Considerações Finais

0 5 10 15 20 25 30 35 Precisão Ponderada Seqüencial (RS−CL−EH) Sobreposta (RS−CL−EH) Composta 3 automática Paralela 2 automática

Figura 6.35: Precisão Ponderada dos Melhores Métodos para cada Proposta

Finalmente, se fez uma comparação com as melhores implementações de cada uma das propostas (figura 6.35). Assim, a melhor implementação de todas as realizadas foi a Sequencial RS-CL-EH com pp= 30.79 seguido pela Sequencial RS-CL-EH sobreposta

com pp= 30.03, logo pela Composta 3 automática com pp= 18.94 e finalmente a Para-

6.4 Considerações

Neste capítulo foram apresentados os experimentos da implementação do cálculo da generalidade e da relevância semântica dos descritores MPEG-7. É visto que mesmo variando o índice de similaridade semântica e o limiar de relevância semântica, foram alcançados os mesmos resultados onde o descritor Dominant Color se mostra mais cor- relato com a semântica. Logo, o índice de generalidade vai estabelecer qual descritor faz uma melhor clusterização dos dados seguindo como padrão a clusterização semântica estabelecida pelos usuários.

Além disso, foi analisada a indexação sequencial proposta nesta tese usando os des- critores MPEG-7. Pelos resultados obtidos vemos que a ordem na qual são apresentados os descritores na indexação é um parâmetro preponderante nos resultados obtidos mesmo que sejam escolhidos os melhores descritores segundo a análise da semântica.

Conclusões

Nesta tese propomos um método para analisar a relação que existe entre descritores de baixo nível e a semântica, de forma que sejam escolhidos os melhores descritores. Ainda, propoe-se uma indexação dos vetores de características ordenados de forma seqüencial, a qual foi comparada com as formas de indexação tradicionais. Assim, para indexar as imagens usando uma estrutura seqüencial dos descritores, foi estabelecido uma ordem se- gundo a relação que existe entre cada descritor e a semântica das imagens usando medidas como o grau de relevância e o grau de generalidade semântica. Finalmente, a proposta de indexação realizada nesta tese mostrou-se superior às propostas tradicionais pelos expe- rimentos realizados, mostrando que a ordem dos descritores nesta seqüência é importante tendo uma relação direta com o grau de extração semântica das imagens. Como estru- tura de indexação foi usada uma rede TS-SL-SOM e é proposta um novo algoritmo de treinamento nesta rede de forma que a eficiência alcançada seja otimizada. Finalmente, para poder estabelecer o grau de semântica extraída por cada descritor são propostos al- goritmos e índices que quantificam esta semântica de tal forma que os descritores sejam comparáveis e se consiga escolher quais descritores usar segundo o problema dado. Se- gundo os experimentos e as premissas expostas nos capítulos anteriores neste capítulo são apresentadas as principais contribuições e trabalhos futuros que possam ser realiza- dos desta tese

7.1 Conclusões

Segundo os experimentos realizados nos capítulos anteriores em relação à proposta de selecionar descritores e usar a indexação seqüencial para a recuperação de imagens, é visto que existe uma melhora na eficiência do método. Porém esta é dependente de muitos fatores tais como quais descritores usar, além do estabelecimento dos parâmetros esco- lhidos para a avaliação dos métodos. A seleção dos descritores vai depender da relação destes com a semântica embutida nas imagens. Para analisar estes fatores foi proposto um método que calcula a nível de generalidade (que tão fácil é clusterizar os dados deste descritor) e o nível de relevância semântica(a distribuição dos dados é similar no espaço dos descritores e no espaço semântico?) de cada descritor. Para uma explicação melhor deste método, a figura apresenta uns exemplos que serão explicados a seguir:

Geral Específico Relevante Não Relevante 1 0 1

Figura 7.1: Situações Ideais de Generalidade e Relevância Semântica

1. Se no espaço do descritor as imagens formam nuvens de pontos onde resulta difícil obter uma boa clusterização, o índice de generalidade será próximo a 1.

2. Se no espaço do descritor as imagens formam clusters bem definidos então este descritor é específico porque permite obter uma boa separação das classes existentes nos dados.

3. Se a representação das imagens por um descritor forma nuvens de pontos esparsas então é dito que este descritor é não relevante porque não reflete as características que idealmente tem um espaço semântico onde imagens similares são próximas e imagens diferentes estão distantes.

4. O cálculo da relevância semântica é baseada no fato que se a imagem A é mapeada próxima à imagem B no espaço da semântica então, no espaço dos descritores deve acontecer igual ou similar.

5. No método proposto, o índice de generalidade e de relevância semântica são duas medidas complementarias. Assim, como é visto na figura 7.1 o descritor ideal de- veria ser muito específico e muito relevante.

Assim, logo dos experimentos e do análise feita neste documento, podemos concluir que:

• A indexação seqüencial é uma boa alternativa para a implementação de sistemas

de recuperação de imagens baseada no conteúdo em comparação com a indexação paralela e a indexação composta.

• A ordem escolhida para a seqüencia de descritores na indexação seqüencial é im-

portante pois influenciara na qualidade dos resultados obtidos na recuperação de imagens em sistemas CBIR.

• A segmentação sobreposta proposta para os mapas da TS-SL-SOM se mostra como

uma opção para obter melhores resultados na recuperação de imagens em CBIR.

• Para a combinação de descritores que obtiveram piores resultados na recuperação de

imagens, a segmentação sobreposta em TS-SL-SOM melhorou mais os resultados que nas propostas mais eficientes.

• Com a segmentação sobreposta são obtidos melhores resultados na recuperação de

imagens para os métodos com mapas maiores.

que mapas maiores favorecem as propostas tradicionais e mapas menores favore- cem nossa proposta.

• O conteúdo semântico das imagens é muito subjetivo e dependente do observador.

• O espaço semântico e o espaço dos descritores são mundos muito distantes nos

quais resulta difícil as comparações.

• Pelo método proposto, o nível de generalidade de cada descritor obtém o grau de semelhança da clusterização no espaço dos descritores e o espaço semântico.

• Pelo nível de generalidade pode-se estabelecer qual descritor usar primeiro e qual

usar no final em uma seqüencia de descritores devido a que em um processo de recuperação a cada nível é feita uma filtragem de imagens e é necessário estabelecer a melhor ordem.

• Um descritor ideal é específico em relação ao seu nível de generalidade, o que numericamente representa 100% no seu índice de generalidade. Porém pelos ex- perimentos realizados nos descritores MPEG-7, todos os descritores alcançam em média 55%, cálculos que refletem a diferencia entre o espaço semântico e o espaço dos descritores.

• Pelo método proposto, o nível de relevância semântica de cada descritor obtém

melhores índices quando a distribuição dos dados tanto no espaço semântico como no espaço dos descritores são similares.

• Um descritor ideal é melhor quanto mais específico e mais relevante.

• Na indexação proposta, a melhor seqüencia de descritores a ser usada é escolher os descritores mais gerais para os primeiros níveis da indexação e os menos relevantes de tal forma que possamos fazer uma filtragem nos primeiros níveis com garantia de não estar perdendo dados.