Análise de Técnicas de Visualização e Sistemas aplicados a Coleções de Imagens
|
|
- Maria de Belem Lameira
- 5 Há anos
- Visualizações:
Transcrição
1 Análise de Técnicas de Visualização e Sistemas aplicados a Coleções de Imagens Laura Florian Cruz Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos/SP, Brasil Resumo Técnicas de visualização de imagens são frequentemente utilizadas para possibilitar ao usuário a análise e exploração entre as imagens. Em uma representação visual, as técnicas de visualização permitem aos usuários buscar informações de maneira mais eficiente. Uma das alternativas para esta forma de representação é a utilização de projeções e outra mencionada neste trabalho é o uso de estruturas em árvore, onde uma hierarquia é imposta aos dados, baseada no mesmo critério da projeção. Em primeiro lugar, a análise de imagens e aplicações de processamento de imagens é usada para calcular os vetores de características nestas. Estos conjuntos de dados são projetados são os posicionados, como pontos, num plano onde proximidade entre eles sugere similaridade. Uma dificuldade comum é o grande número de características que definem um espaço de alta dimensão que afeta fortemente o desempenho na análise visual. Lidar com esse problema normalmente exige redução de dimensão. Existem ferramentas desenvolvidas para a visualização aplicadas a coleções de imagens, como as técnicas baseadas em projeção: MDS, PCA, FastMap, Isomap, LSP e Neighboor Joining. Até agora existem muitos sistemas para a exploração, onde o objetivo principal é fornecer ao usuário uma maneira boa de explorar a visualização. Assim, a área de visualização de informação centra-se no estudo como exibir essas coleções de informações, como das imagens, ao usuário em uma representação visual e permitem que os usuários procurem informações de maneira mais eficiente. Por exemplo, Moghaddam et al. [1] mostram que é possível utilizar técnicas de visualização de informação, para proporcionar maneiras de revelar informações escondidas (relações complexas) em uma representação visual e permitem que os usuários procurem informações de maneira mais eficiente, e graças à capacidade visual humano para o aprendizagem e identificação de padrões, a visualização é uma boa alternativa para lidar com este tipo de problemas. No entanto, a visualização em si é um problema difícil, um dos principais desafios é como encontrar de baixa dimensionalidade, representações simples que representam fielmente o conjunto de dados completo e as relações entre os objetos de dados I. INTRODUÇÃO Pesquisas atuais mostram como técnicas de visualização e mineração de dados podem ajudar na exploração dessas bases de dados, que busca informações potencialmente úteis. Os tópicos que são desenvolvidos neste trabalho são: os métodos de projeção e exploração. A projeção estudada a partir da maneira sobre como reduzir as altas dimensionalidades das imagens originais em espaços de baixa dimensão preservando sua estrutura original, mostrando as técnicas de visualização aplicadas em coleções de imagens. E a
2 exploração que se concentra em como fornecer ao usuário uma maneira de explorar a visualização, citando os sistemas desenvolvidos em visualização de imagens. II. VISUALIZAÇÃO DE IMAGENS Atualmente, técnicas de visualização de imagens fornecem uma boa alternativa de geração de representações compactas duma coleção de imagens digitais que têm informações relevantes. Figura 1. Etapas de processamento para visualizar a coleção de imagens. A estrutura do sistema proposto para a visualização de grandes coleções de imagens é mostrada na Figura 1. Primeiro, um processo de extração de características é realizado em conjunto de dados e algumas características de baixo nível são extraídas. Assim, cada imagem na coleção corresponde a um ponto em um espaço de alta dimensão. Em segundo lugar, para cada característica, uma métrica é selecionada, a fim de comparar as imagens com base nessa característica, essa comparação fornece um número real que define como as imagens são semelhantes (função de similaridade). Em terceiro lugar, uma matriz de similaridade entre todas as imagens é construída e é transformada em uma matriz de distância. Finalmente, um algoritmo de projeção considera só as k dimensões baseada na matriz de distância obtida anteriormente. Neste caso, k é definido como 2eas duas dimensões são usadas como coordenadas (x, y) para a visualização de cada imagem num espaço 2D [2]. A. Representação das imagens A principal característica do processo de extração é identificar e extrair informações relevantes a partir da imagem que permite a discriminação de classes diferentes da imagem, onde cada imagem I da coleção é representada por um vetor de características f(i); por exemplo, histograma do cor ou textura. As imagens são tipicamente caracterizadas por atributos intrínsecos de imagens, tais como cor, textura e forma como é mencionado por diversos autores [3], [4], [5], etc.. As características de baixo nível, tais como a cor e a textura são freqüentemente utilizadas para representar o conteúdo visual das imagens, sendo os correlogramas de cor, momentos de cor e histogramas de cor as características mais usadas [6]. Outros descrevem cada imagem pela mediana de sua cor como faz [7], [8]. Por outro lado, in Visual Image Browsing and Exploration (Vibe) feito por Grant et al. [9] usa a correlação de cores gradiente das imagens. Assim, como as waveletes Gabor são um exemplo de textura, mas existem muitos métodos de análise de textura disponíveis, e estas podem ser aplicadas tanto para realizar a segmentação da imagem, ou extrair as propriedades de textura das regiões segmentadas ou de toda a imagem. As características de textura fornecem mais informações espaciais ou relacionais do que as características de cor a fim de saber mais sobre o conteúdo de uma imagem, portanto uma imagem pode ser representada através da combinação de características de cor e textura como é explorado em [4].
3 Simplesmente, a recuperação de imagens baseada em conteúdo (CBIR) é automaticamente a tarefa de encontrar imagens que se assemelham à imagem de consulta do usuário a partir de grandes conjuntos de dados usando as características visuais inerentes à própria imagem[8]. No domínio dos sistemas CBIR, tem-se as seguintes fases[11]: Figura 2. Técnica de segmentação automática. Figura 3. Ferramenta de rotulagem. A Figura 2 citada por Yang et al. [5] usa uma imagem segmentada de baixo nível para obter as regiões homogêneas da imagem sobre a cor ou textura, usando uma técnica de segmentação automática da imagem. Por outro lado, Fan et al. [10] usa uma ferramenta onde uma imagem é rotulada pela supervisão do usuário como uma forma de representar o conceito da imagem, além é utilizado para o reconhecimento e detecção de objetos, os principais objetos na imagem são extraídos automaticamente, mostrados na Figura 3. B. Recuperação de Imagens por conteúdo Um número de sistemas de recuperação de imagens foi desenvolvido ao longo dos últimos anos, como importante forma de entender o que implica a recuperação de imagens relevantes. 1) Encontrar técnicas adequadas para codificar o conteúdo duma imagem. A maioria dos atuais sistemas CBIR para fins gerais usam características primitivas, ou seja, cor, textura e forma. 2) Depois de selecionar uma imagem de consulta pelo usuário, o sistema calcula o vetor de características correspondentes e compará-lo com todos os vetores de características relacionadas com as imagens no banco de dados. 3) Imagens com a distância mínima, com a imagem de consulta serão apresentados em ordem decrescente. Portanto, os sistemas de CBIR (Content Based Image Retrieval) conseguem determinar relações de similaridade entre imagens em uma determinada coleção. Porém, se os usuários destes sistemas possuem acesso a uma interface visual na qual as relações de similaridade podem ser facilmente visualizadas como distâncias em um plano ou espaço tridimensional, então eles podem se beneficiar com estes sistemas. C. Mineração Visual de Imagens Uma parte importante na visualização de imagens é que depois de fazer a projeção, este é analisado, a fim de revelar informações úteis para os usuários, como a extração de conhecimento implícito, o relacionamento de dados, ou outros padrões que não explicitamente está armazenados nas imagens[12]. Infelizmente, é difícil ou mesmo impossível para o ser
4 Figura 4. A proyeção conseguiu separar bem os quatro grupos, empregando PCA. humano descobrir o conhecimento subjacente e padrões na imagem ao trabalhar com uma grande coleção de imagens. Uma atividade importante relacionada ao processo de mineração de conjuntos de imagens é a classificação ou categorização. Esse processo consiste em separar as imagens de uma coleção, colocando-as em grupos previamente definidos, representando assim uma maneira de extrair informação em imagens para reconhecer padrões e objetos homogêneos. Diversas técnicas de agrupamento podem ser encontradas, tais como K-médias, Mapas auto-organizáveis (Self- Organizing Maps)[9], modelos de Markov e algoritmos de agrupamento hierárquico, dentre outras. Um exemplo é mostrado, na Figura 4. Figura 5. Árvore de similaridade. Uma alternativa ao mapeamento de dados baseado em projeções é a imposição de uma hierarquia sobre algum relacionamento significativo sobre os dados, como, por exemplo, a similaridade calculada sobre as coordenadas da representação vetorial. A hierarquia extraída deste processo é refletida na forma de uma árvore (daí o termo árvore de similaridades ), que é visualizada através de algoritmos apropriados de apresentação de árvores. III. TÉCNICAS DE VISUALIZAÇÃO APLICADAS A COLEÇÕES DE IMAGEM Para gerar uma visualização multidimensional através de projeções, em geral os dados são convertidos num espaço vetorial, onde cada item de dados (indivíduo) é descrito por um conjunto de atributos ou características, que define suas coordenadas neste espaço. Sobre esses dados é possível extrair relacionamentos, como, por exemplo, relacionamentos de similaridade entre os indivíduos. Projeções realizam alguma forma de processamento que mapeia os dados em 2D ou 3D (espaços visuais) de forma que a proximidade dos itens de dados nesses espaços indica alta correção de conteúdo. A classe de técnicas englobando as duas estratégias (projeções e árvores de similaridade), as quais representam cada indivíduo como um símbolo no plano, identificando suas relações (principalmente de similaridade) por proximidade ou por algum outro artifício visual (como os ramos da árvore, por exemplo), chamado aqui coletivamente de visualização por mapeamento de pontos no plano. A Figura 5, apresenta visualizações baseadas em árvores de similaridade na figura 6 de uma coleção de imagens médicas.
5 Figura 6. Projeção. A. Visualização baseada em Projeção Existem diferentes métodos para reduzir a dimensionalidade de um conjunto de dados. Geralmente, estes métodos selecionam as dimensões que melhor preservem a informação original. Métodos como Escalonamento Multidimensional (MDS) [13], Análise de Componentes Principais (PCA) [14], Sammon Mapping [15], Fastmap [16], Feature Isometric Mapping (Isomap)[17] e Projeção de mínimos quadrados (LSP) [18], têm sido úteis para esta tarefa de projeção. MDS é uma técnica que se concentra em encontrar o subespaço que melhor preserva as distâncias entre os pontos e usa álgebra linear para solucionar o problema. O processo envolve o cálculo de autovalores e autovetores de uma matriz produto escalar e uma matriz de proximidade. A entrada é uma matriz de distância de imagens em um espaço de alta dimensão, e o resultado é um conjunto de coordenadas que representam as imagens em um espaço de baixa dimensionalidade[19], [5]. A complexidade obtida éde O(n 2 ). Uma melhoria nessa abordagem foi proposta por [20] que conseguiram reduzir a complexidade total do algoritmo para O(n 5 4 ). PCA éummétodo Eigenvector também foi concebido para modelar variabilidades lineares em dados de alta dimensão. Ométodo calcula as projeções lineares de maior variação de os autovetores da matriz de covariância. Em MDS, a incorporação de baixa dimensionalidade é calculada de tal forma que melhor preserva as distâncias entre pares de objetos. Se estas distâncias correspondem a distâncias euclidianas, os resultados do MDS métricas são equivalentes a PCA[21]. A principal desvantagem é a determinação do número correto de dimensões. Se o número é pequeno tende-se a perder características importantes dos dados. Se onúmero é grande, se capturam características importantes, mas a representação visual é difícil. Outra desvantagem é o custo computacional, O(m 2 n) (m número de dimensões), que é inaceitável quando o número de elementos dos conjuntos de dados é muito grande, por exemplo, a partir de mil vetores. Por exemplo, o Personal Digital Historian project [1] usa PCA a fim de visualizar imagens, do mesmo modo, [8]. Além disso, em [22], usam o kernel principal component analysis (KPCA), onde as imagens são representados com base em suas projeções sobre os dois componentes principais. Atécnica Sammon Mapping [15] procura preservar os dados de um espaço multidimensional num espaço de dimensão inferior, aplicando uma função de otimização para minimizar a quantidade de informação perdida durante o processo do cálculo das similaridades entre itens dos dados. Essa função é otimizada aplicando procedimentos não-lineares de busca local em direção do gradiente da função. O custo computacional da técnica, O(n 2 ), representa uma desvantagem em relação as técnica de projeção mais rápidas que são descritas mais adiante. ISOMAP usa um grafo baseado no calculo da distância, a fim de medir a distância ao longo das estruturas locais. A técnica cria o grafo de vizinhança usando k-vizinhos mais próximos, logo, usa o algoritmo de Dijkstra para encontrar os caminhos mais curtos entre cada par de pontos
6 no grafo, assim a distância para cada par é atribuído o comprimento deste caminho mais curto e, finalmente, quando as distâncias são aferidas, o MDS é aplicado à distância nova matriz[23][24]. Sua complexidade é também de O(n 2 ). A técnica Fastmap [16] projeta pontos de um espaço n dimensional em um espaço m-dimensional (n > m), visando preservar as relações de distância no espaço original. Em primeiro lugar, no Fastmap são selecionados dois pontos que estejam o mais distante possível, denominados pivôs, que definem uma reta no espaço n-dimensional e um hiperplano perpendicular à dita reta, num espaço (n 1) dimensional. Posteriormente, os pontos restantes são projetados nesse hiperplano. Esse processo continua até que se atinja o número de dimensões desejadas. O custo computacional da Fastmap é O(n), mas é pouco efetivo quando se trata de revelar estruturas não-lineares. Finalmente, a técnica projeção de mínimos quadrados foi desenvolvida por Paulovich et al. [18], com o objetivo de criar uma superfície onde os dados estejam agrupados por relações de proximidade para que o usuário possa inferir as relações existentes no conjunto de dados. A LSP foi baseada no estudo feito por [25] o qual aplica mínimos quadrados na recuperação e edição de malhas (least-square meshes). A reconstrução geométrica da malha é feita a partir do cálculo da distância entre um grupo de pontos representativos, denominados pontos-de-controle, onde são aplicados cálculos de distância para preservar as relações de vizinhança entre todos os pontos. A técnica LSP realiza dois processos principais: no primeiro, são escolhidos um sub-conjunto de pontos (pontosde-controle), resultantes de aplicar a técnica de agrupamento k-medoids. Em seguida, esses pontos são projetados fazendo uso de qualquer técnica de projeção convencional. No segundo passo, se constrói um sistema linear baseado nas relações de vizinhança dos pontos em seu espaço original R n e nas coordenas cartesianas dos pontos-de-controle no espaço reduzido R m. A complexidade computacional é determinada pelo número de agrupamentos. Para n agrupamentos será O(n n) [18]. A LSP possui a melhor precisão com relação às demais no que se refere à reconstrução de vizinhanças do espaço origial. B. Visualização baseada em Grafos Ométodo neighbor joining constrói uma árvore sem raiz a partir de uma matriz de distâncias evolutivas, adaptando o critério de evolução mínima 5.Aidéia central da técnica é identificar pares de objetos mais próximos. Esses pares de objetos, conhecidos comumente como vizinhos, são conectados por um nó interno em uma árvore bifurcada. A técnica NJ começa com uma árvore estrela, em seguida, escolhe-se o primeiro par de objetos para serem unidos, aplicando o critério da evolução mínima. Entre esses possíveis pares de objetos escolhemos aqueles que tenham o menor valor no cálculo da soma das distâncias entre os ramos. Uma vez escolhido o par de objetos vizinhos a serem agrupados em um novo nó. O algoritmo tem uma complexidade computacional do NJ é O(n 3 ). O método NJ é amplamente usado na construção de filogenias. Existem vários trabalhos de pesquisa que usaram o algoritmo NJ para ser comparado, segundo vários critérios, com outros métodos de reconstrução de árvores filogenéticas. Os resultados mostraram que o NJ recupera árvores apropriadas e sua velocidade foi melhor que todos os outros métodos avaliados. 5 O critério de evolução mínima tenta minimizar a soma dos tamanhos de todos os nós da árvore.
7 Em [26], foi apresentado um algoritmo que melhora a velocidade do método NJ com o objetivo de ser aplicado a grandes conjuntos de dados. O algoritmo constrói a mesma árvore filogenética que o NJ, mas tenta diminuir o tempo de busca para encontrar o par de vizinhos que formarão um novo nó usando a estrutura Quad-tree. O algoritmo somente consegue melhorar o tempo de execução para o melhor caso ((O(n 2 )), deixando o pior caso O(n 3 ). Outro trabalho destinado a melhorar a velocidade do NJ foi realizado por [27], aqui o tempo de processamento é O(n 2 logn) conseguindo gerar árvores da mesma qualidade das geradas pelo algoritmo NJ e sem usar algum espaço adicional para realizar os cálculos. A maior vantagem do método neighbor joining com respeito a outros métodos é que ele constrói árvores com maior eficiência. Além disso, o método é considerado muito rápido em relação a outros métodos usados na construção de árvores filogenéticas, tal como é mostrado por Saitou e Nei (1987). No contexto de visualização de informação, a NJ foi testada em termos de precisão, e comparada positivamente em relação a projeções multidimensionais, que trabalham com conceitos de redução de dimensionalidade e similaridade por proximidade no plano de projeção. A principal idéia das técnicas de redução de dimensionalidade é posicionar um conjunto de dados num espaço de baixa dimensionalidade preservando o máximo possível as relações de similaridade existentes entre eles. Dessa forma dados multidimensionais representados em espaços de baixa dimensionalidade podem fazer uso da visualização e classificação de forma mais eficiente, revelando algumas características interessantes, como agrupamentos, tendências e anomalias. Em contrapartida, o NJ identifica os objetos vizinhos que seqüencialmente minimizam o tamanho da árvore e é definido por três componentes: 1) O critério usado para selecionar pares de objetos, 2) a fórmula usada para reduzir a matriz de distâncias a cada passo 3) a fórmula para obter o comprimento dos ramos. O NJ, além de construir a topologia para uma árvore sem raiz, também fornece o valor do comprimento dos ramos da árvore resultante. A interpretação depende dos ramos mas, permite que se analise os dados em forma de grupos identificados pelos ramos externos da árvore. Ela ocupa melhor o espaço que uma projeção, pois é possível expandir o desenho da árvore de forma a reduzir significativamente, ou eliminar, sobreposições. No entanto, a árvore NJ gera um grande número de nós intermediários (ou virtuais) o que, para conjuntos grande de dados, toma um espaço visualmente que pode interferir no número de itens do dado que podem ser apresentados de uma só vez. Isso contrasta com a capacidade das árvores de similaridade de permitirem análises globais e locais usando o mesmo tipo de layout, ou seja, a análise global pode ficar prejudicada em configurações específicas da árvore. C. Outros C. Chen et al. [3] apresentam sua aplicação GSA, a qual trabalha com redes Pathfinder para visualizar a forte interrelação de proximidade em dados de imagens, baseadas em três características distintas para extração como cor, layout e informação de textura. Uma rede Pathfinder consta de todas as conexões mais fortes entre os vértices, enquanto a que a condição de desigualdade triangular não será violada. Os nós nas redes são conectados a refletir proximidade e similaridade entre pares de imagem, preservando apenas as conexões mais importantes. Tal como mostra a Figura 7, as imagens são ligadas
8 Figura 7. Red Pathfinder de InfoViz banco de imagens por modelos do histograma de cores. Figura 8. Visualização bidimensional HELD das 1000 imagens. através de ligações deste tipo. Pode-se simplesmente estimar a similaridade calculada entre duas imagens, estimando o número mínimo de ligações. Wang et al.[28] propõe um método, High-Entropy Layout Distributions (HELD). O método descrito neste artigo resolve as deficiências enquanto a dados ocluídos o regiões vazias ou apenas escassamente povoadas. Este aproxima as distribuições dos dados através da otimização com uma medida de entropia de layout. HELD visualização usa uma região de layout circular é mostrada na Figura 8. Assim, Fan et al. [10] apresentam um sistema com visualização hiperbólica. Neste trabalho, uma estrutura de Figura 9. Visualização hiperbólica conceito de ontologia. classificação hierárquica incorpora o conceito de ontologia, onde cada nó da estrutura representa um conceito de imagem em um certo nível semântico, desenvolvendo um esquema novo para gerar o conceito orientado a sumarização de coleções de imagens em grande escala. Em outras palavras, classifica as imagens com base em anotações automáticas. A classificação é realizada com Support Vector Machines. Como é apresentada na Figura 9, os vértices com os conceptos de cada imagem são projetados para um plano hiperbólico de acordo com suas relações contextuais e cada projeção pode exatamente preservar as relações entre o contexto original e os conceitos das imagens. Kernel PCA é utilizada para agrupar semanticamente as imagens similares, assim mesmo com a visualização hiperbólica os usuários têm permissão para manipular não só as imagens, mas também as suas relações de similaridade visual. Do mesmo modo, Torres et al. [29] propõe a utilização de um método baseado em espiral,uma versão alternativa baseada em anéis concêntricos. Exemplos de visualização utilizando estes modelos são mostrados na Figura 10. IV. SISTEMAS DE VISUALIZAÇÃO DE IMAGENS Diversas aplicações podem-se beneficiar com o uso de técnicas de visualização de informação aplicada a imagens. Por exemplo, Moghaddam et al. [1] mostram que é possível
9 Figura 11. Mesa digitalizadora do PDH. Figura 10. Exemplos de modelos gerados através da utilização das técnicas Espiral e Círculos Concêntricos, respectivamente. Figura 12. Sistema PhotoMesa. utilizar técnicas de visualização para melhorar o compartilhamento e exibição de fotos pessoais através de uma sequência temporal ou relacional apresentadas na Figura 11. Utilizando a técnica PCA otimizada para redução de sobreposição em um sistema de visualização e layout de fotos pessoais chamado PERSONAL DIGITAL HISTO- RIAN (PDH 1 ), com o objetivo de simular o compartilhamento informal de fotos entre pessoas. A Figura 11 mostra a organização de imagens montadas pelo sistema. Além no ano 2001, B. Bederson apresentou PhotoMesa [30], que coloca o grupo de imagens em sub-regiões do espaço de exposição, aplicando a técnica de visualização de dados hierárquicos chamada Quantum Treemap. Mostrada 1 em Figura 12. Isto é, Quantum Treemaps é uma variação nos algoritmos treemap que são projetados para que as imagens ou outros objetos de tamanho indivisível(quantum). Apóia o algoritmo Treemap ordenado, mas garante que cada retângulo gerado terá uma largura e altura que são um múltiplo inteiro do tamanho de um objeto de entrada. Além disso, Shiitani et al. [31] mostram o sistema MI- RACLES, que trabalha com coleções de dados que representam conjuntos de informações (mídias) associadas entre si, coletadas de bancos de dados locais ou da Internet. A principal funcionalidade de exploração é chamada pop-up, e permite ao usuário informar uma ou algumas palavraschave, reorganizar e refinar a coleção exibida. Um exemplo
10 Figura 14. ImIk. Figura 13. Tela do sistema MIRACLES, com destaque para algumas imagens da coleção. é essencial para a interação entre o usuário e as imagens exibidas. Usam as técnicas como MDS, ISOMAP, SNE, LLE, ISOSNE e ISOLLE para fazer a visualização. Na Figura 14 a tela principal mostra o sistema de visualização com o conjunto representativo de imagens do. O canto superior esquerdo mostra toda a coleção como um ponto de ajuste com o vermelho (ou cinza na impressão não-cor) os pontos que representam o atual conjunto de projeção. O canto inferior esquerdo mostra uma versão ampliada da miniatura selecionada. O retângulo desenhado na tela éum exemplo de uma seleção de usuário de um grupo de imagens, arrastando o mouse. de como determinadas imagens de uma coleção podem ser destacadas para auxiliar na construção de conhecimento é mostrado na Figura 13. In [23], [24] os autores apresentam ImIk, um sistema que fornece ao usuário uma melhor maneira de acessar interativamente uma coleção de imagens e enfatiza em encontrar as melhores posições ideais de imagens no espaço de visualização. Para eles é de muita importância a sobreposição de imagens e preservação de sua projeção. A sobreposição entre as imagens influenciam a qualidade de uma ferramenta de visualização, então a sobreposição de imagens e preservação da estrutura émínima. A visibilidade Do mesmo modo, Eler et al. [32] apresentam o software Pex- Image 2,umframework visual que suporta todo o processo de análise e exploração visual de coleções de imagens e textos associados. Pex-Image implementa diversas técnicas projeção de coleções de imagens que enfatizam a similaridade entre estas imagens, além de oferecer funcionalidades complementares para ajudar na exploração dos dados. O software permite que seja feita uma coordenação entre várias projeções de uma mesma coleção de imagens (Figura 15, de forma que o usuário pode selecionar uma ou várias imagens em uma projeção, e visualizar ou a posição destas imagens em outra projeção (identity coordination), ou visualizar os 2
11 Figura 15. Coordenação entre duas projeções realizadas pelo Pex-Image. Figura 17. Visualizador de imagens 3D Miaow. Figura 16. Janela principal do Sistema VISRET. k vizinhos mais próximos desta seleção em outra projeção (distance coordination), instantaneamente. Recentemente Kovacs et al. [33] apresentam um sistema VISRET, para visualizar imagens do vídeo, como mostra a Figura 16. Também, Gomi et al[34] no ano 2010 propõe Miaow (Memorized Image Album Organized by When/Where), um visualizador de imagens em 3D que representa fotografias hierarquicamente classificadas com base em suas posições (eixos X e Y) e o tempos (eixo Z), data das fotos, aninhados em regiões retangulares. A Figura 17, mostra uma navegação de fotografias usando Miaow. Incluindo projeção em 3D, Nakazato e Huang [35] propõem o 3DMars 3, um sistema interativo de visualização de conjuntos de imagens, em um ambiente virtual 3D, como mostra a Figura 18, onde a Figura de abaixo representa o 3 nakazato/3dmars/ Figura 18. Visualização do resultado de uma consulta no 3DMars. resultado da imagem-consulta do usuário. Ademais, em [1] emprega um espaço de visualização
12 detecta tendências e características particulares que seriam extremamente difíceis de serem detectadas caso ele analisasse imagem por imagem. Além disso, a principal característica do processo de visualização é a extração com o fim de identificar e extrair informações relevantes a partir da imagem que permita a discriminação de classes diferentes da imagem, onde cada imagem da coleção é representada por um vetor de características feito por exemplo, por seus atributos intrínsecos, tais como cor, textura e forma. Figura 19. Espaço de visualização esférico. esférico, mostrado na Figura 19, as imagens são projetadas na superfície do globo localizadas próximas umas das outras. A navegação é feita simplesmente girando e inclinando a esfera de navegação e as imagens são organizadas em forma de grade que permite uma navegação mais rápida do que os métodos onde as imagens se sobrepõem. E para lidar com grandes bases de imagens, empregam uma abordagem hierarquizada, onde o usuário pode aplicar zoom em uma área particular e do sistema, por sua vez traz mais imagens visuais relevantes. Além, devido ao espaço limitado no plano de visualização minimiza a sobreposição entre as imagens, para isso emprega-se uma estrutura de árvore hierárquica. Também Quadrianto et al.[4] usa esferas, grids, hierarquias. V. CONCLUSÃO Os avanços na visualização de informação e técnicas de mineração de dados em imagens já permitem aos usuários uma maneira de revelar informações escondidas, de modo que se estudam as relações de similaridades entre imagens. Técnicas de visualização de informação, uma ferramenta importante para garantir a interação por parte do usuário, de onde ele recupera uma ou varias imagens desejadas, ou Com efeito, os usuários de sistemas CBIR possuem acesso a uma interface visual na qual as relações de similaridade podem ser facilmente visualizadas a partir de uma consulta mas não podem avaliar todas as imagem de maneira geral. O usuário se torna um agente ativo no processo de mineração das informações, pois consegue, alem de visualizar as relações entre os dados, interagir com o modelo, tendo uma visão geral dos dados, ou concentrando-se em fenômenos particulares. Esta é uma parte importante na visualização de imagens é que depois de fazer a projeção, esta é analisada, a fim de revelar informações úteis para os usuários, donde o relacionamento de dados esta no processo de mineração expressado na classificação ou categorização. Incluindo, as técnicas de visualização aplicadas a coleções de imagens, como os métodos de projeção é visto a partir da maneira sobre como reduzir as altas dimensionalidades das imagens originais em espaços de baixa dimensão preservando sua estrutura original. E os baseados em conexão de grafos, no qual as imagens são visualizadas por um grafo com conexões traçadas de acordo com as relações entre as imagens da coleção. Assim, a parte exploratória da visualização de imagens, se concentra em como fornecer ao usuário uma maneira de
13 explorar os dados visualizados; para esso agora existem muitos sistemas que desenvolvem uma boa interação com o usuário, já sea em um ambiente de 2 ou 3 dimensões. REFERÊNCIAS [1] C. S. B.Moghaddam, N.Lesh and T. Huang, Visualization & layout for personal photo libraries, [2] F. G. Jorge Camargo and R. Torres, Visualization of large collection of medical images, [3] G. G. C. Chen and P. Rosin, Similarity-based image browsing, pp , [4] T. T. N. Quadrianto, K. Kersting and W. Buntine, Beyond 2dgrids: a dependence maximization view on image browsing, International conference on Multimedia information retrieval, [5] D. H. J. Yang, J. Fan and Y. Gao, Semantic image browser: Bridging information visualization with automated intelligent image analysis, Visual Analytics Science And Technology, [6] M. N. R. Stehling and A. Falcão, A compact and efficient image retrieval approach based on border/interior pixel classification, Proceedings of the eleventh international conference on Information and knowledge management, [7] G. Schaefer, A next generation browsing environment for large image repositories, Multimedia Tools Applications, vol. 47, no. 1, pp , [8] G. Hu and Q. Gao, An interactive image feature visualization system for supporting cbir study, International Conference on Image Analysis and Recognition, [9] O. H. G. Strong and M. Gong, Visual image browsing and exploration (vibe): User evaluations of image search tasks, ACTIVE MEDIA TECHNOLOGY, [10] Y. G. J. Fan and H.Luo, Hierarchical classification for automatic image annotation, in Proceedings XXX ACM International Conference on Research and Development in Information Retrieval. New York, USA: ACM Press, 2007, pp [11] E. F. A. Ahmadian and F. Sayadian, Image indexing and retrieval using gabor wavelet and legendre moments, Proceedings of the 25th Annual International Conference of the IEEE, [12] M. L. L. Wynne Hsu and J. Zhang, Image mining: Trends and developments, Intelligent Information Systems, [13] W. Torgerson, Multidimensional scaling: I. theory and method, Psychometrika, no. 4, pp , [14] I.Jolliffe, Principal Component Analysis, 2nd ed. Springer, [15] J. Sammon, A nonlinear mapping for data structure analysis, IEEE Computer Society, vol. C-18, no. 5, pp , [16] C. Faloutsos and K. Lin, Fastmap: A fast algorithm for indexing, datamining and visualization of traditional and multimedia databases, in Proceedings of International Conference on Management of Data: ACM SIGMOD, M. J. Carey and D. A. Schneider, Eds. San Jose, California: ACM Press: New York, 1995, pp [17] V. d. S. J. Tenenbaum and J. Langford, A global geometric framework for nonlinear dimensionality reduction, Science, vol. 290, no. 5500, pp , [18] F. V. Paulovich, L. G. Nonato, R. Minghim, and H. Levkowitz, Least square projection: a fast high precision multidimensional projection technique and its application to document mapping, IEEE Transactions on Visualization and Computer Graphics, vol. 14, pp , [19] J. Zhang, Visualization for Information Retrieval, 1st ed. Springer, 2008.
14 [20] A. Morrison, G. Ross, and M. Chalmers, A hybrid layout algorithm for sub-quadratic multidimensional scaling, INFO- VIS02: Proceedings of the IEEE Symposium on Information Visualization, p. 152, [31] S. E. S.huichi Shiitani, T. Baba and S. Nagata, Interactive video retrieval system integrating visual search with textual search, Symposium on Intelligent Multimedia Knowledge Management, [21] S. T. Roweis and L. K. Saul, Nonlinear dimensionality reduction by locally linear embedding, Science, vol. 290, no. 5500, pp , [22] A. C. J. Camargo, J. Caicedo and F. Gonzalez, A kernelbased strategy for exploratory image collection search, Content-Based Multimedia Indexing, [23] G. Nguyen and M. Worring, Interactive access to large image collections using similarity-based visualization, Journal of Visual Languages and Computing, [24], Similarity based visualization of image collections, Journal of Visual Languages and Computing, [25] O. Sorkine and D. Cohen-Or, Least-squares meshes, in Proceedings of Shape Modeling International. IEEE Computer Society Press, 2004, pp [32] D. M. Eler, M. Y. Nakazaki, F. V. Paulovich, D. P. Santos, M. C. F. Oliveira, a. E. S. B. Neto, Jo and R. Minghim, Multidimensional visualization to support analysis of image collections, in SIBGRAPI 08: Proceedings of the 2008 XXI Brazilian Symposium on Computer Graphics and Image Processing. Washington, DC, USA: IEEE Computer Society, 2008, pp [33] A. U. Levente Kovacs and T. Sziranyi, Visret a content based annotation, retrieval and visualization toolchain, ADVAN- CED CONCEPTS FOR INTELLIGENT VISION SYSTEMS, [34] A. Gomi and T. Itoh, Miaow: a 3d image browser applying a location- and time-based hierarchical data visualization technique, International Conference on Advanced Visual Interfaces, [26] T. Mailund, G. Brodal, R. Fagerberg, C. Pedersen, and D. Phillips, Recrafting the neighbor-joining method, BMC Bioinformatics, vol. 7, p. 29, [27] J. Evans, L. Sheneman, and J. Foster, Relaxed neighbor joining: A fast distance-based phylogenetic tree construction method, Journal of Molecular Evolution, vol. 62, no. 6, pp , [35] M. Nakazato and T. Huang, 3d mars: Immersive virtual reality for content-based image retrieval, Multimedia and Expo, ICME IEEE International Conference, [28] J. H. R. Wang, S. McKenna and A. Ward, Visualizing image collections using high-entropy layout distributions, IEEE Transactions on Multimedia, [29] C. M. R. Torres, C. Silva and H. Rocha, Visual structures for image browsing, Proceedings of the twelfth international conference on Information and knowledge management, no. 4, [30] B. Bederson, Quantum treemaps and bubblemaps for a zoomable image browser, Symposium on User Interface Software and Technology, 2001.
Descritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisVisualização de Informação Parte III. Multi-dimensional Visualization: Visual Mining of Text, Images and other Multi-dimensioanl entities.
Visualização de Informação Parte III Multi-dimensional Visualization: Visual Mining of Text, Images and other Multi-dimensioanl entities. Rosane Minghim + The team Instituto de Ciências Matemáticas e de
Leia maisConsultas por Similaridade em Domínios de Dados Complexos
Consultas por Similaridade em Domínios de Dados Complexos Guilherme Felipe Zabot Orientador: Profº Dr Caetano Traina Jr Roteiro Objetivo Introdução Dados Complexos Representação de Dados Complexos Extração
Leia maisAlgoritmo CLIQUE (Clustering In QUEst)
Algoritmo CLIQUE (Clustering In QUEst) Marcelo Camacho de Souza Nº USP: 3199616 Roteiro Algoritmo CLIQUE Exemplo Prático Complexidade Computacional Vantagens e Desvantagens Autores (IBM Almaden Research
Leia maisTécnicas de Visualização para Árvores, Grafos e Redes
Técnicas de Visualização para Árvores, Grafos e Redes SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas
Leia maisFundamentos em Visualização
Fundamentos em Visualização SCC5836 Visualização Computacional Profa. Maria Cristina cristina@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) 1 / 92
Leia maisProjeções Multi-dimensionais
Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) 23 de setembro de 2010 Introdução
Leia maisFigura 16 Niagara - Visão de grupos de notas.
Conclusão 6 Conclusão 6.1 Trabalhos Relacionados Dentre as funcionalidades fornecidas pela interface gerada pelo framework, em destaque está a possibilidade do zoom livre. Disponibilizar esta funcionalidade
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisFundamentos em Visualização
Fundamentos em Visualização SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC)
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisUniversidade Federal do Paraná - Setor de Ciências da Terra
Universidade Federal do Paraná - Setor de Ciências da Terra APLICAÇÃO DE DIFERENTES NÍVEIS DE REALISMO DERIVADOS DE IMAGEM DE SATÉLITE NA REALIDADE VIRTUAL Juliana Moulin Fosse - jumoulin@ufpr.br Mosar
Leia maisProcesso de Visualização - Modelo de Referência (Card et al. 1999) Maria Cristina F. de Oliveira Rosane Minghim. Classificação (Keim 1996, 2000)
Técnicas e Taxonomias de Visualização de Informação Processo de Visualização - Modelo de Referência (Card et al. 1999) Parte II (2010) Maria Cristina F. de Oliveira Rosane Minghim Classificação (Keim 1996,
Leia maisOccupancy grid based graph-slam using the distance transform, SURF features and SGD
Occupancy grid based graph-slam using the distance transform, SURF features and SGD Autores: Arturo Gil, Miguel Juliá, Óscar Reinoso Artur Segal Kaim Agenda Introdução Arquitetura Resultados Trabalho futuro
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia maisMétodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Leia maisvértices dessas células. Exemplos de malhas estruturadas e não-estruturadas são apresentados na Figura 2.
1 Introdução O termo visualização corresponde, no contexto desta dissertação, aos métodos que permitem a extração de informações relevantes a partir de conjuntos de dados complexos, com o auxílio de técnicas
Leia maisInterfaces de Resultado de Busca Visualização de Resultados de Busca
Interfaces de Resultado de Busca Visualização de Resultados de Busca 1 Para onde vamos Introdução A busca por informação é um processo impreciso; O usuário de um sistema de recuperação de informação geralmente
Leia maisExtração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Leia maisMapeamento de Dados Multi-dimensionais Integrando
Mapeamento de Dados Multi-dimensionais Integrando Mineração e Visualização Fernando V. Paulovich e Rosane Minghim Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP)
Leia maisVisualização de Texto e Documento
Visualização de Texto e Documento SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação
Leia maisComputação e Imagens: PI, CG e Visualização. Computação Visual
Computação e Imagens: PI, CG e Visualização Computação Visual Instituto de Ciências Matemáticas e de Computação ICMC-USP São Carlos, 2016 1 Roteiro Visão Geral das áreas da computação que envolvem manipulação
Leia maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia maisMapas Auto Organizáveis SOMs Mapas de Kohonen
Mapas Auto Organizáveis SOMs Mapas de Kohonen PSI 2886 Princípios de Neurocomputação Edição de 2008 1 PSI 5886 Prof. Emilio Self Organizing Maps de Kohonen Estes slides foram usados nas aulas #8 e #9 na
Leia maisSistema de Reconhecimento de Logotipos
Sistema de Reconhecimento de Logotipos Fellipe Duarte, Saulo T. Oliveira {duartefellipe,sto}@cos.ufrj.br Relatório Técnico, Introdução ao Processamento de Imagens Programa de Engenharia de Sistemas e Computação
Leia maisExtração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
Leia maisMétodos de Acesso Métrico
Métodos de Acesso Métrico http://www.icmc.usp.br/img/novafaixa.png Arthur Emanuel de O. Carosia Profa. Dra. Cristina Dutra de Aguiar Ciferri Índice Conceitos Básicos Métodos de Acesso Onion-tree 2 Índice
Leia mais4 Estado da Arte do Kernel PCA
4 Estado da Arte do Kernel PCA Conforme apresentado no Capítulo 1, o Kernel PCA é uma técnica promissora para auxiliar no processo de ajuste de histórico, devido a sua capacidade de extrair parte da estatística
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisMineração de Textos na Web
Mineração de Textos na Web Luciano Antonio Digiampietri Escola de Artes Ciências e Humanidades da Universidade de São Paulo digiampietri@usp.br Resumo: Com o crescimento das informações disponíveis na
Leia maisClustering: k-means e Agglomerative
Tópicos Avançados em Avaliação de Desempenho de Sistemas Jackson Nunes Marco Eugênio Araújo Outubro de 2014 1 Sumário Contextualização Classificação Agrupamento (Clustering) Cenários de Aplicação Clustering
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
Leia maisVisualização de Informação Parte I (2010)
Visualização de Informação Parte I (2010) Rosane Minghim Danilo Medeiros Eler Visualização de Informação Área que estuda a representação visual de dados mais abstratos, tais como Grafos Árvores Texto Registros
Leia maisAuto-Fusão na Recuperação de Imagens Baseadas em Conteúdo.
Auto-Fusão na Recuperação de Imagens Baseadas em Conteúdo. Severino Jr, Osvaldo IMES - FAFICA osvaldo@fafica.br Gonzaga, Adilson Escola de Engenharia de São Carlos - USP adilson@sc.usp.br Resumo Neste
Leia maisComputaçã. Visão Geral. Sistema Gráfico. Computação Gráfica. Pixels. Sistema Gráfico e o Frame Buffer. Introdução à Computação Gráfica
Visão Geral Computaçã ção o Gráfica Introduçã ção, conceitos básicosb sicos, áreas relacionadas Introdução à Computação Gráfica Como funciona um sistema gráfico Como imagens são representadas Áreas relacionadas,
Leia mais2 Técnicas e Trabalhos Relacionados
17 2 Técnicas e Trabalhos Relacionados Um bom renderizador de modelos massivos tem que ser capaz de resolver três pontos: reduzir a complexidade da geometria onde ela não for necessária, não renderizar
Leia maisDescoberta de conhecimento em textos - Análise semântica. Diogo Cardoso Eduardo Camilo Inácio Eduardo Monteiro Dellandréa Guilherme Gomes
Descoberta de conhecimento em textos - Análise semântica Diogo Cardoso Eduardo Camilo Inácio Eduardo Monteiro Dellandréa Guilherme Gomes Introdução Diversidade de textos não padronizados; Emails, artigos,
Leia maisIntrodução Geral a Computação Gráfica. Universidade Católica de Pelotas Curso de Engenharia da Computação Disciplina de Computação Gráfica
Introdução Geral a Computação Gráfica Universidade Católica de Pelotas Curso de Engenharia da Computação Disciplina de 2 Introdução Geral a O que é CG? Áreas de Atuação Definição, Arte e Matemática Mercado
Leia maisObjetivos. 1. O método desenvolvido usa características de pares de pixeis para fazer estatísticas e formar
Introdução Comidas podem apresentar deformações e variações em sua forma, além de conter muitos ingredientes, nem todos visíveis; Métodos tradicionais de reconhecimento requerem a detecção de características
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisImage Descriptors: color
Image Descriptors: color Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: color 2011 1 / 29 Agenda
Leia maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia maisVisualização de terrenos em GPU
Visualização de terrenos em GPU Leonardo Martins { lmartins@inf.puc-rio.br} Disciplina: Visualização de Modelos Massivos Professor: Alberto Raposo Sumário Introdução Objetivos Visão geral Hierarquia de
Leia maisAula 9 Representação e Descrição. Profa. Fátima Nunes AULA 9 / 1. Profa. Fátima L. S. Nunes
Fundamentos de Processamento Gráfico Aula 9 Representação e Descrição Profa. Fátima Nunes AULA 9 / 1 Reconhecimento de padrões AULA 9 / 2 Após a segmentação dar significado aos objetos extraídos da cena.
Leia maisComputação Gráfica. Representação e Modelagem
Computação Gráfica Representação e Modelagem Professora: Sheila Cáceres Baseado nos slides da Prof. Soraia Musse Modelagem Área da Computação Gráfica que estuda a criação de modelos dos objetos reais.
Leia maisTRATAMENTO EFICIENTE DE VISIBILIDADE ATRAVÉS DE ÁRVORES DE VOLUMES ENVOLVENTES. Mauricio Hofmam
TRATAMENTO EFICIENTE DE VISIBILIDADE ATRAVÉS DE ÁRVORES DE VOLUMES ENVOLVENTES Mauricio Hofmam Objetivo Apresentar um estudo do uso de volumes envolventes para determinar os conjuntos de polígonos potencialmente
Leia maisRealimentação de Relevância
Wendel Melo Faculdade de Computação Universidade Federal de Uberlândia Recuperação da Informação Ciclo de realimentação onde uma consulta q recebida do usuário é transformada em uma consulta modificada
Leia maisGeometria Computacional
Geometria Computacional Claudio Esperança Paulo Roma Cavalcanti Estrutura do Curso Aspectos teóricos e práticos Construção e análise de algoritmos e estruturas de dados para a solucionar problemas geométricos
Leia maisTécnicas de Projeção para Identificação de Grupos e Comparação de Dados Multidimensionais Usando Diferentes Medidas de Similaridade
CTD - 29º Concurso de Teses e Dissertações Técnicas de Projeção para Identificação de Grupos e Comparação de Dados Multidimensionais Usando Diferentes Medidas de Similaridade Paulo Joia 1, Luis Gustavo
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia maisB A N C O D E D A D O S G E O G R Á F I C O S M A R C O N I D E A R R U D A P E R E I R A
Mineração de Dados Espaciais B A N C O D E D A D O S G E O G R Á F I C O S M A R C O N I D E A R R U D A P E R E I R A Roteiro 2 Introdução Mineração de Dados Estado da Arte Artigo apresentado Conclusão
Leia maisRECONHECIMENTO FACIAL UTILIZANDO EIGENFACES
Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ Brasil RECONHECIMENTO
Leia maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
Leia maisCompressão de Textos. Introdução. Introdução. Introdução. O volume de informação textual disponível on-line é imenso:
Compressão de Textos Estrutura de Dados II Prof. Guilherme Tavares de Assis Universidade Federal de Ouro Preto UFOP Instituto de Ciências Exatas e Biológicas ICEB Departamento de Computação DECOM O volume
Leia maisRECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia maisClustering - c-means e Self Organizing Maps
- c-means e Self Organizing Maps Sarajane M. Peres e Clodoaldo A. M. Lima 13 de abril de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 FAUSETT, L. Fundamentals
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisVisualização Computacional
Visualização Computacional Séries Temporais Rafael Umino Nakanishi Universidade de São Paulo Instituto de Ciências Matemáticas e Computação Novembro de 2013 Rafael Umino Nakanishi (USP-ICMC) Visualização
Leia maisCAPÍTULO 7 CONCLUSÕES E RECOMENDAÇÕES
103 CAPÍTULO 7 CONCLUSÕES E RECOMENDAÇÕES "A verdadeira dificuldade não está em aceitar idéias novas, mas em escapar das antigas. John Maynard Keynes A pesquisa orientada à visualização cartográfica visa
Leia maisComputação Gráfica - 09
Universidade Federal do Vale do São Francisco Curso de Engenharia da Computação Computação Gráfica - 9 jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti www.twitter.com/jorgecav Objetos
Leia maisAnálise de Componentes Principais (PCA)
Análise de Componentes Principais (PCA) Lailson B. Moraes, George D. C. Cavalcanti {lbm4,gdcc}@cin.ufpe.br Roteiro Introdução Características Definição Algoritmo Exemplo Aplicações Vantagens e Desvantagens
Leia maisIntrodução 03/05/2017
Visualização de Resultados de Busca Introdução A busca por informação é um processo impreciso; O usuário de um sistema de recuperação de informação geralmente possui apenas uma vaga noção de como recuperar
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisCaracterização de Imagens via Redes Neurais Artificiais
Caracterização de Imagens via Redes Neurais Artificiais Autor: Eduardo Ferreira Ribeiro 1, Orientadora: Celia Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 4: 1 /57 Programa Dia 1: Apresentação
Leia maisAnálise e conversão de tabloides de. Igor dos Santos Montagner Orientador: Prof. Dr. Roberto Marcondes Cesar Junior. promoções
Análise e conversão de tabloides de Igor dos Santos Montagner Orientador: Prof. Dr. Roberto Marcondes Cesar Junior promoções Agenda Problema Objetivo nal Solução proposta Atenção visual e mapa de saliências
Leia maisAmbiente de Data Warehouse Para Imagens Médicas Baseado Em Similaridade
Universidade de São Paulo - USP Instituto de Ciências Matemáticas e de Computação - ICMC Programa de Pós-Graduação em Ciências da Computação e Matemática Computacional Ambiente de Data Warehouse Para Imagens
Leia maisQuadLOD: Uma Estrutura para a Visualização Interativa de Terrenos
QuadLOD: Uma Estrutura para a Visualização Interativa de Terrenos Rodrigo Penteado R. de Toledo Orientador: Marcelo Gattass Co-orientador: Luiz Velho PUC-RIO - TecGraf OBJETIVO Gerar imagem a partir dos
Leia maisProcessamento de Imagens. Texturas
Processamento de Imagens Texturas Exemplos Introdução Texturas Não existe abordagem formal Não existe definição formal São definidas qualitativamente e não há consenso quanto a sua definição quantitativa
Leia maisReconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução
Leia maisManual do Navegador Sig Cuiabá
Manual do Navegador Sig Cuiabá Módulo Público - Versão 1.3 04/2015 Elaboração: Gilmar Souza Acácio Conteúdo Introdução... 3 Características de um SIG... 3 Requisitos para a utilização do Sig Cuiabá...
Leia mais23/05/12. Consulta distribuída. Consulta distribuída. Objetivos do processamento de consultas distribuídas
Processamento de Consultas em Bancos de Dados Distribuídos Visão geral do processamento de consultas IN1128/IF694 Bancos de Dados Distribuídos e Móveis Ana Carolina Salgado acs@cin.ufpe.br Bernadette Farias
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisIDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS. André Zuconelli 1 ; Manassés Ribeiro 2
IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli 1 ; Manassés Ribeiro 2 INTRODUÇÃO As tecnologias assistivas têm a finalidade de auxiliar pessoas com deficiência a alcançar
Leia maisAplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto
Aplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto Rodrigo Rodrigues Antunes e Israel Rodrigues Gonçalves Resumo: O objetivo
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia mais4 Algoritmo de reconstrução de curvas
4 Algoritmo de reconstrução de curvas Como visto na introdução, o algoritmo proposto neste trabalho é constituído pelas seguintes etapas: 1. Agrupamento espacial dos pontos de amostragem 2. Processamento
Leia maisPodemos ver em R n? Carlos Eduardo Pedreira PESC - COPPE
Podemos ver em R n? Carlos Eduardo Pedreira PESC - COPPE 2019 Donde están los datos? En R n Tenemos entonces 2 posibilidades: Ir al R n y clasificar ahí Traer los datos para el R 2 Ventajas de traer a
Leia maisMapeamento de dados multi-dimensionais integrando mineração e visualização. Fernando Vieira Paulovich
Mapeamento de dados multi-dimensionais integrando mineração e visualização Fernando Vieira Paulovich SERVIÇO DE PÓS-GRADUAÇÃO DO ICMC-USP Data de Depósito: 15.09.2008 Assinatura: Mapeamento de dados multi-dimensionais
Leia maisSEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS
SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: 15.845-000
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de texturas coloridas. Uberlândia 30/04/2014
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisVISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Leia maisIdentificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Leia maisSISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2. SIG- Eng. Cartográfica Prof. Luciene Delazari
SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 2 SIG- Eng. Cartográfica Prof. Luciene Delazari Descrição de uma realidade com algum propósito Modelo MODELAR Termo geral para denotar o processo de construir representações
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia mais4 Análise de Dados. 4.1.Procedimentos
4 Análise de Dados 4.1.Procedimentos A idéia inicial para a comparação dos dados foi separá-los em series de 28 ensaios, com a mesma concentração, para depois combinar esses ensaios em uma única série.
Leia maisMétodo de Balanceamento de Múltiplos Descritores Usando Condições de Contorno para Pesquisas por Similaridade
Método de Balanceamento de Múltiplos Descritores Usando Condições de Contorno para Pesquisas por Similaridade Rodrigo Fernandes Barroso, Renato Bueno Departamento de Computação Universidade Federal de
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisExtração de atributos usando o método LBP - Local Binary Pattern
Extração de atributos usando o método LBP - Local Binary Pattern Lia Nara Balta Quinta. 2 de maio de 2006 1 Antecedentes e Justificativa O Brasil possui, atualmente, um grande rebanho bovino, porém em
Leia mais3 Técnicas de medição do escoamento
Técnicas de medição do escoamento 28 3 Técnicas de medição do escoamento O conhecimento do campo de velocidade de fluidos em movimento é fundamental para o entendimento dos mecanismos básicos que governam
Leia mais11/09/2018. Onde estamos
Onde estamos 1 Para onde vamos Interface de Resultados de busca 2 Introdução A busca por informação é um processo impreciso; O usuário de um sistema de recuperação de informação geralmente possui apenas
Leia maisDESENVOLVIMENTO DE METODOLOGIA PARA AFERIÇÃO DA QUALIDADE DE UM SCANNER 3D
DESENVOLVIMENTO DE METODOLOGIA PARA AFERIÇÃO DA QUALIDADE DE UM SCANNER 3D Valeria S. PEREIRA 1 ; Marcelo A. dos REIS 2 RESUMO Nesse trabalho, apresentamos os resultados parciais do projeto que visa o
Leia mais