Universidade Federal do Rio de Janeiro COPPE Sistemas Linha de Banco de Dados Prof. Jano Moreira

Transcrição

1 Universidade Federal do Rio de Janeiro COPPE Sistemas Linha de Banco de Dados Prof. Jano Moreira Sistemas de Banco de Dados Multimídia e Mineração de Dados Multimídia (Multimedia Mining) Aluno: Pablo Vieira Matrícula: Outubro de 2001

2 1. INTRODUÇÃO MÍDIA E MULTIMÍDIA: CONCEITUAÇÃO APLICAÇÕES MULTIMÍDIA SGBDMM: ASPECTOS E REQUISITOS MODELAGEM, ESTRUTURAÇÃO E NAVEGAÇÃO EM SGBDMM TRANSAÇÕES / CONTROLE DE CONCORRÊNCIA ARQUITETURA DE ARMAZENAMENTO ARQUITETURA EM 3 CAMADAS TIPOS DE ATRIBUTOS CONSULTAS E RECUPERAÇÃO DE CONTEÚDO EM SGBDMM INDEXAÇÃO, PREDICADOS E DOMÍNIOS RECUPERAÇÃO POR CONTEÚDO RECUPERAÇÃO DE OBJETOS LONGOS COMPRESSÃO DE DADOS MINERAÇÃO DE DADOS MULTIMÍDIA PROCESSAMENTO DE IMAGENS REGRAS DE ASSOCIAÇÃO E PREDICADOS DESAFIOS E DIFICULDADES PARA A MINERAÇÃO MULTIMÍDIA CONCLUSÃO REFERÊNCIAS... 17

3 1. Introdução Com o advento das redes de alta velocidade e o aperfeiçoamento dos computadores pessoais, o suporte a mídias não textuais passou a ser uma necessidade em áreas de entretenimento, medicina, jornalismo e treinamento, entre outras. A necessidade de armazenar dados como figuras, vídeos e sons para suportar toda esta demanda de informações nas mais diversas áreas tornava-se inevitável. Para que isto fosse possível, algumas questões deveriam ser tratadas como capacidade de armazenamento e tempo de acesso. Assim, como uma alternativa de abordagem, SGBDs Multimídia (ou simplesmente SGBDMM) com suporte a armazenamento de objetos do tipo figuras, vídeos e áudio foram desenvolvidos em detrimento da abordagem baseada em arquivos. Nesta última, armazenamento, estruturação e suporte a acesso simultâneo não existiam ou eram providos por simples estruturas de arquivos e diretórios de diferentes mídias. Desta forma, os SGBDs relacionais que antes somente davam suporte a dados textuais, passaram a oferecer novas opções de armazenamento para dados multimídia, aperfeiçoando de forma significativa as aplicações existentes nesta área. Para que estas mudanças fossem possíveis, fatores de impacto sobre a tecnologia de SGBD relacionais e sua arquitetura tiveram de ser incorporados. Dentro do universo de SGBDMM, muitas áreas de estudo encontram-se ainda em desenvolvimento como Consultas e Recuperação de Informações e Sincronização e Qualidade de Serviços em tempo real[13]. Ao mesmo tempo, outros esforços vêm sendo realizados em áreas mais específicas como Mineração de Dados Multimídia. No presente trabalho, algumas destas áreas de estudos serão abordadas dentro do escopo de SGBDMM. O presente trabalho encontra-se dividido da seguinte forma, sendo este texto introdutório a Seção 1. A Seção 2 procura demonstrar de forma sucinta alguns conceitos relativos a área de mídia e multimídia, bem como levantando alguns exemplos de aplicações. Na Seção 3 são apresentados aspectos e requisitos necessários a um SGBDMM. Para a Seção 4, é sugerido um modelo de arquitetura para SGBDMM. A Seção 5 e 6 desenvolvem breves explanações sobre consultas e recuperação de informações multimídia e mineração de dados multimídia, respectivamente. Finalmente, a Seção 7, demonstra a atual realidade dos sistemas multimídia e as questões que ainda estão em aberto ou em desenvolvimento.

4 2. Mídia e Multimídia: Conceituação Como já citado, este tópico tem o intuito de apresentar conceitos relativos à área objeto de estudo deste documento. Serão apresentados conceitos relativos à mídia e multimídia, assim como diferentes visões em relação a ambos os termos. Tanto a mídia como a multimídia podem ser vistas por diferentes enfoques. No caso de mídia, podemos ter as seguintes conceituações: Mídia de armazenamento (fita, disco magnético, disco ótico ) Mídia de transmissão (cabo coaxial, fibra ótica ) Mídia de intercâmbio ( mídia de armazenamento., mídia de transmissão ou ambos) Mídia de E/S (mouse, alto falantes, tela..) Mídia de representação (gráficos, ASCII...) Mídia de percepção (fala, música, filme) Ao mesmo tempo, pode-se entender Multimídia por diferentes enfoques: Enfoque hardware: Multimídia é a integração entre a TV e Computadores pessoais Enfoque indústria: Multimídia é a combinação de telecomunicações, publicidade, TV, computação, ótica e tecnologia magnética Enfoque interação: Sistemas multimídia são as plataformas computacionais e ferramentas de software que suportam o uso interativo dos seguintes tipos de informação: áudio, imagem estática, animação, vídeo. Um suporte tecnológico específico à área de multimídia faz-se necessário para gerar os dados multimídia que por sua vez podem ser: Texto ( ASCII + fontes + efeitos especiais SGML), Áudio, Imagens estáticas, Vídeo, Objetos gráficos, Mídia Gerada (MIDI - Musical Instrument Digital Interface). Diversos aparelhos de aplicação específica são utilizados neste momento para criar e editar informações multimídia que podem ser classificadas em quatro tipos no que se refere à metodologia de geração: Orquestrada: captura e/ou geração da informação a partir da recuperação de objetos armazenados; Ao Vivo: informação gerada a partir de periféricos (câmera, microfone, teclado, ). Ex: vídeo conferência; Discreta (independente de tempo): textos, gráficos, imagem (scanners); Contínua: informação disponível em intervalos de tempo (periódicos ou não) Pode-se então definir um SGBDMM como sendo um Sistema de alta capacidade e desempenho para suporte a tipos de dados multimídia, bem como a todos os demais tipos alfanuméricos básicos, manipulando grandes volumes de informações multimídia [3] 2.1. Aplicações MultiMídia Entre as aplicações voltadas à área de multimídia, e por sua vez, potenciais clientes de SGBDMM, podemos citar: (a) Servidores VoD (Video on Demand), (b) Sistemas de Gerenciamento de Documentos Multimídia, (c) Sistemas de Engenharia (provê suporte integrado para os processos de sistemas de engenharia tais que as dependências entre diferentes documentos e a sua consistência em ambientes multiusuário), (d) Sistemas de mensagens eletrônicas multimídia (com suporte a edição e mensagens de voz), (e) Sistemas de Imagens Médicas, (f) Sistemas Militares para a recuperação de imagens de radar, (g) Sensor remoto/gis, (h) Sistemas Multimídia de Instrução, entre outros.

5 3. SGBDMM: Aspectos e Requisitos Uma aplicação multimídia envolve atividades como projeto, edição, autoria (na fase de desenvolvimento da aplicação) e consulta, visões e atualização (na fase de utilização da aplicação). Como qualquer SGBD, seja ele convencional ou não, é necessário definir aspectos e requisitos inerentes à natureza do sistema em si e que atendam as atividades de uma aplicação Multimídia. Para SGBDMM, deve-se evidenciar e comentar alguns requisitos básicos como: suporte a tipos de dados multimídia, capacidade de manipular objetos multimídia de grandes volumes, alto desempenho, gerenciamento de custo efetivo de armazenamento, expansibilidade e transparência de armazenamento, funcionalidades p/ recuperação de informação. No entanto, os três requisitos mais importantes para que um SGBDMM consiga atender aos seus objetivos são: volume de armazenamento, continuidade e sincronização. No primeiro caso, o volume requerido por informações de áudio e vídeo é consideravelmente maior que as informações textuais encontradas em SGBDs relacionais. Neste ponto, muitos fatores exercem influência como os dispositivos de armazenamento. Existem hoje, além dos discos magnéticos, discos ópticos com relativo baixo custo, grande capacidade de armazenamento e alta velocidade de acesso aleatório aos dados. Além disso, possuem características de desempenho particulares, as quais devem ser entendidas detalhadamente para que possibilitem a melhor utilização do seu sistema de recuperação de informações. Outras intervenções podem ser feitas para otimização do desempenho no gerenciamento de bases de dados muito extensas. Entre estas podemos citar, armazenamento ternário, implementação de paralelismo (tanto em memória principal como secundária) e algoritmos de migração. Devido à quantidade e tamanho dos dados armazenados, dificilmente somente um dispositivo de um tipo específico é o bastante para atender a demanda. Assim, faz-se necessária a utilização simultânea de diversos dispositivos de armazenamento em conjunto, também conhecido como JukeBox. Assim, novos dispositivos de armazenamento podem ser adicionados de acordo com a demanda. Neste quesito (dispositivos de armazenamento), um SGBDMM deve prover a interoperabilidade com diferentes dispositivos e mídias de armazenamento, como gravação em diferentes tipos de discos e CDs, sejam eles regraváveis ou não. Para que isto seja possível, é necessário estabelecer um conjunto básico de operações mapeando as mesmas para as instruções particulares a cada dispositivo[5]. As dificuldades continuam presentes no tratamento de objetos multimídia que reúnem grande volume de informações. Para otimizar o processo de recuperação destes dados e posterior exibição dos mesmos, alguns investimentos devem ser feitos no sentido de armazenar o objeto em partes. Este processo deve ser o mais simples possível atentando para o fato de alcançar bons tempos de resposta no processo de gravação e, ao mesmo tempo, realizá-lo de forma agrupada. Esta última preocupação servirá para agilizar o processo de leitura dos dados referentes a um objeto que foi dividido em partes. Esta abordagem, no entanto, não se aplica a todas as classes de objetos multimídia. Imagens, por exemplo, devem ser exibidas como um todo e não em partes. Mas no caso de objetos de áudio e vídeo, a informação pode ser armazenada em blocos e ser recuperada a medida que é requisitada. No caso da continuidade, é necessário atentar para o fato dos dados, no caso de áudio e vídeo, estarem armazenados em diversas unidades de informação, denominadas de quadros, que juntas e encadeadas dão forma à informação final. Isto leva a necessidade de disponibilização contínua das unidades de informação formando um fluxo seqüencial, não permitindo a perda de dados. Outro fato é a sincronização necessária no caso de diferentes fluxos de dados que precisam estar juntos e síncronos para resultar em informação palpável [13]. Como exemplo, num vídeo, podemos ter um fluxo de dados com a voz, outro com as imagens e outro com a legenda de tradução. Todos estes fluxos devem estar sincronizados para manter a integridade da informação. Tanto a sincronização, como a transmissão continuada (transferência em tempo real), depende de fatores como taxa de compressão dos dados, tamanho de buffer alocado, algoritmos de escalonamento, distribuição de dados e capacidade de banda alocada para o canal de

6 comunicação[5]. Algumas otimizações propostas para garantir a entrega dos dados de forma sincronizada são: utilização de armazenamento secundário e mecanismos de caching no caminho entre a aplicação e o usuário final. Entre algumas das premissas das funcionalidades de um SGBDMM está o suporte a recuperação e consultas específicas. Esta funcionalidade será desenvolvida num tópico em particular deste documento. As tarefas gerenciais de um sistema de dados englobam não só armazenamento e exibição, mas a atualização dos dados em si. Logo, no caso de dados multimídia, deverá também ser possível que os dados sofram atualizações como redimensionamento de imagens por exemplo. Outros pontos importantes a serem tratados são indexação e caching de dados desta natureza Modelagem, Estruturação e Navegação em SGBDMM Um dos prováveis problemas em SGBDMM que gerenciam grande quantidade de dados será prover mecanismos eficientes de localização de informações. Ao deparar-se de com imensas bases de dados armazenadas em diversos tipos de dispositivos, são necessárias ferramentas eficazes para encontrar e recuperar informações relevantes. Boa parte das informações deve ser registrada no momento de inserção das mesmas com o intuito de permitir que um posterior retorno de informações seja rápida e eficaz. Alguns métodos para a captura de informações que podem ser utilizados são: reconhecimento, digitação, agrupamento e definição de relações explícitas. SGBDs relacionais permitem que usuários encontrem as informações desejadas através de tipos, atributos e relacionamentos entre os seus elementos. Por outro lado, as técnicas de recuperação de informação concentram-se principalmente em conteúdos alfanuméricos. No entanto, técnicas baseadas em similaridade permitem consultas que avaliam se a palavra chave de um determinado documento é de alguma forma próxima àquelas definidas na consulta do usuário. É importante notar aqui a principal diferença entre os enfoques da recuperação de dados e da recuperação de informações. A primeira se baseia em fatos onde um valor deve ter um relacionamento explicitado pela consulta. No entanto, a segunda abordagem sugere que uma entidade ou objeto somente seja retornado se o mesmo for relevante, sem necessariamente existir uma relação explícita entre a entidade e a especificação da consulta. Neste processo, muita ênfase tem sido dada a abordagens de estruturação baseadas em hipertextos. Este enfoque de organização do conteúdo da informação permite que a mesma seja visitada navegando através de ligações em diferentes direções. Esta abordagem, aproxima-se do modelo Orientado a Objeto, suportando métodos para exibição de informações de sua base [6] Transações / Controle de Concorrência Assim como num SGBD relacional, um SGBDMM deve oferecer suporte a transações garantindo a estas as propriedades ACID (Atomicidade, Consistência, Isolamento, Durabilidade). No que se refere especificamente a transações em SGBDMM, o mesmo deve basicamente oferecer suporte a transações que possam ser longas, aninhadas e cooperativas, não necessariamente nesta ordem e ao mesmo tempo. Em aplicações comerciais, as transações são geralmente curtas, dando maior ênfase a robustez e desempenho. Ao tratar de objetos longos e complexos, como CAD/CAM entre outros, as transações em SGBDMM passam a dar maior ênfase a outros aspectos como o número de passos necessários para execução de toda operação. No entanto, as propriedades ACID têm que ser contempladas. Todos estes requisitos geram transações longas, durando às vezes semanas para a sua execução total.

7 Esboço documento SD1 SD2 1 0 Rascunho SD3 SD4 Revisões 2 0 Rascunho (integração: figuras,gráficos,etc) Doc Final Fig. 1 Fluxo de uma transação em SGBDMM Ainda sim, as transações longas possuem alguns problemas e desafios em aberto como: ocorrência de falha em fases e/ou subfases da transação sendo necessário a reexecução da transação (roll-back) Quanto mais complexa a transação, maior o número de conflitos a serem tratados Trabalho cooperativo, requisito em Sistemas Multimídia, não suportados pelo modelo de transação tradicional No caso de transações aninhadas, existe uma hierarquia composta de uma transação principal sobre diversas transações filhas (ou subtransações). As transações do topo satisfazem às propriedades ACID com respeito às demais transações superiores. Subtransações sob uma transação de mais alto nível permanecem isoladas. Outro requisito é de que todas as transações filhas estejam terminadas, para que uma transação superior possa prosseguir na sua execução. T ST 1 ST 2 Fig. 2 Transações Aninhadas ST 11 ST 12 ST 21 ST 22

8 No caso mais específico de transações cooperativas para SGBDMM, a idéia é prover funcionalidades de SGBD junto a um sistema de recuperação por conteúdo e um sistema hierárquico. Este modelo é dirigido ao usuário que tem o poder de decidir a sincronização. É importante também salientar como transações contribuem no processo de controle de concorrência em um SGBDMM, principalmente quando conceitos de granularidade são utilizados. Assim, ao se bloquear algum objeto multimídia, quão maior seja a sua granularidade, menor será tanto a concorrência como a sobrecarga do sistema. No entanto, a melhor abordagem seria adotar bloqueios multigranulares com o intuito de permitir que diferentes transações possam estabelecer diferentes níveis de bloqueio. Desta forma, é possível minimizar o número de bloqueios em um SGBDMM. Se na definição de um SGBDMM, for adotada uma abordagem Orientada a Objeto, então pode-se trabalhar com várias categorias de granularidade, dando maior liberdade a política de concorrência. As categorias poderiam ser as seguintes: Organização de Armazenamento Físico: tabelas, páginas, registros Classes e Instâncias: lock classe1, lock classe n Objetos Complexos Hierarquia de Classes: : lock classe1 lock classe 2

9 4. Arquitetura de Armazenamento Neste tópico é sugerida uma arquitetura de armazenamento para SGBDMM, abordando aspectos como memória principal, memória secundária e classes de dispositivos de armazenamento, como visto em [6] et al Arquitetura em 3 camadas A arquitetura de armazenamento de um SGBDMM deve ser baseada em um modelo hierárquico de três camadas [6], provendo eficiência e transparência. Na primeira camada, localizada na memória principal, ficarão residentes partes ativas do SGBD. Isto devido ao fato de memórias principais estarem hoje ainda maiores e mais rápidas. No segundo nível, utilizando discos óticos e magnéticos, ficariam os dados com maiores probabilidades relativas de acesso. Por fim, na terceira camada, composta por agrupamentos de dispositivos de armazenamento (também chamados Jukebox), seriam armazenados os dados com menor probabilidade de acesso. Este nível possui maior capacidade de armazenamento, estando assim preparado para acomodar longos objetos multimídia. No entanto, deverá provavelmente apresentar pior desempenho que as outras duas camadas. Para que esta abordagem seja utilizada, é necessário oferecer suporte ao processo de troca de informações entre os 3 níveis garantindo um mínimo de eficiência. Por conseguinte, alguns pontos deste processo deverão ser tratados tais como limitações de espaço, mudança de padrões de acesso, procedimentos internos de organização, conversão de dados (ponteiros, índices, agrupamentos). Para controlar os acessos simultâneos aos dados, algoritmos de escalonamento devem ser empregados durante este processo. 1. Memória Principal 2. Discos óticos e magnéticos 3. Agrupamento de dispositivos de armazenamento mais lentos (JukeBox) Fig. 3 Arquitetura em 3 camadas 4.2. Tipos de Atributos Por outro lado, aspectos não triviais aos SGBDs tradicionais devem ser incorporados, causando impacto em suas arquiteturas. Um destes aspectos é a implementação de tipos de dados longos com suporte a informações multimídia e, além disso, que requeiram grande quantidade de memória para armazenamento. Estes tipos de dados são geralmente implementados em atributos denominados BLOB. Além destes tipos de atributos com suporte a múltiplas mídias, existem outros como VARGRAPHIC ou IMAGE.

10 5. Consultas e Recuperação de Conteúdo em SGBDMM Neste quesito, não basta simplesmente realizar a consulta. É necessário fazer uso de interfaces robustas para que não somente consultas e recuperação de dados multimídia sejam possíveis mas também a navegação entre os resultados seja permitida. Uma relação dos possíveis tipos de consultas a serem suportados seriam: Consultas ao conteúdo dos objetos - ex: Recupere as imagens contento crianças loiras ou Recupere as músicas com maior concentração de graves, QBE - ex: Recupere um filme contendo uma determinada cena, Consultas indexadas por tempo - ex: Mostrar um filme 30min após o seu início ou Reproduza o a faixa musical 25 segundos antes do seu termino, Consultas espaciais - ex: Mostrar uma imagem onde o presidente Yelstin esteja à esquerda do pres. Clinton, Consultas de aplicação específica - ex: Mostrar um vídeo onde aparece a evolução de uma célula p/ tumor canceroso. Além destas, é necessário prover suporte a outros tipos de consultas baseados em cor da imagem, objetos contidos em imagens, objetos espaciais e em imagens de vídeo (cenas, cortes ou objetos). Cada um dos tipos de consultas citados necessita de uma metodologia de processamento e recuperação associada para que a consulta gere os resultados esperados. É válido lembrar que neste processo serão utilizadas informações como metadados e indexações. f e e d b a c k GUI Especificação, consulta e refinamento Processamento Consulta Geração de Resultados Consulta Visual Diferentes domínios Pesos Incerteza Fig. 4 Processo de execução de consulta em SGBDMM

11 5.1. Indexação, Predicados e Domínios A indexação pode ser implementada de três formas de Extração: (a) Manual - usuário fornece e indexa as várias características do componente multimídia, (b) automática: listas de termos indexados são geradas através de algoritmos, (c) híbridas: o sistema determina alguns valores, usuário os corrige. Além disso, no caso particular de imagens, a indexação pode acontecer sobre as seguintes características: cor, textura, formas e relacionamentos espaciais. Para o processamento de consultas, é necessário especificá-las em função de predicados para pesquisa. Estes por sua vez podem fazer uso de busca por similaridade ou predicados especiais em domínios característicos dos tipos multimídia como cor, textura ou forma, por exemplo. Além dos domínios, existem também outros aspectos relacionados a predicados para informações multimídia como pesos (níveis de relevância de um predicado) e incerteza (termos imprecisos: similar a, parecido com). A recuperação de informações multimídia também pode fazer uso da combinação de diferentes propriedades de um objeto multimídia simultaneamente, passando a ter a função de chaves neste caso. Como exemplo destas combinações, temos: combinações exatas: cor=azul, brilho=55, contraste=25, textura=10 combinações parciais: somente 1 subconjunto de valores é especificado (cor, brilho) por faixa: ex:[1,100] faixa parcial (especifica apenas faixas p/ um subconjunto de atributos) 5.2. Recuperação por Conteúdo Como já mencionado, a Incerteza ou Imprecisão no processo de recuperação de dados multimídia é uma característica importante. Nos SGBDs relacionais, a recuperação de informações é realizada mediante comparações exatas entre os dados requisitados e aqueles existentes na base de dados. No entanto, uma das características desejadas em um SGBDMM é a realização de consultas por conteúdo. Nesta modalidade, o objetivo é retornar imagens que combinem com uma dada Imagem. Neste caso, as técnicas de comparação de imagens baseiam-se em algoritmos de melhor combinação[4], contemplando aquelas que tiveram o melhor casamento. As comparações não exigem resultados exatos no processo de combinação entre duas imagens. O uso de formalismos de Incerteza, neste caso, são essenciais. Sistemas como o QBIC (Query By Image and video Content )[7], desenvolvido pela IBM, são exemplos de aplicações que realizam consultas por conteúdo de imagens ou vídeos. O QBIC serviu de base para criar extensões multimídia em um já conceituado SGBD relacional, DB2 [12]. Algoritmos voltados para o processamento de imagens e identificação das informações contidas nestas conseguem capturar e mapear suas propriedades. Um exemplo de algoritmo com este propósito é o FASTMAP [11]. Este algoritmo trabalha com o mapeamento de atributos que representam um objeto multimídia. Objetos deste tipo possuem um grande número de atributos complexos. A idéia do algoritmo é mapear estes atributos em pontos num espaço dimensional gerenciável. Assim, o mesmo consegue indexar, minerar e visualizar conjuntos de dados multimídia de forma eficiente. O grande objetivo do FASTMAP é prover recuperação e visualização em cima de grandes coleções de dados multimídia Recuperação de Objetos Longos Como já citado, a recuperação de objetos muitos longos pode se beneficiar do armazenamento particionado do objeto. Por diversas vezes, consultas são feitas sem, no entanto, requisitar a exibição do objeto multimídia. Assim, os objetos somente seriam realmente carregados quando uma requisição explícita fosse feita. Para prover esta característica, os SGBDMM devem implementar formas apropriadas de indexação e agrupamento de longos dados multimídia.

12 A recuperação de longos objetos de dados pode, obviamente, apresentar elevado tempo de resposta usando técnicas de reconhecimentos de padrões. Otimizações neste processo podem ser feitas em três frentes: - explorar o paralelismo em armazenamento secundário - diferenciar os tipos de objetos multimídia requisitados de forma a utilizar algoritmos específicos otimizados para cada - prover aos objetos multimídia métodos descritores dos seus conteúdos Compressão de Dados Embora a compressão de dados seja uma característica bastante desejada para bases de dados muito largas, como as bases multimídia, esta propriedade torna mais complexo o processo de consulta e recuperação de informações. Ao alterar e tentar otimizar o processo de armazenamento e a estrutura interna dos dados multimídia, uma parte considerável das propriedades das informações multimídia termina perdida. Este fato causa maior complexidade no processo de processamento e identificação das características inerentes aos dados multimídia.

13 6. Mineração de Dados Multimídia Mineração de Dados Multimídia é uma subárea de estudo da Mineração de Dados que trata da extração de conhecimento implícito, relacionamentos multimídia, ou outros padrões ainda não explicitados e armazenados mas presentes em dados multimídia. A mineração de dados multimídia não se limita somente a imagens e vídeos mas engloba também a mineração de textos. Estes documentos textuais concentram-se em formatos semi-estruturados localizados na Internet [1]. Com o aumento da utilização de objetos multimídia em SGBDs relacionais estendidos ou objeto-relacionais, está se tornando cada vez mais importante descobrir relacionamentos entre dados textuais-relacionais e dados multimídia em grandes bases de dados, procurando dar o mesmo tratamento a ambas as classes de dados. Percebe-se como muitos dos SGBDs relacionais estão incorporando informações multimídia, como por exemplo fotos de clientes e usuários. O aumento da quantidade de dados multimídia é cada vez maior e mais rápido em redes globais como a Internet, evidenciando a urgência de meios de classificar e entender estes dados [1]. Com a grande explosão do volume de dados multimídia gerados por câmeras de vídeo, câmeras digitais, câmeras para vigilância, gravadores de áudio (note-se aí a ascensão do formato Moving Picture Expert Group Layer 3 - MP3 ) [10], satélites, sistemas de sensores remotos, entre outros, torna-se de fundamental o desenvolvimento de ferramentas com a capacidade da descoberta de relacionamentos não explícitos em bases de dados multimídia. Os avanços alcançados na área de SGBDMM, como em [8] e [7], permitem que grandes bases de dados multimídia sejam criadas e consultadas de uma maneira eficiente. Estes avanços, em combinação com a pesquisa desenvolvida em mineração de dados sobre SGBDs relacionais, criam um ambiente propício para o desenvolvimento de sistemas de mineração de dados multimídia. Protótipos deste tipo de sistema já podem ser encontrados em [9] et al. Para que seja possível realizar mineração de dados sobre informações multimídia é necessário integrar estas tecnologia as de tratamento de dados não convencionais como os dados multimídia. Assim, é possível que algoritmos de associação e classificação possam ser empregados para a mineração deste tipo de dado Processamento de Imagens Para que seja possível implementar mineração de dados multimídia, faz-se necessário extrair destes dados suas características e propriedades. Ao segmentar e mapear imagens, a captura das suas propriedades irá facilitar e otimizar o processo de detecção de relacionamentos não explícitos entre os dados. No caso do processamento de imagens, é necessário realizar a segmentação da figura em regiões disjuntas. Uma região consiste de um conjunto de pixels que compartilham uma determinada propriedade como coloração ou textura [5]. A localização de características através de áreas (e não de pixels) é um tipo de segmentação um tanto quanto rudimentar que não necessita ser uma operação completa. Esta pode apresentar melhores resultados pelo fato de não ser tão refinada quanto a segmentação. Assim, é possível realizar combinações parciais para a descoberta de associações que por sua vez irão identificar se um objeto está contido, sobreposto ou próximo a um outro Regras de Associação e Predicados Regras de associação para a mineração de dados têm sido exaustivamente desenvolvidas e estudadas. Muitos algoritmos e abordagens foram propostos com o intuito de minerar diversos tipos de regras de associação em grandes bases de dados [5]. No entanto, boa parte dos esforços concentra-se em identificar associações em dados alfanuméricos. No caso específico de dados

14 multimídia, regras de associação específicas são aplicadas fazendo uso de características topológicas que estabelecem relacionamentos de localização (proximidade vertical ou horizontal, sobreposição e inclusão). Dados multimídia possuem propriedades peculiares: a ocorrência repetida de uma determinada característica como cor pode significar que existem outras informações implícitas que a simples existência daquela característica por si só revelará. Para que sejam aplicadas as técnicas de Mineração de dados multimídia para estabelecer associações e/ou agrupamentos, os predicados não são necessariamente baseados em características visuais ou topológicas da imagem mas também em descrições como tamanho, duração de vídeo ou palavras relacionadas. Além disso, regras de associação podem ser identificadas em níveis de baixa resolução, sendo confirmadas progressivamente em níveis de alta resolução. Segundo [5], pode-se trabalhar com dois tipos de regras de associação multimídia: Baseadas em características visuais atômicas, também denominadas regras de associação multimídia baseadas em conteúdo com descritores recorrentes Com relacionamentos espaciais, também chamados de regras de associação multimídia com relacionamentos espaciais recorrentes No primeiro caso, as características atômicas representam descritores de aspectos como cor e textura. Regras de associação baseadas nestes aspectos são similares a regras de associação de multi-níveis, enfatizando a presença de valores em níveis de conceitos pré-informados. O segundo tipo de regra de associação utiliza relacionamentos topológicos entre posições de objetos (proximidade horizontal e vertical, sobreposição e inclusão) Desafios e dificuldades para a Mineração Multimídia O primeiro problema com a mineração de dados em SGBDMM é obter acesso a conjuntos de dados multimídia significativamente grandes. Embora pareça trivial, não é fácil fazer acesso a dados de diferentes mídias oriundas de aparelhos de uso específico, como scanners médicos utilizados em hospitais. Estes tipos de dados seriam, com certeza, uma boa oportunidade para aplicações que investigassem a existência de regras de associação baseadas em cor. Embora sem um campo específico de estudo, pode-se encontrar na Internet um número extremamente grande de imagens, vídeos e dados multimídia em geral cujo acesso é, em tese, livre[1]. Outro problema encontrado refere-se a Hierarquia de palavras chaves. Palavras chaves que descrevem imagens são dados muito importantes e de grande utilidade no caso de coleções de imagens muito grandes. No entanto, a associação automática de descrição com uma imagem não é trivial, ao passo que a adição manual desta informação descritiva não possui boa escalabilidade. Uma abordagem alternativa para a extração destas descrições, é procurar examinar documentos textuais semi-estruturados como os disponíveis na Internet. Estes documentos são normalizados e filtrados pelas tags e descrições que os formam, para então serem associados a imagens. O processo de normalização utiliza análise morfológica enquanto a filtragem usa lista de palavras de parada e uma base de dados léxica para eliminação de termos não desejados ou ilícitos. Refinamentos podem ser feitos utilizando-se de heurísticas de linguagens natural. Entre as várias questões complicadoras do processo de mineração de dados multimídia, existe também a compressão de dados. Como já citado no tópico 5.3, a análise refinada das propriedades de dados desta natureza torna-se fica bastante prejudicada. Muitas das características que antes poderiam implicar da identificação de uma relação podem ter sido suprimidas no processo de compressão dos dados. No caso de análises em diferentes níveis, o processo contínuo de análise e refinamento à procura de relações termina se prolongando. Resultados que antes poderiam ser identificados logo nos primeiros níveis, são postergados para níveis mais avançados. Outro problema evidenciado está na definição de uma estrutura particular de dados, denominada cubo, que armazena dados multidimensionais e trata consultas que agregam algumas destas dimensões em diferentes níveis de abstração. No caso de cubos para dados multimídia, o

15 número de dimensões é maior que o normal. O grande problema está no comportamento do cubo de dados, cujo tamanho cresce exponencialmente em relação ao número de dimensões[1].

16 7. Conclusão A demanda por uma estrutura com suporte a aplicações multimídia em tempo real, como a exibição de vídeos sob demanda ou rádios virtuais, já se mostra relativamente grande com perspectivas de maior crescimento. Com o advento da Internet e sua popularização e uma arquitetura cliente ainda mais robusta, tal estrutura precisava agora melhorar o seu processo de armazenamento de informações multimídia. No entanto, pode-se perceber claramente como é grande o desenvolvimento e amadurecimento na área de sistemas de banco de dados multimídia. Estes sistemas não irão simplesmente armazenar mas também gerenciar este tipo peculiar de informação. Muitas das funcionalidades e requisitos necessários ao funcionamento de um sistema para gerência de dados foram desenvolvidas para este caso em especial, tornando esta tecnologia utilizável por diversas aplicações na área de multimídia. No entanto, muitas questões referentes ainda encontram-se em aberto. Uma das principais é o modelo a ser adotado para desenvolvimento de uma arquitetura para SGBDMM. Dentre os modelos estudados para o presente trabalho, o modelo Orientado a Objetos mostrou-se o mais indicado. O modelo OO além de aproximar-se mais facilmente do mundo real, traz consigo características como classes e encapsulamento, muito importante nos diferentes tipos de objeto multimídia. No entanto, o que se percebe em muitas das implementações hoje existentes é a utilização do modelo relacional, estendendo-o com funcionalidades que oferecem suportes a dados multimídia. Aspectos como consultas e recuperação de informações multimídia, ainda sim, precisam ser aprofundadas, principalmente em tipos de dados multimídia como o áudio. Mesmo na consulta e recuperação sobre conjuntos de imagens, há ainda muitas otimizações a serem implantadas como consultas por comparação a outras imagens ou a navegação num conjunto resultante de uma consulta. Outro ponto a ganhar maturidade é a mineração de dados multimídia. Embora alguns protótipos acadêmicos de pequeno porte já realizem esta tarefa, suas definições e regras de associação ainda são pouco exploradas e em reduzido número. Além disso, os atuais estudos desta área restrita da mineração de dados têm englobado quase que exclusivamente imagens. Uma boa proposta seria identificar e mapear características de informações de áudio, para a definição de relacionamentos. Estes relacionamentos baseados em sons iriam contemplar não somente as combinações entre si mas também a relação com imagens de um vídeo ou descritores alfanuméricos.

17 Referências [1] ZAIANE, O.; HAN, J.; LI, Z.; HOU, J.; Mining MultiMedia Data, Intelligent DataBase Systems Research Laboratory, School of Computing Science, Universidade Simon Fraser University, Canadá, 1998 [2] RIBEIRO,D., Bases de Dados em Multimídia, UFRGs, Instituto de Informática, Programa de Pós-Graduação em Computação, Mestrado em Informática, Junho, 2001 [3] MOURA, A.M.C., Banco de Dados Multimídia ; IME, RJ, 1999 [4] MOTRO, A., KIM, W., Management of Uncertainty in Database Systems; Modern Database Systems, ACM Press, 1995 [5] ZAIANE, O.; HAN, J.; ZHU, H.; Mining Recurrent Itens in Multimedia with Progressive Resolution Refinement, Department of Computing Science, University of Alberta, School of Computing Science, Simon Fraser University, Canadá, 1998 [6] CHRISTODOULAKIS, S., KOVEOS, L., KIM, W., Multimedia Information Systems: Issues And Approaches; Modern Database Systems, ACM Press, 1995 [7] FLICKNER, M.; SAWHNEY, H.; NIBLACK, W., Query By Image and Video Content: The QBIC System. IEEE Computer, Setembro, 1995 [8] LI, Z.; ZAÏANE, O.; YAN, B.; C-BIRD: Content-Based Image Retrieval from Image Repositories Using Chromaticity and Recognition Kernel, Proc. International Workshop on Storage and retrieval Issues in Image and Multimedia Databases, in conjunction with the 9th International Conference on Database and Expert Systems (DEXA'98), Viena, Áustria, Agosto, 1998 [9] ZAIANE, O.; HAN, J.; LI, Z.; HOU, J.; CHEE, S. H.; CHIANG, J.; Mining MultiMedia Data, Intelligent DataBase Systems Research Laboratory, School of Computing Science, Universidade Simon Fraser University, Canadá, 1998 [10] VALLE, A.; GUIMARAES, C.; CHALUB, F.; MP3 A Rev. do Som via Internet, Reichmann & Affonso Editores, Rio de Janeiro, 1999 [11] CHAN, C.; LEUNG, W.; CHOI, K.; CHU, M.; Image-Video Standards and Database Techniques, Department of Computer Science, Hong Kong University of Science and Technology, 1999 [12] IBM Inc.; 10/2001 [13] SEN, S.; GONZALEZ, O.; STANKOVIC, J.; TAKEGAKI, M.; SHEN, C.; Multimedia Capabilities in Distributed Real-Time Applications, Department of Computer Science, University of Massachusetts Amherst, 1998