Reconhecimento de padrões de texturas em imagens digitais usando uma rede neural artificial híbrida

Transcrição

1 Artigo Reconhecimento de padrõe de textura em imagen digitai uando uma rede neural artificial híbrida Wonder Alexandre Luz Alve, Sidnei Alve de Araújo, André Felipe Henrique Librantz Departamento de Ciência Exata. Uninove. São Paulo SP [Brail] Nete trabalho, apreenta-e um mecanimo de indexação de imagen, com bae em caracterítica texturai, que utiliza rede neurai artificiai (RNA). O atributo que decrevem a textura e que ão utilizado para claificá-la advêm do decritore de Haralick, que e fundamentam em matrize de co-ocorrência. Uma RNA híbrida é utilizada para reconhecer o diferente padrõe de textura. Na primeira fae, é realizado um agrupamento inicial do padrõe por um modelo não-uperviionado (mapa auto-organizávei) e, na egunda, utilizae o modelo uperviionado (quantização vetorial por aprendizagem) para melhorar a egmentação da clae de padrõe previamente agrupado pelo modelo não-uperviionado. Palava-chave: Decritore de Haralick. Padrõe de textura. Rede Neurai artificiai. Exacta, São Paulo, v. 4, n. 2, p , jul./dez

2 1 Introdução Dede o ano 1970, divera técnica de recuperação de imagen vêm endo deenvolvida, principalmente, pela área de gerenciamento de banco de dado (indexação textual) e vião computacional (RUI; HUANG; CHANG, 1997). No entanto, o aumento coniderável de banco de dado de imagen, devido à inovaçõe tecnológica, exigiu a utilização de algum tipo de mecanimo de indexação para poterior recuperação da imagen armazenada. Executar manualmente ee proceo é, entretanto, uma tarefa enível a interpretaçõe ubjetiva, é laborioa e ujeita a erro (ANTANI; KASTURI; JAIN, 2002; SEBE; LEW, 2001; BRUNELLI; MICH, 2000; RUI; HUANG; CHANG, 1997; SMITH; CHANG, 1996). Método automático de indexação e de recuperação baeado em algum tipo de caracterítica (cor, forma, textura ou região de uma imagem) ão intereante nee contexto, uma vez que podem reduzir a intervenção humana, poibilitando, dea forma, maior eficácia e, em muito cao, uma ignificativa diminuição da margem de erro (LIU; ZHOU, 2003). O método de claificação de imagen têm ido largamente explorado no último ano, dada a ua aplicabilidade em itema automático de indexação e recuperação de imagen digitai, principalmente na área médica. É o cao do itema denominado picture archiving and communication ytem (Pac), que permitem integrar, num ó itema, informaçõe textuai do paciente, além de informaçõe gráfica proveniente de exame como raio X, tomografia e ultra-onografia (FELIPE; TRAINA, 2002). Em itema automático de indexação de imagen, ela podem er recuperada de um banco de dado, por meio de algum elemento gráfico como cor, textura e forma. Entre ee elemento, detacam-e o atributo de textura, que ão muito utilizado na tarefa de claificação de imagen digitai (AKSOY; HARALICK, 1998). Felipe e Traina (2002) deenvolveram um oftware para indexação e recuperação de imagen médica por meio de ua textura, que foram caracterizada pelo decritore de Haralick (1979). Em Martin, Guimarãe e Foneca (2002), foi propoto um método baeado em uma rede neural artificial (RNA) híbrida, com modelo não-uperviionado (mapa autoorganizávei, em inglê elf-organizing map [SOM]) e uperviionado (quantização vetorial por aprendizagem, em inglê learning vector quantization [LVQ]), para claificar imagen de enoriamento remoto, com bae em atributo de textura extraído com uo de filtro de Gabor. Shiba e colaboradore (2005) propueram um método fundamentado em árvore de decião para claificação de imagen de enoriamento remoto decrita pela trê banda do itema de core RBG (do inglê red, green, blue; em portuguê, vermelho, verde, azul). Alve e Araújo (2006) fizeram uma análie comparativa do deempenho de doi diferente modelo de RNA, na claificação de imagen digitai, a partir de ua textura, caracterizada por decritore etatítico de primeira e de egunda ordem. Nete trabalho, aborda-e o uo de uma RNA híbrida (modelo de RNA uperviionado com um modelo de rede não-uperviionado) no reconhecimento de imagen com bae na ua caracterítica texturai, empregando-e o decritore de Haralick. O reultado obtido pelo modelo de RNA híbrido ão comparado ao do modelo que emprega apena o algoritmo de treinamento não-uperviionado, no intuito de averiguar a validade do modelo híbrido propoto. 326 Exacta, São Paulo, v. 4, n. 2, p , jul./dez

3 Artigo 2 Textura em imagen digitai Conforme enumeraçõe a eguir. 2.1 Imagen digitai Uma imagem digital pode er entendida como uma matriz em que o índice de linha e coluna identificam um ponto na imagem, e o valor do elemento da matriz, o nível de cinza naquele ponto. Cada elemento dea matriz é chamado de pixel (GONZALEZ; WOODS, 2002). Dea forma, uma imagem digital é normalmente definida como uma função bidimenional f(i, j), com i, j e Z 2. Uma imagem em nívei de cinza G y pode er decrita como uma função (Equação 1), cujo contradomínio repreenta diferente nívei de cinza, por exemplo o intervalo real de 0 a 1 que, geralmente, é dicretizado computacionalmente, reultando em um intervalo inteiro de 0 a Textura G y : Z 2 t [0,..., 255] (1) Apear de não haver coneno obre a definição de textura, pode-e referenciá-la como um conjunto de determinado padrõe exitente na uperfície fíica, perceptívei ao olho humano, e que trazem grande quantidade de informaçõe obre a ua natureza, tai como uavidade, rugoidade e regularidade. Na decrição de padrõe de textura em imagen, normalmente ão utilizada trê abordagen principai: a etatítica, a etrutural e a epectral (GONZALEZ; WOODS, 2002). Nete trabalho, coniderou-e apena a abordagem etatítica para decrição da textura da imagen. 2.3 Decrição de textura por matriz de co-ocorrência A extração de caracterítica uando abordagem etatítica propicia a decrição de imagen por meio de regra etatítica que governam tanto a ditribuição quanto a relação entre o diferente nívei de cinza. Inúmera medida podem er extraída da ditribuição do nívei de cinza em imagen, entre a quai o cálculo de média, variância, devio-padrão, energia ou entropia. A abordagem etatítica pode er dividida em dua vertente: a de primeira ordem, na qual e extraem caracterítica a partir de hitograma de primeira ordem, e a de egunda ordem, que leva em conta o poicionamento relativo da ocorrência do nívei de cinza. A principal diferença entre a abordagen é que, dada dua imagen que contenham a mema quantidade de nívei de cinza, diferenciando-e apena em termo de poicionamento, na abordagem de primeira ordem, apreenta-e um memo hitograma, enquanto na de egunda ordem, o hitograma erão diferente. Haralick (1979) propõe uma metodologia para decrição de textura com bae em etatítica de egunda ordem, em que ão definida a caracterítica proveniente do cálculo de matrize denominada matrize de co-ocorrência, que conitem de uma contagem de quanta combinaçõe diferente de nívei de cinza ocorrem em uma imagem, em uma determinada direção. Para obtenção de tai matrize, conidera-e a variação da ditância e direção (d, θ) entre pixel vizinho. Normalmente, ão utilizado quatro direcionamento: 0º, 45º, 90º e 135º, conforme ilutra a Figura 1. A matrize de co-ocorrência formam a bae para elaboração de divera medida etatítica conhecida como decritore de Haralick. Utilizaram-e, nete trabalho, oito decritore: egundo momento angular (SMA), contrate (Cont), entro- Exacta, São Paulo, v. 4, n. 2, p , jul./dez

4 P(i - 1, j - 1) P(i - 1, j) P(i - 1, j + 1) P(i, j - 1) P(i, j) P(i, j + 1) O momento da diferença invera denota a homogeneidade da matriz de co-ocorrência. COR(d, q) = ijp(i, j) - m x m y x y (6) P(i + 1, j - 1) P(i + 1, j) P(i + 1, j + 1) Ilutração 1: Janela da variaçõe angulare (q) utilizada no cálculo da matrize de co-ocorrência, coniderando d = 1 Fonte: O autore. pia (Ent), momento da diferença invera (MDI), correlação (Cor), variância (Var), diimilaridade (Di) e média (Med). Ee decritore ão dado, repectivamente, pela equaçõe (2), (3), (4), (5), (6), (7), (8) e (9) a eguir. Para cada pixel P(i, j) proceado na imagem, há uma janela em torno dele, com ditância d = 1 na quatro direçõe θ. N g denota a quantidade de nívei de cinza em uma imagem. SMA(d, q) = [P(i, j)] 2 (2) O egundo momento angular fornece a medida da homogeneidade local do nívei de cinza em uma imagem. Cont(d, q) = (i - j) 2 P(i, j) (3) O contrate reflete a quantidade de variação local de nívei de cinza em uma imagem. ENT(d, q) = - (i - j) log 2 [P(i, j)] (4) A entropia fornece o grau de diperão de nívei de cinza de uma imagem. MDI(d, q) = (i - j) 2 P(i, j)] (5) A correlação mede a dependência linear do nívei de cinza na combinaçõe do pare de pixel em uma determinada direção. m x e m y denotam a média na direçõe x e y, enquanto x e y repreentam o devio-padrão. VAR(d, q) = (i - j) 2 P(i, j) (7) A variância diz repeito à heterogeneidade da matriz de co-ocorrência em forma de devio do valore P da matriz. DIS(d, q) = (i - j) P(i, j) (8) A diimilaridade mede o devio do valore da combinação de pare de pixel diagonai, em que apena a contribuição do devio é coniderada. MED(d, q) = i P(i, j) Média da matriz de co-ocorrência. 3 RNA (9) A RNA têm ido amplamente utilizada em aplicaçõe relativa tanto à claificação quanto à recuperação de imagen. O uo do modelo neurai para ea atividade etá diretamente relacionado à ua principai caracterítica: a capacidade de aprender e de generalizar a informação aprendida. Outra caracterítica importante dea rede é a capacidade de auto-organização, em que a rede atribui um padrão de entrada a uma clae entre um conjunto de clae conheci- 328 Exacta, São Paulo, v. 4, n. 2, p , jul./dez

5 Artigo da. O procedimento empregado no aprendizado de uma RNA é denominado de algoritmo de treinamento, e ua função principal é a modificação do peo ináptico, viando a atingir o objetivo (HAYKIN, 2001). 3.1 SOM O SOM, também conhecido como rede de Kohonen (1990), ão modelo de RNA não-uperviionado, ou eja, o ajute do peo ináptico é feito automaticamente em a neceidade de um profeor. Trata-e de um mapa topográfico artificial que aprende, por meio da auto-organização inpirada na neurobiologia, qual do neurônio da camada de aída repreenta uma clae de padrõe de entrada, de acordo com ua caracterítica ou atributo (HAYKIN, 2001). A idéia báica da rede é a eguinte: cada vetor de entrada, que repreenta um padrão, pode er vito como um etímulo aplicado à rede e correponde a um ó neurônio na camada de aída, também chamado de neurônio vencedor, ou eja, a rede funciona como mapeador de um conjunto de atributo de entrada, repreentando-o por neurônio, que ão ativado na camada de aída (KOHONEN, 1990). 3.2 LVQ O algoritmo SOM proporciona um agrupamento inicial do padrõe de entrada; no entanto, é comum haver problema de claificação na fronteira da decião entre a clae. A LVQ, de natureza uperviionada, poibilita melhorar a divião do epaço do padrõe previamente agrupado. O algoritmo LVQ ua a informação obre a clae de padrõe para melhorar a qualidade da regiõe de decião do claificador. O funcionamento do LVQ pode er decrito da eguinte forma: toma-e um vetor de entrada x aleatoriamente do epaço de entrada. Se houver concordância entre o rótulo de clae do vetor de entrada x e de um vetor de Voronoi w, move-e o vetor de Voronoi w em direção ao vetor de entrada x. Cao haja dicordância entre o rótulo de clae do vetor de entrada x e do vetor de Voronoi w, o vetor de Voronoi w é afatado do vetor de entrada x (HAYKIN, 2001). 4 Claificação de textura pela aprendizagem O problema de claificação de textura pela aprendizagem envolveu doi conjunto de padrõe baeado no decritore de Haralick, um para o treinamento da rede, denotado por P = {p 1, p 2... p n }, e outro para a fae de tete da rede, indicado por Q = {q 1, q 2... q n }. Cada padrão p i e P e q i e Q é repreentado por um vetor de oito elemento (o oito decritore etatítico). O treinamento da RNA híbrida inicia-e rotulando o conjunto P por meio do algoritmo não-uperviionado SOM, que proporciona um agrupamento inicial do padrõe de treinamento. Entretanto, na regiõe de eparação entre a clae, pode haver problema de claificação (obrepoição de clae). A aprendizagem por LVQ, de natureza uperviionada, é, portanto utilizada para melhorar a divião do epaço da clae etabelecida pelo algoritmo SOM. 5 Reultado experimentai Apó a fae de treinamento do modelo híbrido, procedeu-e à etapa de tete para verificação de eu deempenho. Para o conjunto de treinamento (P) e de tete (Q), foram utilizada imagen de tecido biológico extraída de vário autore (KUHNEL, 1991; SCHNEIDER, 1998; WOLF; SCARBROUGH, 2005). Selecionaram-e 50 imagen para compor o conjunto P e outra 50 Exacta, São Paulo, v. 4, n. 2, p , jul./dez

6 diferente para formar o conjunto Q, totalizando 100 imagen. Tanto no conjunto de treinamento quanto no de tete, a imagen foram dividida em cinco clae, cada uma contendo dez imagen. Para a fae de rotulação do padrõe, foi propota uma arquitetura para rede SOM com oito neurônio na camada de entrada e um mapa de aída com 36 neurônio (matriz quadrada 6 x 6). Para averiguar o deempenho da rede, o algoritmo de treinamento foi executado por 700 época 1, utilizando uma taxa de aprendizagem de 0,005. Apó o agrupamento, o mapa de aída da rede é apreentado em uma janela (Figura 2), em que a imagen com textura imilare etão organizada em uma determinada região do mapa. meio do algoritmo uperviionado LVQ. Para io, a partir do dado de aída do algoritmo SOM, foi realizado o treinamento com LVQ, utilizando a mema taxa de aprendizagem e a mema quantidade de época adotada no treinamento de SOM. A Figura 3a ilutra o mapa de aída apó o treinamento com LVQ, uando o conjunto P, enquanto a Figura 3b motra o mapa de aída com a imagen do conjunto Q (imagen-tete). A Tabela 1 traz o reultado do tete efetuado com a rede treinada apena com o algoritmo SOM. Já a Tabela 2 (a) Figura 2: Mapa de aída apó treinamento com algoritmo SOM Fonte: O autore. Obervando o mapa de aída (Figura 2), percebe-e que a rede treinada com algoritmo SOM coneguiu agrupar toda a imagen do conjunto de treinamento. Entretanto, em algun ponto houve imagen claificada em regiõe a que não pertencia ua clae de padrõe. Dea forma, para obter um melhor deempenho no reconhecimento, foi precio melhorar a divião do epaço do padrõe agrupado pelo algoritmo SOM por Figura 3: Mapa de aída da rede híbrida propota Ob.: a) Mapa de aída da rede apó treinamento com LVQ com conjunto P; b) Mapa de aída da rede treinada com LVQ apó fae de tete com conjunto Q. Fonte: O autore. (b) 330 Exacta, São Paulo, v. 4, n. 2, p , jul./dez

7 Artigo demontra o reultado relativo ao tete com a rede híbrida treinada e propota. Tabela 1: Reultado do experimento com o conjunto de tete Q uando a rede treinada apena com SOM Clae Quantidade de acerto Quantidade de erro Acerto (%) Média de acerto 72 no reconhecimento de imagen caracterizada pelo decritore de Haralick. O reultado obtido na claificação de imagen com a aplicação dea técnica motraram-e uperiore na comparação com aquele obtido a partir do uo de um único modelo de RNA não-uperviionado (SOM). Io inaliza que o método propoto pode er uma alternativa promiora para aplicaçõe que envolvam tanto a indexação quanto a recuperação automática de imagen digitai, principalmente em banco de imagen médica. Fonte: O autore. Tabela 2: Reultado do experimento com o conjunto de tete Q uando a rede híbrida treinada com SOM + LVQ Clae Quantidade de acerto A partir do reultado apreentado na Tabela 1 e 2, verificou-e que o emprego do algoritmo híbrido utilizado no agrupamento do padrõe de treinamento proporcionou uma eficiência média de 100% no reconhecimento da imagen, tendo como bae a decrição de ua textura, enquanto o reultado obtido com o uo do algoritmo SOM em o LVQ motrou uma eficiência média de 72%. Io comprova que a aplicação do algoritmo LVQ ao SOM permitiu uma melhora ignificativa da claificação do padrõe. Quantidade de erro Acerto (%) Fonte: O autore. Média de acerto Agradecimento O autore agradecem à Uninove pelo apoio financeiro. Recognition texture pattern in digital image uing an hybrid artificial network Thi work preent a mechanim of image indexation baed on textural feature applying artificial neural network. Attribute originated from Haralick decriptor baed on co-occurrence matrix, are applied in order to claify the texture. An hybrid implementation of neural network i ued in the recognition of different texture pattern, which firtly propitiate a initial gathering of them by uing an unupervied model (elf-organization map [SOM]) and econdly by uing a upervied model (learning vector quantization [LVQ]) aiming to enhance the pattern clae egmentation previouly gathered from the application of the unupervied model. Key word: Haralick decriptor. Texture pattern. Artifical neural network. 6 Conideraçõe finai Nete trabalho, foi demontrada a aplicação de um modelo híbrido de RNA (SOM com LVQ) Nota 1 N. Ed.: cada época ignifica um ciclo de treinamento. Exacta, São Paulo, v. 4, n. 2, p , jul./dez

8 Referência AKSOY, S.; HARALICK, R. M. Textural feature for image databae retrieval. In: IEEE WORKSHOP ON CONTENT-BASED ACCESS OF IMAGE AND VIDEO LIBRARIES, 1998, Wahington. Proceeding... Wahington: IEEE, ALVES, W. A. L.; ARAÚJO, S. A. de. Avaliação da utilização de doi diferente modelo de rede neurai na claificação de imagen baeada em caracterítica texturai. Exacta, São Paulo, v. 4, n. 1, p , ANTANI, S.; KASTURI, R.; JAIN, R. A urvey on the ue of pattern recognition method for abtraction, indexing and retrieval of image and video. Pattern Recognition, Amterdã, v. 4, n. 35, p , BRUNELLI, R.; MICH, O. Image retrieval by example. IEEE Tranaction on Multimedia, Nova Jerey, v. 2, n. 3, p , FELIPE, J. C.; TRAINA, A. J. M. Utilizando caracterítica de textura para identificação de tecido em imagen médica. In: WORKSHOP DE INFORMÁTICA MÉDICA, 2., 2002, Gramado. Anai... Gramado: WIM, GONZALEZ, R. C.; WOODS, R. E. Digital image proceing. 2. ed. Nova Jerey: Prentice Hall, HARALICK, R. M. Statitical and tructural approache to texture. Proceeding of the IEEE, v. 67, n. 5, p , HAYKIN, S. Rede neurai: princípio e prática. 2. ed. Porto Alegre: Bookman, KOHONEN, T. The elf-organizing map. Proceeding of the IEEE, v. 78, p , KUHNEL, W. Atla de citologia, hitologia e anatomia microcópica: teoria e prática. 7. ed. Rio de Janeiro: Guanabara Koogan, LIU, Y.; ZHOU, X. A imple texture decriptor for texture retrieval. In: INTERNATIONAL CONFERENCE ON COMMUNICATION TECHNOLOGY, 2003, Beijing. Proceeding... Beijing: ICTT, p MARTINS, M. P.; GUIMARÃES, L. N. F.; FONSECA, L. M. G. Claificador de textura por rede neurai. In: CONGRESSO BRASILEIRO DE COMPUTAÇÃO, 2., 2002, Itajaí. Anai... Itajaí: Univali, v. 1, p RUI, Y.; HUANG, T. S.; CHANG, S-F. Image retrieval: pat, preent and future. In: INTERNATIONAL SYMPOSIUM ON MULTIMEDIA INFORMATION PROCESSING, 1997, Taiwan. Proceeding... Taiwan, SCHNEIDER, M. L. Atla de diagnótico diferencial em citologia ginecológica. 1. ed. Rio de janeiro: Revinter, SEBE, N.; LEW, M. S. Color-Baed Retrieval. Pattern Recognition Letter, Amterdã, v. 22, n. 2, p , SHIBA, M. H. et al. Claificação de imagen de enoriamento remoto pela aprendizagem por árvore de decião: uma AVALIAÇÃO de deempenho. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 12., 2005, Goiânia. Anai... Goiânia: Inpe, p SMITH, J. R.; CHANG, S-F. Tool and technique for color image retrieval. In: SYMPOSIUM ON ELECTRONIC IMAGING: SCIENCE AND TECHNOLOGY STORAGE & RETRIEVAL FOR IMAGE AND VIDEO DATABASES, 4., 1996, San Joe. Proceeding... San Joe: IS&T/Spie, v , p WOLF, M.; SCARBROUGH, M. The JayDoc HitoWeb. Site The Univerity of Kana, Diponível em: < hitoweb/index.htm>. Aceo em: 5 et Recebido em 5 et / aprovado em 5 nov Para referenciar ete texto ALVES, W. A. L.; ARAÚJO, S. A. de; LIBRANTZ, A. F. H. Reconhecimento de padrõe de textura em imagen digitai uando uma rede neural artificial híbrida. Exacta, São Paulo, v. 4, n. 2, p , jul./dez Exacta, São Paulo, v. 4, n. 2, p , jul./dez