Processamento De Imagem. Descritores de Cor

Transcrição

1 Processamento De Imagem Descritores de Cor

2 Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs.

3 Taxonomia

4 Global A informação de cor de uma imagem é considerada globalmente. Não existe particionamento e/ou pré-processamento Não há informação da distribuição espacial das cores. Isso pode comprometer a eficácia dos métodos Exemplos: Histograma Global de cores.

5 Regiões Fixas A imagem é dividida em células de tamanho fixo e a informação de cor é extraída de cada uma delas Há maior quantidade de informação espacial Vetores de características são poucos compactos! Histograma Local de cores Cell/Color Histogram

6 Segmentação A imagem é dividade em regiões que variam em forma e tamanho. Segue-se a extração de informação de cor em cada qual Maior complexidade computacional: maior eficácia Color-based clustering Dominant Color

7 Local Utilizam algoritmos que encontram pontos de interesse na imagem e os caracterizam por informaçãoes que são invariantes a escala e rotação (SIFT) A partir destes pontos, extrai-se informação de cor Zhang SIFT CSIFT

8 GCH Global Color Histogram Bastante popular Muito fácil de implementar O tamanho do vetor de características depende da quantidade de cores da imagem DICA IMPORTANTE Torna-se um descritor mais eficaz se for realizada uma quantização da imagem previamente. Normalmente em 64 bits!!! Além da redução do custo computacional

9 BIC Border/Interior pixel Classification Classifica os pixels em borda e não borda Se um pixel possui a mesma cor de seus vizinhos (4 ou 8 conectados) então ele é interior Caso contrário, é borda Calcula o histograma para ambos (interior e borda), O vetor de característica final é o resultado da concatenação de ambos histogramas! IMPORTANTE: Quantização em 64 cores bastante desejável

10 BIC Se o nro de pixels interior de uma cor é menor que os de borda, uma das obs abaixo se aplica A cor é distribuída em regiões relativamente grandes e formatos irregular A cor é distribuída em regiões pequenas tal que a borda é maior que seu interior A cor é parte de uma região rica em informações de textura

11 BIC Se o nro de pixels de borda de uma cor é menor que o de interiores, então a cor é distribuída em largas e heterogêneas regiões de formato regular. Utiliza distância Log ao invés de distância Euclidiana, que atenua o problema de valores muito díspares no vetor de característica.

12 CCV Color Coherence Vector Vetor de coerência de cor. Pixels são classificados como coerentes e incoerentes. Processo Suavizar imagem (filtro de media 3x3 ou 5x5) Reduzir espaco de cores para 64 valores Encontre as componentes conexas da imagem (agrupamento uniforme de pixels vizinhos com uma mesma cor). Armazene os resultados em em dois vetores: coerentes e incoerentes, de acordo com um determinado limiar. O vetor final é a concatenação de ambos

13 CCV A comparação pode ser feita usando-se distâncias L1 (Manhattan) ou L2 (Euclidiana)

14 ACC Auto Correlograma de Cores Autocorrelograma de cores A probabilidade de se encontrar na imagem dois pixels de cor C a uma certa distância D; Reduzir o espaço de cores para m (m=64) Para cada distância, percorrer a imagem computando a correlação Ao final, se tivermos d distâncias, então teremos um vetor concatenado de tamanho m * d!!! Distâncias normalmente utilizadas: 1,3,5 e 7 Tamanho total do vetor: 4 * 64

15 ACC A distância entre um pixel e outro pode ser calculada por meio de Distância Euclidiana Distância Chess board. Na implementação feirta, foi usada a distância ChessBoard. Ou seja, Dado um pixel, pegue os 4 vinhos deste (segundo uma distância d). Sempre que um vizinho tiver a mesma cor que a cor do pixel centra, acumula no histograma!

16 Lembrete: distâncias Distãncia Lp Distância L2 (Euclidiana) L1 Manhattan

17 Distâncias Dlog d e q são os histogramas da imagem com M cores

18 Finalmente Como reduzir o nro de cores da imagem? Suponha uma imagem com 3 canais R, G e B Extraia de cada cana, os 2 bits mais significativos Combine cada par de bits em um variável Esta variável terá, no máximo, 64 valores! Use esta nova imagem como entrada para todos os seus descritores de cor!!

19 Quantização de cores

20 Referências Dissertação de mestrado da UNICAMP Estudo Comparativo de Descritores para recuperação de Imagens por Conteúdo Na Web