Técnicas e Aplicações de Recuperação de Imagens por Conteúdo Agma Juci Machado Traina Caetano Traina Jr.

Transcrição

1 Técnicas e Aplicações de Recuperação de Imagens por Conteúdo Agma Juci Machado Traina Caetano Traina Jr. Grupo de Bases de Dados e Imagens Departamento de Ciências de Computação Universidade de São Paulo - São Carlos

2 Conteúdo P Introdução P Motivação P Imagens e Características P Organização dos Dados Indexação de Imagens P Consultas por Similaridade P Conclusões

3 Introdução P Grande volume de dados complexos gerados pelos sistemas computacionais atuais Imagens, vídeo, áudio, hipertexto, séries temporais, cadeias de DNA P Utilizá-los de modo proveitoso e recuperá-loss de modo rápido e natural é uma das necessidades para efetuar a análise de tais dados, P Dados Complexos são naturalmente comparados por semelhança (similaridade), diferentemente dos dados simples. 35 < 50 Piracicaba < São Carlos?

4 Introdução Coleções de imagens (Tamanho Crescente) P Recuperação de imagens baseada em conteúdo Content-Based Image Retrieval - CBIR Recuperação baseada em: conteúdo X descrição Retorne a imagem de João da Silva Retorne a imagem de João da Silva obtida em 25/09/2004 Retorne as 5 imagens mais semelhantes à imagem de João da Silva P Busca por similaridade Similarity search Duas imagens são semelhantes, nunca iguais (se for igual é a mesma!) O que é similaridade? Critérios de similaridade Características a serem comparadas Métricas para comparação

5 Introdução Recuperação por Conteúdo vs. Recuperação por Descrição Descrições obtidas das diretamente das imagens Processo automático ou semi-automático Processo não automático Descrições feitas pelos especialistas Imagens Descrições Features Consultas convencionais: chaves textuais Consultas por conteúdo: chaves imagens

6 Motivação Coleções de imagens P Processamento de coleções de imagens Cada imagem é analisada individualmente utilizando técnicas e algoritmos processamento de imagens; Organização da coleção para recuperação rápida; Pré-processamento de cada imagem durante a armazenagem; Recuperação eficiente durante as consultas.

7 Recuperação de Imagens por Conteúdo (CBIR) Módulos Motor de Recuperação Métodos de Interação (GUI) Cálculos de Similaridade (funções de distância) Extratores de Características Armazenamento e Métodos de Acesso

8 Similaridade Intuição (1)

9 Similaridade Intuição (2)

10 Similaridade entre dados Complexos P Similaridade entre dados multimídia é medida sobre características extraídas dos mesmos histogramas, momentos invariantes, transformadas (Fourier, Wavelets, etc), análise das componentes principais (PCA), assinaturas... P Procura-se extrair as informações que o analista humano utiliza no processo de comparação entre esses dados Imagens: cores, forma, textura, relacionamento entre objetos Vídeo: diferença entre frames Áudio: frequência e altura do comprimento de onda P Essas características são utilizadas para a comparação entre os dados multimídia.

11 Conteúdo P Introdução P Motivação P Imagens e Características P Organização dos Dados Indexação de Imagens P Consultas por Similaridade P Conclusões

12 Extração de Características Exemplo: imagens Imagem Original x 1 x 2... x n Elipse Círculo Tipo de Objeto Segmentação Extração de Características Classificação Imagem Objeto Vetor de Características

13 Extração de Características Desafio P Características de imagens: Valores Numéricos ou categóricos que descrevem as características das imagens Características comumente usadas: cor, textura, forma e relacionamento entre objetos da imagem P DESAFIO 1 - a partir da imagem original, definir um vetor de características que: descreva com fidelidade o conteúdo semântico da mesma, aceite a aplicação de uma medida de similaridade (função de distância), Possa ser usada em uma estrutura de indexação, P DESAFIO 2 - Manter um número pequeno de características: Maldição da Alta Dimensionalidade!

14 Funções de distância Comparação por Similaridade P Existe um relacionamento forte entre Características das Imagens e Função de Distância P Especialista no domínio deve indicar/especificar/propor Função de Distância mais apropriada para o tipo de imagens P Funções de distância usuais - Família Lp

15 Medir dissimilaridade P Dados 2 vetores (tuplas) x=(x 1, x 2,..., x n ) e y=(y 1, y 2,..., y n ) Distância Euclideana: L 2 = ( x i - y i 2 ) 1/2 Funções de distância O que fazer quando não há dimensão definida para o conjunto de dados? x=(x 1, x 2,..., x n ) e y=(y 1, y 2,..., y k ) com k n

16 Conceitos Relacionados

17 Níveis de Abstração - Semântico vs. Sintático Nível 4: Mapeamento humano, relacionamento entre os objetos do nível 3 Nível 3 - Combinar e interpretar os atributos do nível 2 Semântico (Especialista) Nível 2: Procurar bordas, linhas, curvas e regiões Nível 1: Pixels da imagem (Computador) Sintático

18 Gap Semântico Considerações P Gap semântico: perda da informação real da imagem, que não é preservada/capturada pelas características (algoritmos de Processamento de Imagens) e a expectativa de informação total desejada pelo usuário. Principal problema referente a aceitação de CBIR P Utilizar CBIR em aplicações mais específicas! Recuperação segundo determinado aspecto (somente cor, ou textura, ou forma).

19 Análise dos Resultados Precisão e Revocação P Medida de eficácia do Método de Recuperação. Dado um conjunto de dados (sobre o qual serão feitas as consultas), define-se: TR - nº Total de objetos Relevantes (nº de imagens pertencentes a mesma classe que a imagem de consulta) TRO - nº Total de objetos Relevantes recuperados na consulta TO - nº Total de objetos recuperados na consulta (independente da classe a que pertencem) TRO - Total Relevantes Obtidos TR -Objetos Relevantes TO -Total de Objetos Obtidos

20 Análise dos Resultados Precisão e Revocação P Precisão: indica a proporção de objetos relevantes em relação ao total de objetos recuperados Precision= TRO TO P Revocação: indica a proporção de objetos relevantes recuperados em relação ao total de objetos relevantes TRO - Total Relevantes Obtidos Recall = TRO TR TR -Objetos Relevantes TO -Total de Objetos Obtidos

21 Precisão e Revocação Exemplo

22 Conceitos Relacionados

23 Extração de Características - Histograma Exemplo

24 Extração de Características - Histograma

25 Histogramas Exemplo: características de baixo nível de imagens Cor Histogramas (a) (b) (e) Histograma de cores rápido de obter baixo poder discriminativo mais de uma imagem pode corresponder ao mesmo histograma! (c) (d) Cores Solução: usar mais de uma característica

26 Extratores de características Exemplo: características de baixo nível de imagens Textura Padrão visual em que elementos gráficos semelhantes se repetem em densidade variável.

27 Extratores de Características Exemplo: características de baixo nível de imagens Forma Localiza objetos usando algoritmos de detecção de bordas Processamento pesado Requer o pré-processamento da imagem e redução de ruído antes da segmentação original segmentada

28 Extratores de características Processo de seleção de características A comparação de imagens é custosa e toma tempo Uma filtragem inicial pode reduzir o número de comparações Histogramas primeiro passo Textura e forma: operações custosas, que depende do domínio da aplicação passos posteriores

29 Extração de características Um exemplo: histogramas métricos para exames medicos P Características de baixo nível: histogramas de intensidade (niveis cinza); P Vetores de características: aproximação linear por partes do histograma; P Extração de características: extração do histograma, normalização, aproximação linear por partes; P Função de Distância: diferença da integral entre as aproximações lineares por partes.

30 Extração de características Um exemplo: histogramas metricos para exames medicos Em histogramas tradicionais, existe um bin para cada cor (ou intensidade de cinza)

31 Extração de características Todos os bins têm a mesma largura 0,25 0,20 0,15 0,1 0,

32 Aproximação do histograma Transforma bins em buckets 0,25 0,20 0,15 0,1 0,

33 Propriedades do histograma métrico P Invariante à rotação, translação e escala; P Invariante à mudanças lineares de brilho; P Explora as correlações existentes entre bins vizinhos (de maneira específica, imagem por imagem).

34 Definindo a função de distância métrica for para Histogramas Métricos P A distância MD( ) entre dois histogramas métricos é a área não sobreposta entre ambos. Histograma métrico A Histograma métrico B Buckets

35 Histogramas métricos melhoram a resposta a consultas Tempo para responder a 50 consultas sobre dados indexados em uma Slim-tree MRHead500 Total time for answering 50 queries 4 Originals 3.5 Metrics k=databasepercentage MRVarious4247 Total time for answering 50 queries: Originals Metrics k=databasepercentage

36 Característica: Textura P Três abordagens principais: Estatística: distribuição dos níveis de cor dos pixels e seu interrelacionamento Estrutural: arranjo espacial de primitivas regulares Espectral: aplicação e análise de transformadas P Abordagem estatística: mais utilizada bons resultados custo computacional reduzido

37 Característica: Textura EM/MPM Métodos Estocásticos P Basicamente um algoritmo de otimização P Objetivo é minimizar o número esperado de pixels classificados erradamente P Métodos Estocásticos Cadeias Aleatórias de Markov Permite a representação de comportamento aleatório das texturas (Presente na maior parte das imagens) P Demanda um número pequeno de parâmetros)

38 EM/MPM Imagem a ser Segmentada L Número de classes Mapa de classificação (inicialaleatório) ( 1, 2 1 ) ( 3, 2 3 )... ( L, 2 L ) L Features de cada classe (inicializadas aleatoriamente) Nova Classificação é realizada Features das Classes são atualizadas Algoritmo MPM Algoritmo EM

39 Característica: Textura Segmentação Automática Classes ( 5) background Classes ( 2) 1 2 background

40 Característica: Textura P Da imagem segmentada por textura, obtem-se características relevantes: Centro de massa Tamanho Dispersão Média Variância Dimensão Fractal Classes (5) regions

41 Consultando os Vizinhos mais Próximos 27 Imagens teste tipo

42 Consultando os Vizinhos mais Próximos 36 Imagens teste tipo

43 Consultando os Vizinhos mais Próximos 9 Imagens teste tipo

44 Análise por Precisão e Revocação

45 Característica: Textura Matrizes de Co-ocorrência P Indica o inter-relacionamento entre um pixel e seus vizinhos, considerando direção ( ) de posicionamento do vizinho Distância (d) de posicionamento do vizinho P O tamanho da matriz é dado pelo número de níves de intensidade nos quais a imagem é analisada Ex. Imagem de 256x256 pixels com 16 níveis de cinza. Matrizes de co-ocorrência serão de 16x16 elementos. Uma matriz para cada direção e distância P São extraídas medidas da matriz de co-ocorrência, que constituirão as features das imagens.

46 Característica: Forma P A literatura traz inúmeros métodos de extração de características utilizando a forma de objetos presentes na imagem Momentos de Zernike, Métodos baseados em curvatura, coeficientes de Fourier, etc. Dependem fortemente do domínio das imagens. Os descritores de forma podem ser compostos no vetor de características das imagens.

47 Conteúdo P Introdução P Motivação P Imagens e Características P Organização dos Dados Indexação de Imagens P Consultas por Similaridade P Conclusões

48 Estabelecendo ordem na informação P Organizar informação para acesso eficiente remete-nos ao conceito de ordenação, P Algoritmos de ordenação de dados (vetores): Classifição direta, classificação binária, bubble -sort, shellsort, quicksort,... Inserção de novos dados demanda movimentação dos itens P Árvores: Heapsort, árvore binária,... Organização de Dados

49 Dados Simples Ordenação utilizando Árvore Binária 150, 100, 20, 10, 21, 130, 195, 170, Percorrendo a árvore em in-ordem: 10, 20, 21, 100, 130, 150, 170, 195, 200

50 Árvores para Indexação P Por que utilizar árvores? Não há necessidade de relocação entre os dados para novas inserções Diminui o número de acessos aos dados para consultas/inserções Menor número de acessos a disco se a árvore estiver balanceada Para n items de dados Média de log(n) (altura da árvore) acessos para encontrar um item na árvore

51 Estruturas de Dados Ordenação utilizando Árvore Binária 10, 20, 21,100, 130, 150, 170, 195, Árvore degenerada busca sequencial

52 Estruturas de Dados Árvore Balanceada: Árvore B - B-tree P Árvores B e sua variante (B + ): estão presentes em todos os gerenciadores de banco de dados comerciais Oracle, Sybase, etc

53 Estruturas de Dados Árvore B P Árvores B e sua variantes (B + todos os items estão nas folhas) Não há sobreposição entre as chaves de acesso Para um conjunto de dados com n items, o acesso a qualquer um deles é O(log (n) k ) onde k=número de entradas por nó A árvore é mantida balanceada Permite a organização de dados em memória secundária Os nós da árvore armazenam um número de items de dados adequado a ocupar um registro em disco.

54 Evolução histórica - dados e estruturas P No princípio os dados eram números e textos... P E evoluíram para armazenar dados espaciais... Desenvolvimento dos Sistemas de Informação Geográficos (SIGs) Mapas de cidades, estados e regiões passaram a integrar o universo de dados. Consultas por vizinhança e região são solicitadas Quais são as ruas que interceptam a Avenida Copacabana no seu primeiro quilômetro? Quais são os estados limítrofes ao norte de São Paulo?

55 Dados Espaciais Exemplos de consultas Point Query Window Query Region Query Adjacency Query

56 R-tree Dados Espaciais R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 Ponteiros para os atributos não espaciais dos objetos R1 R3 R4 R9 R11 R5 R13 Legenda: Regiões representadas no primeiro nível Regiões representadas no segundo nível Regiões representadas no terceiro nível Um objeto espacial R8 R10 R14 R12 R2 R7 R18 R6 R16 R17 R19 R15

57 Dados Espaciais P Chaves podem colidir P Atributos das relações podem ser separados em espaciais x nãoespaciais P Informação espacial: Regiões no espaço: Método de acesso Espacial - SAM Pontos no espaço: Método de acesso Pontual - PAM <(x i,y i ), (x f,y f )> (x,y) SAM PAM

58 Dados Multidimensinais Espaço k-dimensional P Relações com k-atributos podem ser associadas a pontos num espaço k-dimensional P Exemplo: Salário={Nome, salário, tempo_serviço} Tempo de serviço

59 Dados Multidimensinais Espaço k-dimensional P Exemplo: Salário={Nome, salário, tempo_serviço, idade} Tempo de serviço

60 Dados Multidimensinais Espaço k-dimensional P Exemplo: Salário={Nome, salário, tempo_serviço, idade, num_empregos_anteriores, horas_extra,...} Tempo de serviço

61 Famílias de Estruturas Espaciais [Gaede_98]

62 Evolução histórica dados e estruturas P No princípio os dados eram números e textos... P Evoluíram para armazenar dados espaciais... P E daí para dados multimídia!

63 Conteúdo P Introdução P Motivação P Imagens e Características P Organização dos Dados P Consultas por Similaridade P Conclusões

64 Dados multimídia Evolução dos equipamentos computacionais P Dados complexos e usualmente volumosos Imagens Áudio Vídeo Séries temporais Dados genéticos (cadeias de DNA) Impressões digitais Deslocamento Oscilograma Tempo

65 Indexação Dados multimídia P Para esses dados não há relação de ordem Dadas duas imagens, qual é a menor entre elas? P Porém, é possível explicitar o quanto são semelhantes (ou diferentes). P É preciso definir uma função que indique a distância entre as imagens Função distância dissimilaridade entre as imagens (ou qualquer dado multimídia) < >?

66 Exemplos P Base de imagens com faces de pessoas: Ex. Encontre as faces que são parecidas com a do Cid Moreira P Base de imagens médicas Ex. Dado o exame de Raio-X do paciente J. Silva, encontre os 5 exames mais parecidos com o exame original Ex. Encontre todos os exames que diferem em até 10 unidades do exame original indicado

67 Consultas por similaridade fundamentais P Existem dois tipos fundamentais de consultas por similaridade: Ambas baseadas em um objeto de referência (centro da consulta) P Consultas por vizinhança (ou k-nearest Neighbors): Dado um valor inteiro k, obtenha os k elementos do conjunto de dados que são os mais similares ao objeto central da consulta. P Consulta por abrangência (ou Range queries): Dado um grau de similaridade (raio), obtenha todos os objetos no conjunto de dados que sejam similares ao objeto central da consulta até esse grau dado.

68 Consultas por similaridade fundamentais Consultas por vizinhança Em uma base de imagens: Encontre as 3 imagens mais similares à imagem do Raio-X de João Silva

69 Consultas por similaridade fundamentais Em uma base de imagens: Consultas por Abrangência Encontre as imagens que diferem em até r q unidades da imagem do Raio-X de João Silva r q

70 Espaços Métricos Conceitos Básicos P Espaço métrico é um par: M=(O,d) Onde, O é o domínio de característica de objetos d é uma distância métrica. P Propriedades da distância d : simetria: d(x,y) = d(y,x); não-negatividade: 0 < d(x,y) <, x y e d(x,x) = 0 desigualdade triangular: d(x,y) d(x,z) + d(z,y) x y z

71 Espaços Métricos Conceitos básicos P Não há atributos geométricos ou de posição formas e posições (sul, norte, etc.) P Mesmo para dados espaciais, diferentes funções distância definem formatos diferentes de nós. Por exemplo: L 0 =L Infinity r L 1 =Manhatan L 2 =Euclidian

72 Exemplos P Considere o conjunto de palavras de um dicionário P Distância L Edit = mínima contagem do número de caracteres inseridos, removidos ou substituídos para transformar uma palavra em outra L edit ( casa, cada )= 1 L edit ( queijo, quero )= 2 P Qual é o formato do nó para a função de distância entre palavras L Edit??? P Espaços Métricos

73 Estrutura de Acesso Métrica Slim-tree

74 Consultando uma Slim-tree Respondendo a uma consulta pontual X X >

75 Consultando uma Slim-tree Respondendo a uma consulta pontual X

76 Consultando uma Slim-tree Respondendo a uma consulta por abrangência Poda se: d(s Rep, s q )+r q < d(s Rep, s i ) (Região 1) d(s Rep, s q )- r q > d(s Rep, s i ) (Região 3) R q X Região 3 Região 2 Região 1

77 Construindo uma Slim-tree J K E L B I M D N H A G O C P F Q

78 Construindo uma Slim-tree J K E B L I M D N H A G O C P F Q Raiz B A C Nós intermediários E B A D F C Folhas K E L J B I H A G M D N F Q O C P

79 Construindo uma Slim-tree Inserindo um objeto P Executa-se uma navegação em profundidade (consulta pontual) para decidir em qual nó ele deve ser inserido, usando: Algoritmo Choose-subtree Algoritmo Split-node Quebra de nós Bottom-up (assegura o balanceamento da árvore)

80 Construindo uma Slim-tree Inserindo um objeto

81 Construindo uma Slim-tree Inserindo um objeto: ChooseSubTree Choose SubTree : minoccup Random mindist n=19 n=14

82 Construindo uma Slim-tree Inserindo um objeto: SplitNode

83 Construindo uma Slim-tree Inserindo um objeto: SplitNode Dois passos: - Escolhe 2 objetos para serem o centro de dois nós - Distribui os objetos restantes entre os 2 novos nós

84 Construindo uma Slim-tree Inserindo um objeto: SplitNode Algoritmos de Splitting: # Random Select + Minimum Radius-O ) # Minimum R1+R2 (minmax) -O(C 3 ) R 1 # Cluster based: Minimal Spanning Tree (MST) - O(C 2 log C) R 2

85 Construindo uma Slim-tree Inserindo um objeto: SplitNode usando o MST

86 Construindo uma Slim-tree Inserindo um objeto: SplitNode usando o MST

87 Redução da sobreposição entre nós Em espaços métricos: P Os conceitos de area, volume, etc. não se aplicam, P Então como medir a sobreposição? Contar o número de objetos na intersecção de dois nós (ou em duas sub-árvores). Isto é, contar quantos objetos são cobertos em cada nó por mais de um nó <representante, raio>.

88 Redução da sobreposição entre nós Dois nós 10 objetos na intersecção Overlap= n=14 n=13

89 Redução da sobreposição entre nós Fat-factor Definição: Seja T uma árvore métrica com altura H e M nós. Seja N o número de objetos indexados. Então, o fat-factor dessa árvore é: Ic - # nós acessados para responder a uma consulta pontual 0 fat(t) 1 0 para a árvore ideal 1 para a pior árvore possível

90 Redução da sobreposição entre nós Fat-factor n=6 n=7 fat(t)=0 n=6 n=7 fat(t)=0 n=6 n=7 fat(t)=0.15 n=6 n=7 fat(t)=1.0

91 Redução da sobreposição entre nós Algoritmo Slim-down

92 Redução da sobreposição entre nós Exemplo: Triângulo de Sierpinsky Sierpinsky - N=9,841

93 Redução da sobreposição entre nós Exemplo: Triângulo de Sierpinsky - Antes e Depois Fat-factor=0.04 Fat-factor=0.02

94 Conjuntos de Dados para testes Uniform2D - N=10,000 Sierpinsky - N=9,841 MGCounty - N=15, harmonic harmonica harmonious harmony harness Harold harp harpoon... d4 d5 d1 d6 d3 d EnglishWords - N=25,143 FaceIT - N =1,056 Eigenfaces - N=11,900

95 Experimentos: Query performance # Acessos a disco (em média) vs Raio : range queries Slim-tree vs M-tree Choose SubTree : minoccup Uniform10k dataset Sierpinsky dataset MGCounty dataset radius radius radius 1000 EnglishWords dataset 1000 FaceIt dataset 1000 Eigenfaces dataset radius Slim-Tree (min-max) M-tree (min-max) radius radius 1

96 Experimentos Algoritmos de Splitting: minmax vs MST Slim-tree : # acessos Disco (em média) vs raio -Range queries 1000 (a) Slim-tree, Sierpinsky dataset 100 (b) Slim-tree, FaceIt dataset radius radius minmax MST

97 Algorithmo Slim-down minmax vs MST Slim-tree : # acessos Disco (em média) vs raio -Range queries 100 Slim-tree, FaceIt dataset minmax (without slimming down) MinMax (with slimming down) 100 Slim-tree, FaceIt dataset MST (without slimming down) MST (with slimming down) radius radius

98 1000 Algoritmo Slim-down Melhoria de até 70% para range queries Eigenfacesdataset 1000 EnglishWordsdataset radii radii FaceItdataset 1000 Uniform10kdataset radii radii 1 Slim-Tree (min-max sem Slim-down) Slim-Tree (min-max com Slimming down) M-tree (min-max)

99 Uniform minmax e MST Tempo (segundos) Sierpinsky MGCounty build range queries slim-down fat-factor 0 build range queries slim-down fat-factor 0 build range queries slim-down fat-factor Eigenfaces English Words FaceIt build range queries slim-down fat-factor 0 build range queries slim-down fat-factor 0 build range queries slim-down fat-factor # minmax #MST

100 Resultados dos experimentos Estrutura de indexação Slim-tree P Até 60 vezes mais rápida para inserção (mantém mesmo desempenho para consultas) P Até 70% mais rapidez para responder consultas com o algoritmo Slim-down P Fat factor, permite quantificar a sobreposição de nós em estruturas métricas.

101 Visualizando os Dados indexados P Auxiliar a entender a organização da informação na estrutura P Localizar os aglomerados (clusters) P Localizar os elementos de exceção (outliers) P Permitir visualizar a distribuição de distâncias entre os objetos do conjunto de dados Importante para dados não dimensionais! P Algoritmo base para executar a visualização FastMap proposto por Christos Faloutsos e David Lin

102 Exemplos Histogramas de imagens (500 objetos)

103 Objects Exemplos Histogramas de imagens (500 objetos) Leaf nodes Index nodes

104 Exemplos Conjunto de palavras: Dicionário língua Inglesa a) b)

105 Conteúdo P Introdução P Motivação P Imagens e Características P Organização dos Dados P Consultas por Similaridade P Conclusões

106 Conclusões P Indexação e recuperação de imagens por conteúdo é um processo que demanda interação de especialistas de várias áreas da Computação: Bases de Dados, Processamento de Imagens, Reconhecimento de Padrões, Inteligência Artificial, Interação Usuário-Computador P Especialista no domínio de Análise de Imagens Área Médica (radiologistas) P Combinação entre CBIR e técnicas baseadas em descrições (atlas) auxiliam a redução do gap semântico P Área de pesquisa de ponta Muito a ser pesquisado

107 Referências P H. Müller, N. Michoux, D. Bandon, and A. Geissbuhler, "A Review of Content-based Image Retrieval Systems in Medical Applications Clinical Benefits and Future Directions," International Journal of Medical Informatics, Vol. 73, No. 1, February 2004, pp P K. Vu, K. A. Hua, and W. Tavanapong, "Image Retrieval Based on Regions of Interest," IEEE Transactions on Knowledge and Data Engineering (TKDE), Vol. 15, No. 4, July/August 2003, pp P A. W. M. Smeulders, M. Worring, S. Santini, A. Gupta, and R. Jain, "Content-Based Image Retrieval at the End of the Early Years," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 22, No. 12, December 2000, pp P T. Tuytelaars and L. J. V. Gool, "Content-based Image Retrieval Based on Local Affinely Invariant Regions," Proc. Third International Conference on Visual Information and Information Systems -VISUAL'99, Amsterdam, The Netherlands, June 2-4, 1999, pp P A. Kak and C. Pavlopoulou, "Content-based image retrieval from large medical databases," Proc. First International Symposium on 3D Data Processing Visualization and Transmission, June , pp

108 Agma Traina Caetano Traina Jr. /~caetano