Descritores de Imagem

Os principais descritores de imagems empregados neste trabalho s˜ao apresentados nesta se¸c˜ao, os quais geralmente s˜ao usados em CBIR e reidentifica¸c˜ao de pessoas.

Descritores globais (cor e textura) e descritores locais foram utilizados no trabalho. Os descritores globais descrevem a imagem como um todo, por exemplo, a distribui¸c˜ao de cor de uma imagem. Por outro lado, os descritores locais inicialmente aplicam uma etapa de detec¸c˜ao de pontos de interesse e, em seguida, as regi˜oes da imagem em torno dos pontos de interesse s˜ao descritas. A Tabela 2.1 mostra todos os nomes e abreviaturas dos descritores que foram utilizados nesta pesquisa (as abreviaturas utilizadas n˜ao s˜ao um padr˜ao na literatura).

Descritores de Cor

Histograma de Cor ´e um dos descritores mais amplamente utilizados em reidentifica¸c˜ao de pessoas [18–20,26,30,32,34,35] e recupera¸c˜ao de imagens por conte´udo [41]. O histograma

Descritor

Abreviatura

Auto Color Correlogram

ACC

Border/Interior Pixel Classification

BIC

Color Coherence Vectors

CCV

Cumulative Global Color HSV Histogram

CHSV

Color Structure Descriptor

CSD

Haralick Descriptor

HAR

Global Color HSV Histogram

HSV

Hue Histogram

HUE

Local Binary Patterns

LBP

Opponent Histogram

OPH

Global Color RGB Histogram

RGB

Tabela 2.1: Descritores e abreviaturas utilizadas ao longo do texto.

de cor ´e constru´ıdo concatenando-se os histogramas extra´ıdos de cada canal de cor de uma imagem colorida. Espa¸cos de cores comumente utilizados s˜ao RGB, HSV e YCbCr.

Uma varia¸c˜ao do histograma de cor ´e construir um Histograma de Cor Cumulativo [50], em que a principal diferen¸ca ´e que o valor de cada bin acumula o valor do bin anterior mais o valor do pr´oprio bin do histograma convencional. Tanto o histograma de cor convencional quanto o cumulativo utilizam a fun¸c˜ao de distˆancia L1 para comparar os descritores.

Outro histograma de cor utilizado neste trabalho ´e o Opponent Histogram [53] que ´e uma combina¸c˜ao de histogramas unidimensionais baseados nos canais do espa¸co Opponent Color. O1 = (R − G)/ √ 2, O2 = (R + G − 2B)/ √ 6, O3 = (R + G + B)/ √ 3 (2.13)

em que a intensidade ´e representada pelo canal O1 e a informa¸c˜ao de cor pelos canais O2 e O3. Esse modelo ´e invariante ao deslocamento da intensidade de luz.

Dado que o canal Hue (matiz) do espa¸co HSV ´e inversamente proporcional ao canal Saturation (satura¸c˜ao) [53], o histograma Hue torna-se mais robusto se cada amostra for ponderada pela sua Saturation. Este histograma de cor ´e chamado Hue Histogram [53]

H´a uma conhecida limita¸c˜ao dos histogramas globais de cor associada ao fato de que imagens com aparˆencias diferentes podem ter histogramas de cores similares. Com o intuito de tratar essa limita¸c˜ao, foi proposto o Color Coherence Vectors (CCV) [39]. Dada uma imagem colorida, inicialmente o CCV suaviza a imagem para eliminar pequenas varia¸c˜oes entre pixels vizinhos; em seguida, os pixels s˜ao classificados como coerentes ou incoerentes. Pixels coerentes s˜ao aqueles que tˆem a mesma cor e que fazem parte de uma

2.3. Conceitos Relacionados 19

componente conexa em que o n´umero de pixels supera o valor de um limiar, enquanto que os incoerentes s˜ao aqueles pixels que n˜ao superam o valor do limiar. O descritor final ´e formado por um vetor que cont´em o n´umero de pixels coerentes e incoerentes.

Outro descritor que tamb´em foi proposto para tratar a limita¸c˜ao dos histogramas globais de cor ´e o Auto Color Correlograms (ACC) [21]. Esse descritor leva em conta a correla¸c˜ao espacial da cor local e a distribui¸c˜ao global de tal correla¸c˜ao espacial. Para isso, calcula a probabilidade de encontrar um pixel de cor j em uma distˆancia k a partir de um pixel de cor i. A fun¸c˜ao de distˆancia utilizada para comparar os vetores de caracter´ısticas foi a L1.

Outros descritores de cor amplamente utilizados s˜ao aqueles que pertencem ao padr˜ao do MPEG-7. Por exemplo, o Color Structure Descriptor (CSD) que ´e usado em [36, 41]. Dada uma imagem colorida, o CSD utiliza o espa¸co hue-min-max-difference (HMMD) n˜ao uniformemente quantizado a 184, 120, 64 ou 32 cores. Geralmente, o CSD utiliza um elemento estrutural de 8×8 pixels, embora muitas vezes o tamanho, a amostragem e o passo de deslocamento do elemento estrutural dependam do tamanho da imagem.

`

A medida que o elemento estrutural percorre a imagem, um histograma ´e atualizado incrementando-se o n´umero de vezes que uma determinada cor se enquadra dentro do elemento.

Finalmente, um decritor muito utilizado e com bom desempenho em CBIR [41] ´e o Border/Interior Pixel Classification (BIC) [49]. A descri¸c˜ao ´e realizada da seguinte forma: primeiro, dada uma imagem no espa¸co RGB, ela ´e quantizada a 4 × 4 × 4 = 64 cores. Em seguida, os pixels da imagem s˜ao classificados como borda ou interior: se um pixel possui a mesma cor dos seus vizinhos-4 (acima, `a direita, abaixo e `a esquerda), ele ´e classificado como interior; caso contr´ario, ele ´e classificado como borda. O descritor final ´e formado pela concatena¸c˜ao de dois histogramas, um dos pixels de borda e outro dos pixels de interior, resultando um descritor de dimens˜ao 128.

Descritores de Textura

Um dos decritores de textura amplamente utilizados na literatura de reidentifica¸c˜ao de pessoas e CBIR ´e o Haralick Descriptor [17]. O procedimento que segue esse descritor para extrair as caracter´ısticas de textura ´e baseado na hip´otese de que a informa¸c˜ao de textura de uma imagem est´a contida na rela¸c˜ao espacial entre seus n´ıveis de cinza. Especificamente, as caracter´ısticas de textura s˜ao derivadas a partir das rela¸c˜oes angulares dos pixels vizinhos mais pr´oximos, n´ıveis de cinza e a dependˆencia espacial entre eles.

Uma matriz de frequˆencias Pij, chamada de matriz de coocorrˆencia, ´e constru´ıda com

o n´umero de vezes que dois vizinhos i e j aparecem separados por uma distˆancia d, em uma rela¸c˜ao angular θ. Uma matriz de frequˆencia ´e constru´ıda para cada ˆangulo θ = 0, 45, ..., 360 e para cada distˆancia d = 1, 2, ..., n.

As caracter´ısticas de textura s˜ao ent˜ao extra´ıdas usando quatorze medidas estat´ısticas, tais como entropia, segundo momento angular, contraste e correla¸c˜ao. Maiores detalhes podem ser encontrados em [17].

Outro descritor de textura conhecido na literatura de reidentifica¸c˜ao de pessoas [19,58] ´e o Local Binary Patterns (LBP) [38]. Esse m´etodo detecta padr˜oes locais de textura bin´arios de aparˆencia uniforme chamados “uniform”. Os padr˜oes mais frequentes s˜ao micro-caracter´ısticas de arestas, cantos e pontos.

Dado o operador de textura T = t(gc, g0, ..., gP −1), o descritor ´e definido baseado em

uma vizinhan¸ca circular de P > 1 membros em um raio R > 0, em que de P controla a quantiza¸c˜ao angular e R determina a resolu¸c˜ao espacial do operador. O valor de gc ´e o

valor de cinza do pixel central da vizinhan¸ca e gp(p = 0, ..., P − 1) corresponde aos valores

de cinza de P uniformemente espa¸cados em um raio R que forma uma vizinhan¸ca circular e sim´etrica.

Primeiro, a subtra¸c˜ao ´e realizada a partir dos pixels vizinhos com o pixel central T = t(s(g0− gc), s(g1 − gc), ..., s(gP −1− gc)) (2.14)

em que s = 0 se x < 0 ou s = 1 se x ≥ 0. Ent˜ao, um fator binomial ´e fornecido para cada s(gp− g0), resultando o descritor LBP como

LBPP,R = P −1

X

p=0

s(gp− g0)2p (2.15)