma geral, esses métodos recebem como parâmetro uma imagem do tipo Bitmap e retornam como resultado um vetor numérico contendo as características extraídas da imagem. Além disso, todos os métodos devem percorrer cada pixel da imagem para extrair uma determinada característica e utilizá-la posteriormente. Essa varredura de pixels é feita sempre da mesma forma: dois laços de repetição for, sendo um aninhado dentro de outro, sendo que o externo indica a posição do pixel de acordo à largura da imagem e o interno indica a posição do pixel quanto à altura. O primeiro método tem a finalidade de extrair o histograma de cores do sistema RGB de uma imagem passada como parâmetro. Durante a varredura, captura-se a quantidade de vermelho, verde e azul presente no pixel que está sendo analisado. Após a captura, os resultados são colocados em uma matriz de contadores (números que representam a quantidade de um determinado elemento) que apresenta três linhas e duzentos e cinquenta e seis colunas (cada linha representa uma cor e cada coluna uma intensidade para a cor em questão, já que a quantidade de intensidades de cada cor pode assumir 256 valores, do 0 até o 255). Considerando, por exemplo, um pixel com intensidades de vermelho, verde e azul iguais a 10, 20 e 30 respectivamente, tem-se o incremento de um contador na posição [0, 10], [1, 20] e [2, 30]. Sendo assim, sabe-se a quantidade de pixels de acordo à intensidade da cor. Após a implementação do histograma de cores, foram implementados métodos que trabalham com a imagem para calcular as matrizes de co-ocorrência de níveis de cinza. Nesse contexto, encontram-se cinco métodos, quatro deles responsáveis pelo cálculo da matriz para um determinado ângulo (0º, 45º, 90º e 135º) e outro responsável por normalizar uma matriz recebida como parâmetro. A distância entre um pixel de referência e um pixel vizinho que foi considerada no trabalho é igual a um. Esses métodos apresentam duas etapas: conversão para tons de cinza e comparações de intensidades entre os pixels. Essa conversão é realizada com um recurso presente no framework AForge.NET. Para utilizar esse recurso, é necessário instanciar um objeto da classe Grayscale e posteriormente deve-se invocar, a partir dessa instância, o método Apply, que recebe como parâmetro uma imagem do XIII Encoinfo Encontro de Computação e Informática do Tocantins 175

8 tipo Bitmap. Esse método é responsável pela aplicação do filtro na imagem, que passa a ter 256 tons de cinza, representados pelo intervalo de 0 a 255. Após a conversão, ocorre a varredura em todos os pixels. A cada iteração do laço de repetição, são capturados o pixel de referência e os pixels vizinhos de acordo ao ângulo contemplado no método e é realizada a comparação entre suas intensidades de tons. O resultado dessa comparação é armazenado em uma matriz contendo 256 linhas e 256 colunas, que é o elemento retornado pelos métodos que calculam a matriz de coocorrência. À medida que ocorre a varredura, é contabilizado o número de transições de tons de cinza que ocorrem entre um pixel e seus vizinhos na horizontal, ou seja, posições x +1 (direita) e x 1 (esquerda). Considerando, por exemplo, um pixel com intensidade igual a 100, e o seu vizinho da direita com intensidade igual a 150, deve-se incrementar um contador na posição [100, 150] da matriz de co-ocorrência, indicando que houve mais uma ocorrência dessa transição. Os métodos para cálculo das matrizes de co-ocorrência retornam matrizes que são utilizadas pelos métodos responsáveis por calcular os descritores de Haralick. Esses métodos implementam a lógica matemática apresentada na revisão de literatura deste trabalho. Os descritores implementados foram os seguintes: segundo momento angular, entropia, contraste, variância, correlação e homogeneidade. Deve-se ressaltar algumas particularidades: No método de cálculo da entropia, foi preciso verificar se era possível calcular o logaritmo de cada valor presente na matriz de co-ocorrência, visto que é impossível determinar log 0. Para esses casos, assumiu-se que log 0 * 0 = 0 (NASCIMENTO, 2003, p. 60); O cálculo da variância pode ser realizado utilizando tanto o i como j, pois as matrizes de co-ocorrência são simétricas, portanto, a escolha do parâmetro a ser utilizado nos cálculos não interfere no resultado final do descritor. Nesse trabalho, o parâmetro utilizado foi o i. Além dos descritores de Haralick, foi implementado um método para a extração dos coeficientes de Fourier. O método inicialmente converte a imagem recebida como parâmetro para tons de cinza (essa conversão é realizada da mesma forma que nos descritores de Haralick). Os próximos passos foram implementados a partir de recursos do framework AForge.NET Posteriormente, é instanciado um objeto do tipo ComplexImage e executado o método FromFile, que por sua vez, recebe como parâmetro a imagem após a conversão. A partir dessa imagem complexa, foi utilizado o método FowardFourierTransform, que aplica a transformada de Fourier na imagem. O resultado da transformada fica armazenado na variável que determina a imagem complexa.. Como esses valores representam um padrão periódico, determinou-se que somente as magnitudes dos primeiros cento e vinte e oito coeficientes seriam retornadas pelo método, constituindo, portanto, um vetor de características contendo 128 posições. Para descrição da imagem contemplando a característica forma, foram implementados os descritores: perímetro, área, assinatura de forma (baseada na distância do centróide) e os momentos invariantes geométricos. Os métodos que calculam o perímetro e a área foram encapsulados em um método único que retorna um vetor de duas posições, contendo seus respectivos valores. 176 XIII Encoinfo Encontro de Computação e Informática do Tocantins

9 Para calcular o perímetro, foi necessário segmentar a imagem, permitindo que os contornos fossem ressaltados. Antes da segmentação, a imagem foi convertida para tons de cinza (da mesma forma que em métodos apresentados anteriormente) e depois ela foi submetida a um filtro presente no framework AForge.NET, denominado CanyEdgeDetector. Para utilizar esse filtro, deve-se instanciar um objeto da classe CanyEdgeDetector, e a partir dele, chamar o método ApplyInPlace, que recebe como parâmetro a imagem que será segmentada. O cálculo da área foi mais simples, visto que as imagens utilizadas no trabalho para análise da forma, por natureza, apresentam características de segmentação por região, visto que as imagens apresentavam fundo branco e um objeto na cor azul. Sendo assim, durante a varredura, foi necessário somente contar os pixels que possuíam tonalidade diferente de 255 (cor branca). Para o cálculo da assinatura de forma, inicialmente foi necessário aplicar a conversão para tons de cinza e posterior segmentação da imagem (conforme apresentado nos métodos anteriores). Posteriormente, utilizou-se uma coleção do tipo List para armazenar o conjunto de pontos que faziam parte do contorno da forma. Para o cálculo dos momentos invariantes geométricos, inicialmente é necessário percorrer toda a imagem para descobrir quais são os pontos presentes na região da forma que será descrita. A partir dessa varredura, os pontos (representados pela classe ParOrdenado) são armazenados em uma coleção do tipo List. Posteriormente, são realizados os cálculos dos momentos centrais, a normalização desses valores e por fim, são calculados os momentos de Hu. 7. Considerações Finais As imagens são fontes valiosas de informação em diversos contextos. Para extrair informações de uma imagem, os estudiosos utilizam um conjunto seleto de características da mesma, denominado descritor, também conhecido por vetor de características. Esses descritores são utilizados para representar uma imagem de forma mais simples, possibilitando a posterior utilização dessas informações para verificações de similaridade entre duas imagens, por exemplo. A utilização de características de imagens em tais situações deu origem à área de estudos denominada Recuperação de Imagens Baseada em Conteúdo. Nesse contexto surgem diversas perguntas: quais são os descritores que representam uma imagem de forma mais eficiente? Quais características devem ser levadas em consideração e quais devem ser descartadas ao selecionar um conjunto de características para fazer essa representação? Como será realizada a comparação entre os vetores de características para definir quais imagens são mais similares? A proposta deste trabalho foi de tentar responder, ou pelo menos fornecer subsídios a todos esses questionamentos. Para isso, foram estudadas as principais características apontadas pelos estudiosos como fonte de descritores de imagem: cor, textura e forma. Além dos conceitos de cada uma, foram abordados diversos descritores no decorrer do trabalho, alguns de alta complexidade, porém grande eficiência no que tange à descrição de uma imagem. Tendo em vista um melhor entendimento dos conceitos estudados, foi criado um conjunto de métodos para extração de vetores de características a partir de imagens. XIII Encoinfo Encontro de Computação e Informática do Tocantins 177

10 A partir dos estudos presentes neste trabalho, é possível ter uma noção dos principais conceitos referentes à recuperação de imagens por conteúdo. Além disso, visualizam-se diversas áreas para aprofundamento dos estudos, tanto no campo de criação de novos descritores que possam representar uma imagem de forma mais compreensível como ainda a realização de estudos e aplicações específicos a um contexto. Por exemplo, como trabalho futuro pode ser citado o reconhecimento de padrões faciais para a identificação de pessoas com base nas características da face. Outra ideia é o desenvolvimento de um Sistema de Recuperação de Imagens Baseada em Conteúdo, contemplando desde estudos de indexação e armazenamento das imagens, combinação de descritores, análise de arquitetura da informação desse sistema e a possibilidade de usuários fornecerem feedback para melhorar a qualidade das consultas realizadas. 8. Referências Bibliográficas CASTAÑÓN, César Armando Beltrán. Recuperação de Imagens por Conteúdo através de análises multiresolução por Wavelets p. Dissertação (Mestrado em Ciências da Computação e Matemática Computacional) Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. FERREIRA, Márcio Júnior Ribeiro. Um modelo de recuperação de imagens por conteúdo através da quantização do espectro de Fourier p. Dissertação (Mestrado em Ciência da Computação) Faculdade de Computação, Universidade Federal de Uberlândia, Uberlândia. GONZALEZ, Rafael C. WOODS, Richard E. EDDINS, Steven L. Digital image processing using Matlab. Uppler Saddle River: Prentice Hall, p. Haralick, Robert M. SHANMUGAN, K. DINSTEIN, Its hak. Texture features for image classification. IEEE Transactions on Systems, Man and Cybernetics, v. SMC- 3, n. 6, p , nov LYRA, Wellington da Silva. Espectrometria de emissão em chama baseada em imagens digitais p. Dissertação (Mestrado em Química) Universidade Federal da Paraíba, João Pessoa. NASCIMENTO, João Paulo Ribeiro. Análise e classificação de imagens baseada em características de textura utilizando matrizes de co-ocorrência p. Dissertação (Programa de Pós-Graduação em Informática, Setor de Ciências Exatas) Universidade Federal do Paraná, Curitiba. OSHIRO, Seimou Hamilton. GOLDSCHMIDT, Ronaldo Ribeiro. Processamento de Imagens p. Monografia (Graduação em Sistemas e Computação) Seção de Engenharia de Computação, Instituto Militar de Engenharia, Rio de Janeiro. SANTANA, Rodolfo Charamba. Uma aplicação de CBIR à análise de imagens médicas de imuno-histoquímica utilizando morfologia matemática e espectro de padrões p. Monografia (Graduação em Engenharia da Computação) Escola Politécnica de Pernambuco, Universidade de Pernambuco, Recife. SEVERINO JUNIOR, Osvaldo. Mistura de cores: uma nova abordagem para processamento de cores e sua aplicação na segmentação de imagens p. Tese (Doutorado em Engenharia Elétrica) Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. ZHANG, Dengsheng. LU, Guojun. Review of shape representation and description techniques. Pattern Recognition, Churchill, n. 37, p. 1-19, XIII Encoinfo Encontro de Computação e Informática do Tocantins