A UTILIZAÇÃO DE MATRIZES DE CO-OCORRÊNCIA ESPACIAL NA BUSCA DE IMAGENS COLORIDAS SIMILARES

Transcrição

1 A UTILIZAÇÃO DE MATRIZES DE CO-OCOÊNCIA ESPACIAL NA BUSCA DE IMAGENS COLORIDAS SIMILARES Marco T.. Tannús a, Edna L. lôres b, Gilberto A. Carrijo b, Antônio C. P. Veiga b, Milena B. P. Carneiro b a EIT-UEMG, ISEPI, Ituiutaba MG, mtt@terra.com.br b UU, aculdade de Engenharia Elétrica, Uberlândia MG, edna@uu.br Resumo - O sucesso dos mecanismos de busca textuais em uso, na Internet, mostra a utilidade de aplicações centradas na procura por inormação relevante em gigantescos repositórios de dados. A busca por semelhança de conteúdo de imagens digitais pode utilizar técnicas que se baseiam na análise de textura e também de cor. Dentre as técnicas que se destacam na análise de textura, as matrizes de co-ocorrência espacial de tons de cinza apresentam resultados bastante satisatórios. Este artigo propõe uma extensão das matrizes de coocorrência espacial aplicável às imagens coloridas. Os descritores propostos são testados e seu desempenho é comparado com o desempenho de descritores importantes deinidos no padrão MPEG-7. O desempenho obtido para o descritor proposto é equivalente ao melhor desempenho obtido pelos descritores do padrão MPEG-7, com a vantagem adicional de ser mais compacto: ele contém, no máximo, 50% dos elementos dos descritores que apresentam desempenho semelhante. Além disso, mostra-se que o descritor proposto é ortogonal aos descritores de desempenho comparável, no sentido de conter inormação discriminatória adicional. Isso permite a combinação do descritor proposto com os demais, com conseqüente incremento no desempenho, o que é mostrado com o resultado de testes adicionais realizados. 1 Palavras-Chave Busca baseada em conteúdo, Matriz de co-ocorrência espacial, Semelhança de Imagens, MPEG-7. THE USE O SPATIAL CO-OCCUENCE MATRICES IN THE SEARCH OR SIMILAR COLOR IMAGES Abstract - The success o textual search engines in use on the Internet, shows the useulness o applications ocused on the search or relevant inormation in huge data repositories. The search by similarity o content o digital images can use techniques that are based on the analysis o both, texture and color. Among the techniques that stand out in texture analysis, spatial gray level cooccurrence matrices bring satisactory results. This article proposes an extension o spatial co-occurrence matrices applicable to color images. The proposed descriptors are tested and their perormance compared with the perormance o important descriptors deined in MPEG-7. The results obtained or the proposed descriptor are equivalent to the one obtained by the descriptors o MPEG-7, with the added advantage o being more compact: it contains, at most, 50% o the elements o descriptors that have similar perormance. Moreover, it is shown that the proposed descriptor is orthogonal to the descriptors o comparable perormance, in the sense that it contains additional discriminatory inormation. This allows or a combination o the proposed descriptor with others, with consequent increase in perormance, which is shown through the results o additional tests perormed. Keywords - Content Based Image Retrieval, Image Similarity, MPEG-7, Spatial Co-occurrence Matrix. I. INTRODUÇÃO A busca por imagens de conteúdo semelhante em um banco de imagens digitais é um campo de pesquisa promissor. Sua utilidade pode ser estimada pelo sucesso dos mecanismos de busca textuais em uso, atualmente, na Internet. A busca por imagens semelhantes desenvolveu-se a partir de pesquisas que objetivavam a classiicação automática de dierentes tipos de imagens, como mostrado em Haralick et al. [1] e em Baraldi e Parmiggiani [2]. Inicialmente, os estudos baseavam-se nas características texturais. Limitações severas no hardware disponível dirigiam os estudos para características que necessitavam de poder computacional mais modesto. Haralick [3] apresenta uma revisão bibliográica que expõe as principais técnicas estatísticas e estruturais existentes na década de Entre as abordagens apresentadas, mencionam-se a utilização da autocorrelação para a determinação de padrões repetitivos, as técnicas que utilizam transormadas, a análise da distribuição de bordas, a utilização das matrizes de co-ocorrência de níveis de cinza, a análise de comprimentos de corridas [4-6] e as medições de densidades de bordas e densidades de extremos. Tamura propôs um conjunto de indicadores derivados dos valores de intensidade da imagem [7]. Ele visava medir a correlação entre esses indicadores e a percepção de conceitos visuais tais como granularidade e rugosidade, entre outros. Isso permitiria uma descrição das texturas presentes nas imagens de uma orma naturalmente perceptível pelo

2 homem. Seu trabalho oi ampliado por Amadasun e King [8], que propuseram novas características de percepção visual. Uma linha de pesquisa alternativa utilizava bancos de iltros para a extração de características texturais. Na década de 1990, Randem e Husoy [9] apresentaram uma revisão de técnicas de extração de características baseadas nesse princípio. Vários trabalhos publicados apresentaram resultados expressivos [10-16]. Os espectros de textura oram propostos no inal da década de 1980 por He e Wang [17,18] baseados no histograma de ocorrência de determinados padrões binários na imagem. Essa idéia oi aprimorada na década posterior, com a proposta dos padrões binários locais por Ojala e Pietikäinen [19-22], que reportaram resultados signiicativos nas áreas de reconhecimento, segmentação e determinação de semelhanças. A utilização das matrizes de co-ocorrência na análise de imagens digitais oi proposta por Haralick e outros [1]. Nesse trabalho, os autores objetivavam classiicar microotograias de rochas sedimentares, imagens aerootogramétricas e dados provenientes de imagens de satélite por meio de características derivadas dessas matrizes, então denominadas de matrizes de dependência espacial angular de níveis de cinza entre vizinhos próximos. O índice de acerto relatado nesse trabalho oi da ordem de 80%. Baraldi e Parmiggiani [2] estudaram algumas das características de Haralick [1] investigando a que tipo de percepção visual as características estudadas se associavam. Ao longo do tempo, várias propostas apresentadas utilizam a cor, isoladamente, ou em conjunto com outras características, para a determinação de semelhança, para a busca por conteúdo, ou para a anotação automática de imagens digitais [23-29]. O desenvolvimento do padrão MPEG-7 selecionou algumas técnicas que se destacaram na literatura, tais como o histograma de cores, os descritores de cores dominantes, de estrutura de cores e outros [30]. Roseneld e outros analisaram, ainda na década de 1980, a possibilidade de extensão das matrizes de co-ocorrência para o caso de imagens representadas em mais de uma banda espectral [31], caso em que se enquadram as imagens coloridas. Na década de 2000, Palm retomou o tema e eetuou testes comparativos entre diversas propostas de vetores de características derivados de matrizes de coocorrência que ele denominou de matrizes integrativas [32]. Este artigo apresenta uma proposta de extensão da utilização das matrizes de co-ocorrência de níveis de cinza para imagens coloridas. Essa extensão é eita pelo cálculo das características propostas por Haralick [1] e sua utilização como vetor de características (descritor) associado à imagem. Dois descritores são propostos e testados segundo as deinições do padrão MPEG-7 [30], utilizando as imagens de uma base de dados contendo 1000 imagens. Outras técnicas propostas na literatura oram implementadas e avaliadas segundo os mesmos parâmetros. Os resultados para essas outras técnicas ormaram um banco de reerência, com o qual, os resultados obtidos na utilização dos descritores propostos puderam ser comparados de orma adequada. Este artigo está estruturado da seguinte orma. A seção II apresenta as matrizes de co-ocorrência espacial de tons de cinza, mostrando como elas são calculadas e como seu resultado é descrito pelas características de Haralick. A seção III apresenta a proposta de extensão da aplicação dessas matrizes para imagens coloridas. A seção IV mostra a constituição do banco de imagens, apresenta a estrutura geral dos testes e descreve as medidas de desempenho utilizadas. Nessa seção são apresentados os detalhes de implementação dos descritores propostos. A seção V apresenta os resultados de desempenho obtidos tanto nos testes para os descritores da base de reerência, quanto naqueles reerentes aos descritores propostos neste artigo. Posteriormente, nessa mesma seção, os resultados de todos os testes são comparados e comentados. Ainda nessa seção, comenta-se sobre a relevância do descritor proposto. inalmente, na seção VI, as conclusões são apresentadas. II. MATRIZES DE CO-OCOÊNCIA As matrizes de co-ocorrência são calculadas a partir da componente de intensidade I(x,y) de uma imagem digital plana qualquer. Essa componente é uma matriz de pixels cujos valores indicam a intensidade de cada localização espacial especiicada pelas coordenadas x e y. As considerações importantes para o cálculo das matrizes de co-ocorrência são: 1) a utilização de uma escala de intensidade quantizada em N níveis, 2) a determinação de dois pixels distintos e um segmento de reta que passa por ambos, deinindo o ângulo com a horizontal e a distância d entre os dois pixels, como mostrado na igura 1. ig. 1. Parâmetros da matriz de co-ocorrência de níveis de cinza. O número N de níveis de cinza determinam a dimensão da matriz de co-ocorrência. Cada elemento aij da matriz M(d, ) representa o número de pares de pixels da imagem distantes um do outro de uma distância d, medida sobre um segmento de reta de suporte que az um ângulo com a horizontal, sendo que um dos pixels apresenta o i-ésimo nível de cinza da escala e o outro pixel apresenta o j-ésimo nível de cinza da escala. Calculada desta orma a matriz de co-ocorrência é quadrada e simétrica. Seus valores podem ser normalizados de orma que a soma deles seja igual a 1. Se isso é eito, a matriz representa uma estimativa de uma unção densidade de probabilidade conjunta. Para a obtenção de um descritor mais compacto, Haralick [1] propôs que ossem calculadas catorze características a partir da matriz de co-ocorrência. Se essa matriz or vista como uma unção M(i,j), os catorze coeicientes têm o objetivo de caracterizar a orma do gráico dessa unção. As características propostas por Haralick [1] são as seguintes: 1) Segundo Momento Angular, Energia ou Uniormidade; 2) Contraste; 3) Correlação; 4) Soma dos Quadrados, ou Variância; 5) Momento do Inverso da

3 Dierença, ou Homogeneidade; 6) Média da Soma; 7) Variância da Soma; 8) Entropia da Soma; 9) Entropia; 10) Variância da Dierença; 11) Entropia da Dierença; 12), 13) e 14) três medidas de correlação adicionais. Essas características apresentam aixas de valores bastante variadas, o que diiculta sua utilização direta como componentes métricas. Para isso, é necessário normalizá-las para que os pesos relativos de cada característica sejam equivalentes. Essa normalização deve ser calculada sobre um universo especíico de valores, por exemplo, conorme proposto por Manjunath [12]. III. PROPOSTA DE MATRIZES DE CO-OCOÊNCIA EXTENDIDAS A aplicação das matrizes de co-ocorrência na determinação de semelhança de imagens coloridas impõe algumas diiculdades tais como a dimensionalidade da representação e a perda de signiicação quando se usa a linearização do espaço de cores. Essas diiculdades são bem discutidas no artigo de Roseneld e outros [31]. Se uma imagem colorida é entendida como uma coleção de planos bidimensionais de cores, pode-se propor que as matrizes de co-ocorrência espacial sejam estendidas pela deinição de dois tipos de estruturas. A primeira, calculada sobre cada um dos planos de cores da imagem, será denominada de matriz de co-ocorrência própria. A segunda, calculada levando-se em conta dois planos de cores dierentes, será denominada de matriz de co-ocorrência cruzada. O cálculo da matriz de co-ocorrência própria segue os passos propostos por Haralick. A matriz de co-ocorrência cruzada, a seu turno, correlaciona o comportamento de dois planos de cores distintos da imagem colorida. Para isso, basta calcular a co-ocorrência para pixels que se localizam na mesma posição espacial nos planos de cor considerados. A matriz de co-ocorrência cruzada, calculada dessa orma, aproxima a unção densidade de probabilidade conjunta entre dois planos de cor. Uma limitação adicional que a técnica proposta neste artigo impõe, é que todos os planos de cor devem ser quantizados utilizando o mesmo número de níveis. Isso ará com que também as matrizes de co-ocorrência cruzada sejam matrizes quadradas e também simétricas Se o espaço de cores HSV or utilizado, por exemplo, as matrizes associadas a cada imagem colorida serão: 1) três matrizes de coocorrência próprias e 2) três matrizes de co-ocorrência cruzadas. Para descrever essas matrizes de co-ocorrência de orma mais econômica utiliza-se um subconjunto adequado das características propostas por Haralick [1]. IV. EXPERIMENTOS EETUADOS A. O banco de dados de imagens Os experimentos descritos neste artigo oram realizados utilizando um banco de dados de imagens chamado SIMPLIcity [34] disponibilizado pela Pennsylvania State University. Esse banco de dados é composto por 1000 imagens coloridas de dimensão pixels para o ormato paisagem, ou pixels para o ormato de retrato. As imagens do banco são grosseiramente organizadas em 10 classes temáticas: indígenas, praia, construção, ônibus, dinossauro, eleante, lor, cavalo, montanha e comida. Cada uma dessas 10 classes possui 100 imagens. A classiicação das imagens é grosseira porque não particiona o conjunto de imagens em sub-conjuntos disjuntos sob o ponto de vista de semelhança. Supõe-se que a classiicação grosseira implique em um desempenho absoluto pior, mantendo, todavia o desempenho relativo dos algoritmos testados, pois o ambiente de teste é o mesmo. B. A estrutura geral dos testes e a medida de desempenho Os testes realizados neste artigo compõem-se de vários experimentos semelhantes. Cada experimento consiste em propor um vetor de características e uma métrica para o cálculo da distância entre dois vetores. Após a deinição do vetor e da métrica, são extraídas as características para cada imagem do banco de imagens SIMPLIcity [34]. Para cada imagem de reerência, calculam-se as distâncias entre ela e cada uma das demais imagens do banco. As distâncias obtidas são classiicadas em ordem crescente, produzindo-se a lista de imagens semelhantes à imagem de reerência. A medida Average Normalized Modiied Retrieval Rank, ANM, proposta no padrão MPEG-7 [14,35,36], é utilizada para a avaliação de desempenho. O cálculo da ANM resulta, sempre, em um número no intervalo [0,1]. Quanto mais próximo de zero, melhor o desempenho. Quanto mais próximo de um, pior o resultado. C. Os vetores de características testados Os experimentos descritos neste artigo avaliaram o desempenho dos seguintes descritores: Scalable Color Descriptor (SCD), Color Structure Descriptor (CSD), Color Layout Descriptor (CLD), Dominant Color Descriptor (DCD), todos eles deinidos pelo padrão MPEG-7 [14,35,36] e Histograms o uni-color and bi-color blocks and Directional Changes in Intensity Gradient (HDCIG) proposto por Nezamabadi-Pour e Kabir [28]. Esse conjunto de descritores orma uma base de comparação para os descritores propostos neste artigo, que incluem as características extraídas das matrizes de co-ocorrência, próprias e cruzadas. Os experimentos realizados consistiram em calcular as matrizes de co-ocorrência próprias e cruzadas para as imagens. Apenas sistemas de cores tridimensionais oram testados e, por isso, seis matrizes de co-ocorrência oram obtidas: três próprias e três cruzadas. Cada uma das matrizes próprias oi calculada para quatro ângulos distintos: 0, 45, 90 e 135. Para cada uma delas oram calculadas as 11 primeiras características propostas por Haralick. Esse procedimento resultou em 4 vetores de 11 elementos para cada matriz própria: : 1 90: 1 0 : i 90: i 0:11 90: : 1 135: 1 45: i 135: i 45:11 135:11 A partir desses quatro vetores, calculou-se o vetor médio e o vetor de aixa. Cada elemento do vetor mean range

4 médio é a média dos valores dos quatro elementos correspondentes dos vetores 0, 45, 90 e 135, como mostra a Equação (1) mean: i 0 : i 45: i 90: i 135: i Cada elemento do vetor de aixa corresponde à dierença entre o maior e o menor valor dos elementos respectivos, como mostra a Equação (2). ( ) ( ) range: i max θ: i min θ: i θ θ Duas propostas de descritores oram testadas neste artigo. A primeira proposta utiliza apenas os vetores médios das matrizes de co-ocorrência próprias, além dos vetores de características das matrizes de co-ocorrência cruzadas. Esse descritor tem, ao todo, 66 elementos e será chamado de Haralick66. A segunda proposta utiliza os vetores de características das matrizes de co-ocorrência cruzadas e, para cada matriz de co-ocorrência própria, utiliza a concatenação do vetor médio com o vetor de aixa. Assim, o descritor da segunda proposta tem, ao todo, 99 elementos e será chamado de Haralick99. 4 V. RESULTADOS Os testes oram realizados utilizando-se o Matlab 7. As características das imagens oram extraídas, oram calculadas as distâncias cruzadas entre elas e a lista de imagens semelhantes oi construída. A partir dessa lista de imagens semelhantes, oram calculadas a ANM e a matriz de conusão percentual. A. Comparação dos descritores propostos Ambos os descritores Haralick66 e Haralick99 oram testados variando-se os seguintes parâmetros: Quatro sistemas de cores (RGB, HSV, L*a*b*,L*u*v*, ); Cinco distâncias da matriz de co-ocorrência (d 1, 2, 4, 8, 16); Seis níveis de quantização dos planos de cor (8, 16, 32, 64, 128 e 256). 1) O melhor descritor: A Tabela I apresenta uma síntese dos melhores resultados obtidos para cada caso testado dos descritores Haralick66 e Haralick99. Comparando-se os valores de ANM caso a caso, observa-se que, em todos eles, os valores de ANM para o descritor Haralick99 são os menores. Além disso, o sistema de cores L*a*b* apresentou os melhores resultados para ambos os descritores propostos. Observa-se que, em situações análogas, os valores de ANM apresentados pelo descritor Haralick66 são consistentemente maiores do que os valores de ANM apresentados pelo descritor Haralick99. 2) O sistema de cores mais adequado: Considerando-se os testes com o descritor Haralick99, oram analisados os desempenhos para os quatro sistemas de cores testados. A (1) (2) Tabela II apresenta os melhores valores de ANM obtidos nos testes para os quatro sistemas de cores testados. Para cada sistema de cor testado, os menores valores de ANM oram obtidos quando oi utilizado o descritor Haralick99. Isso implica que, para o banco de imagens utilizado, o descritor Haralick99 apresenta melhor desempenho. Em qualquer caso de teste executado, os valores para o sistema L*a*b* oram os menores obtidos, como pode ser observado na Tabela II. Tabela I Melhores valores de ANM para descritor Haralick66. Distâncias d para Haralick66 Níveis , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,51166 Distâncias d para Haralick99 Níveis , , ,4642 0, , , , , , , , , , , , , , , , , , , , , , , , , , ,49737 As linhas indicam os níveis de quantização e as colunas indicam a distância entre os pixels no cálculo da matriz de co-ocorrência. Cada célula mostra o melhor valor de ANM dentre os valores obtidos usando-se os quatro sistemas de cores. Os resultados dos testes mostraram que todos os melhores valores constantes da tabela oram produzidos utilizando-se o sistema de cores L*a*b*. Tabela II Melhores valores de ANM para os descritores Haralick66 e Haralick99 para cada sistema de cores. Haralick66 Haralick99 Sistema de cor Melhor Melhor ANM Caso ANM Caso RGB 0, /2 0, /4 HSV 0, /1 0, /4 L*a*b* 0, /1 0, /2 L*u*v* 0, /1 0, /1 As colunas "Caso" indicam qual oi a situação em que a ANM à direita oi observada. Nos valores de ormato nnn/n o numerador indica o número de níveis de quantização do plano de cores e o denominador indica a distância para o cálculo da matriz de co-ocorrência. B. Veriicação de relevância A utilização do descritor Haralick99 apresentou um desempenho equivalente ao das melhores técnicas testadas neste artigo, como pode ser visualizado na igura 2. Dentre os quatro descritores cujo desempenho é semelhante, o descritor Haralick99 apresenta a vantagem de ser mais compacto. Haralick99 é composto por 99 elementos, enquanto que o descritor SCD compõe-se de 256 elementos, HDCIG compõe-se de 1517 elementos e CSD compõe-se de 184 elementos. Os demais descritores testados possuem menor número de elementos CLD compõe-se de 12 elementos e DCD compõe-se de até oito elementos compostos. Entretanto, o desempenho desses dois descritores é destacadamente inerior aos demais.

5 ANM 0,65 0,6 0,55 0,5 0,45 0,4 0,35 SCD Hara99 HDCIG CSD CLD DCD Métodos ig. 2. Desempenho dos descritores testados. É importante discutir se o descritor Haralick99 é apenas um apereiçoamento dos descritores testados, ou se ele traz contribuição nova ao processo. Duas possibilidades se apresentam: 1) O descritor Haralick99 é apenas uma orma dierente de inormar as mesmas propriedades que já estão presentes nos demais descritores testados; 2) O descritor Haralick99 contém inormação adicional, não apresentada pelos demais descritores analisados; As duas airmações acima apresentam conteúdos opostos e contraditórios. Para veriicar qual das duas airmações prevalece, oram eetuados testes adicionais. Esses testes combinaram os descritores testados, dois a dois, e o desempenho de cada conjunto oi medido. A junção de dois descritores oi eita pela combinação linear das distâncias calculadas isoladamente. Tomou-se o cuidado de normalizar os descritores mais discrepantes para que todos os valores de distâncias medidas estivessem posicionados dentro da mesma ordem de grandeza. A expressão geral da combinação linear das distâncias é dada pela equação (3). d COMB α. ddescritor descritor + ( 1 α). d 1 A Tabela III mostra os valores de desempenho das combinações exaustivas dos descritores testados. Os valores das combinações oram obtidos pelo teste exaustivo dos valores [0,1] tomados em intervalos 0,01. Para cada célula da Tabela III, a linha superior apresenta o valor da ANM calculado para os descritores individuais (na diagonal principal), ou para as combinações de descritores indicados nos cabeçalhos das linhas e das colunas respectivas. A linha inerior de cada célula contém o valor normalizado da ANM, expresso como a razão percentual entre o valor da ANM da combinação e o valor da ANM do método combinado que apresenta melhor desempenho individual. Entre parênteses, o ganho percentual da combinação em relação ao método combinado de melhor desempenho. Como pode ser observado na Tabela III, os melhores ganhos eetivos de desempenho oram observados para as combinações SCD Haralick99 (valor de 90%, com ganho de 10%) e HDCIG CSD (valor de 91%, com ganho de 2 (3) 9%). As demais combinações apresentaram valores maiores de desempenho, indicando a existência de uma interseção de inormação maior entre os descritores combinados. Tabela III Valores de ANM para as combinações de descritores. SCD Har99 HDCIG CSD CLD DCD SCD 0, Har99-0, (10) 0, HDCIG - - 0,450 0, (6) 0,476 CSD , (7) 0, (6) 0, (9) 0,483 CLD ,449 0,454 0,468 0, (4) 0,574 DCD VI. CONCLUSÃO 0, (1) 0,455 0, (1) 0,476 98(2) 0, (5) 0,617 O descritor Haralick99 apresenta desempenho medido pela ANM equivalente ao do melhor descritor testado neste artigo. Entretanto, o descritor Haralick99 é mais compacto quando são considerados os quatro melhores descritores testados, que apresentam desempenhos semelhantes: SCD, Haralick99, HDCIG e CSD, nesta ordem. Haralick99 é composto por 99 elementos, SCD por 256, HDCIG por 1517 e CSD por 184 elementos. Além disso, Haralick99 apresenta uma baixa interseção de inormação discriminatória com relação aos demais quatro descritores do primeiro grupo. Isso signiica que sua utilização em combinação com outro descritor do grupo ocasiona incremento de desempenho da ordem de 10%. Conorme medido, a melhor combinação de dois descritores oi responsável pela queda da ANM para o valor de 0,41605, bastante inerior à melhor perormance individual, que coube ao descritor SCD (ANM 0,46047), seguido de perto pelo descritor Haralick99 (ANM 0,46212). Os resultados promissores apontam ainda para duas direções de pesquisas uturas: 1) a análise da inclusão dos três coeicientes de Haralick não incluídos no descritor e 2) a busca de coeicientes redundantes no descritor Haralick99 com o objetivo de diminuir seu tamanho mantendo seu desempenho em níveis equivalentes. REERÊNCIAS BIBLIOGRÁICAS [1] R. Haralick, K. Shanmugam and I. Dinstein. Textural eatures or image classiication, IEEE Transactions on Systems, Man and Cybernetics, SMC-3:6 (1973) [2] A. Baraldi,. Parmiggiani. A investigation o the textural characteristics associated with gray level cooccurrence matrix statistical parameters, IEEE Transactions on Geosciences and Remote Sensing, 33:2 (1995) [3] R. Haralick. Statistical and structural approaches to texture, Proceedings o the IEEE, 67:5 (1979)

6 [4] M. M. Galloway. Texture analysis using gray level run lengths, Computer Graphics and Image Processing, 4 (1975) [5] A. Chu, C. M. Sehgal, J.. Greenlea. Use o gray level distribution o run lengths or texture analysis, Pattern Recognition Letters, 11 (1990) [6] B. V. Dasarathy, E. B. Holder. Image characterizations based on joint gray level run length distributions, Pattern Recognition, 12 (1991) [7] H. Tamura, S. Mori, T. Yamawaki. Textural eatures corresponding to visual perception, IEEE Transactions on Systems, Man and Cybernetics, SMC-8:6 (1978) [8] M. Amadasun, R. King. Textural eatures corresponding to textural properties, IEEE Transactions on Systems, Man and Cybernetics, SMC-19:5 (1989) [9] T Randem, J. H. Husoy. iltering or texture classiication: a comparative study, IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI- 21:4 (1999) [10] K. I. Laws. Rapid texture identiication, Proceedings o SPIE Conerence on Image Processing or Missile Guidance, (1980) [11] R. W. Conners, C. A. Harlow, C. A. A theoretical comparison o texture algorithms, IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI- 2:2 (1980) [12] T. R. Reed, H. Wechsler. Segmentation o textured images and gestalt organization using spatial/spatialrequency representations, IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-12:1 (1990) [13] B. S. Manjunath and W. Y. Ma. Textural eatures or browsing and retrieval o image data, IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-18:8 (1996) [14] B. S. Manjunath, J. Ohm, V. V. Vasudevan and A. Yamada. Color and texture descriptors, IEEE Transactions on Circuit and Systems or Video Technology, 11:6 (2001) [15] A. Dimai, Rotation invariant texture description using general moment invariants and Gabor ilters, Proceedings o then 11th Scandinavian Conerence on Image analysis, (1999) , vol. I, June. [16] J. Ilonen, K. Kämäräinen, H. Kälviäinen. Eicient computation Gabor eatures, Research Report 100, Lappeenranta University o Technology, Lappeenranta, inlândia, [17] D. He, L. Wang. Texture unit, texture spectrum and texture analysis, IEEE Transactions on Geosciences and Remote Sensing, 28:4 (1990) [18] D. He, L. Wang. Texture eatures based on texture spectrum, Pattern Recognition, 24:5 (1991) [19] T. Ojala, M. Pietikäinen, D. Hardwood. A comparative study o texture measures with classiication based on eature distributions, Pattern Recognition, 29 (1996) [20] M. Pietikäinen, T. Ojala, Z. Xu. Rotation-invariant texture classiication using eature distributions, Pattern Recognition, 33 (2000) [21] T. Ojala, K. Valkealathi, E. Oja, M. Pietikäinen. Texture discrimination with multidimensional distributions o signed gray-level dierences, Pattern Recognition, 34 (2001) [22] T. Ojala, M. Pietikäinen, T. Mäenpää. Multiresolution gray-scale and rotation invariant classiication with local binary patterns, IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-24:7 (2002) [23] J. Haner, H. S. Sawhney, W. Equitz, M. lickner, W. Niblack. Eicient color histogram indexing or quadratic orm distance unctions. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI- 17:7 (1995) [24] B. M. Mehtre, M. S. KanKanhalli, A. D. Narasimhalu, G. C. Man. Color matching or image retrieval, Pattern Recognition Letters, 16 (1995) [25] Y. Deng, B. S. Manjunath, C. Kenney, M. S. Moore, H. Shin. An eicient color representation or image retrieval, IEEE transactions on Image Processing, 10:1 (2001) [26] K. Chen, S. Chen. Color texture segmentation using eature distributions, Pattern Recognition Letters, 23 (2002) [27] Y. Cheng, S. CHEN. Image classiication using color, texture and regions, Image Vision and Computing, 21 (2003) [28] H. Nezamabadi-Pour, E. Kabir. Image retrieval using histograms o uni-color and bi-color blocks and directional changes in intensity gradient, Pattern Recognition Letters, 25 (2004) [29] J. Li, J. Wang. Real-time computerized annotation o pictures, IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-30:6 (2008) [30] MPEG-7 -- International Standard ISO/IEC Inormation technology --- multimedia content descriptor interace --- part 3: visual, Switzerland, [31] Azriel Roseneld, Cheng-Ye Wang Angela Y. Wu. Multispectral textures, IEEE Transactions on Systems, Man, and Cybernetics, SMC-12:1 (1982) [32] Christoph Palm. Color texture classiication by integrative co-occurrence matrices, Pattern Recognition, 37 (2004) [33] Richard O. Duda, Peter E. Hart, David G. Stork. Pattern classiication. 3 ed. New York : John Willey \& Sons, [34] SIMPLIcity - Image database. James Z. Wang Research Group. College o Inormation Sciences and Technology. The Pennsylvania State University. Acessível em 01/01/2008. [35] S. Chang, T. Sikora and A. Puri. Overview o the MPEG-7 standard, IEEE Transactions on Circuit and Systems or Video Technology, 11:16 (2001) [36] T. Sikora. The MPEG-7 visual standard or content description: an overview, IEEE Transactions on Circuit and Systems or Video Technology, 11:16 (2001)