Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12218
Title: Aprendizagem e recuperação de imagens utilizando mapas auto-organizáveis e representação log-polar.
Other Titles: Learning and retrieving images using self-organizing maps and log-polar representation.
???metadata.dc.creator???: BATISTA, Luana Bezerra.
???metadata.dc.contributor.advisor1???: GOMES, Herman Martins.
???metadata.dc.contributor.referee1???: BAPTISTA, Cláudio de Souza.
???metadata.dc.contributor.referee2???: CARVALHO, João Marques de.
Keywords: Redes Neurais;Aprendizagem Não-Supervisionada;Recuperação de Imagens;Orientação e Escala - Invariância;Neural Networks;Unsupervised Learning;Image Recovery;Orientation and Scale - Invariance
Issue Date: 19-Feb-2004
Publisher: Universidade Federal de Campina Grande
Citation: BATISTA, L. B. Aprendizagem e recuperação de imagens utilizando mapas auto-organizáveis e representação log-polar. 2004. 114 f. Dissertação (Mestrado em Informática) – Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande, Paraíba, Brasil, 2004.
???metadata.dc.description.resumo???: A cada dia, um número crescente de organizações vem coletando e armazenando uma grande quantidade de imagens digitais. Além disso, imagens também vêm sendo massivamente adicionadas à World Wide Web. Portanto, a estruturação dessas informações, de forma a permitir uma recuperação eficiente, é de fundamental importância. Nos primeiros sistemas de recuperação de imagens, a indexação era feita a partir de palavras-chave. No entanto, com o rápido crescimento das coleções de imagens digitais, dois problemas com esse tipo de abordagem foram evidenciados: (i) a vasta quantidade de trabalho requerido na anotação manual das imagens e (ii) a subjetividade humana de percepção. Dessa forma, a partir da década de 1990, surgiu o conceito de Recuperação de Imagens Baseada em Conteúdo (RIBC), que se caracteriza pela indexação automática de imagens a partir de suas próprias características visuais, como cor, textura e forma. Muitos métodos de indexação baseados em B-Trees vêm sendo utilizados em RIBC, com o objetivo de reduzir o espaço de busca. No entanto, tais métodos são geralmente ineficientes ao lidar com altas dimensões. Além disso, as técnicas utilizadas para extrair características visuais podem causar a perda de informações valiosas da imagem. Nesta dissertação, investigamos o uso de Redes Neurais (mais especificamente os Mapas Auto-Organizáveis) para classificar, indexar e recuperar imagens nesse tipo de problema. A representação de imagem utilizada (log-polar) facilita o reconhecimento de imagens de forma independente de orientação e escala, além de permitir uma compactação da imagem original. Os resultados experimentais obtidos (no reconhecimento de objetos e imagens genéricas) mostraram que a combinação de Mapas Auto-Organizáveis com a representação log-polar é uma estratégia promissora para classificação de imagens. Assim, um protótipo de um sistema de RIBC foi implementado com a estratégia proposta e aplicado a dois estudos de caso em recuperação de imagens da Web.
Abstract: Everyday, a growing number of organizations is collecting and storing a large amount of digital images. Furthermore, images have also been massively added to the World Wide Web. Therefore, structuring this information, in order to allow efficient retrieval, is a very important task. In the initial image retrieval systems, an image indexing scheme based on keywords was used. However, due to the fast growth of the digital image collections, two problems became evident: (i) the vast amount of labor required in manual image annotation and (ii) the subjectivity of human perception. Thus, in the 1990’s, the idea of Content Based Image Retrieval (CBIR) emerged, which is characterized by automatically indexing images using their own visual features, such as color, texture and shape. Many indexing methods based on B-Trees have been used in CBIR, in order to reduce the search time. However, these methods are generally inefficient when working with high dimensions. Moreover, the feature extraction techniques can cause the loss of valuable image information. In this work, we investigate the use of Neural Networks (more specifically, the Self-Organizing Maps) to classify, index and retrieve image in this class of problems. The image representation (log-polar) adopted in this work helps recognizing objects in a way that is independent of orientation and scale, besides being more compact than the original input image. The experimental results (related to individual objects and arbitrary image recognition) showed that the combination of Self-Organizing Maps with the log-polar representation is a promising strategy for image classification. Thus, a CBIR system prototype was built using the proposed strategy and applied to two case studies of image retrieval from the Web.
Keywords: Redes Neurais
Aprendizagem Não-Supervisionada
Recuperação de Imagens
Orientação e Escala - Invariância
Neural Networks
Unsupervised Learning
Image Recovery
Orientation and Scale - Invariance
???metadata.dc.subject.cnpq???: Ciência da Computação
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12218
Appears in Collections:Mestrado em Ciência da Computação.

Files in This Item:
File Description SizeFormat 
LUANA BEZERRA BATISTA – DISSERTAÇÃO (PPGCC) 2004.pdf2.29 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.