Recupera¸c˜ ao de Imagens Baseada em Conte´ udo

A recupera¸c˜ao ou reconhecimento de imagens baseada em conte´udo, tamb´em conhe- cido por CBIR ´e uma t´ecnica que tem por objetivo apresentar aos usu´arios imagens armazenadas em uma base de dados que sejam relevantes ou mais similares a uma ima-

2.5 Processamento de Imagens 48

gem modelo. As imagens analisadas a fim de verificar sua relevˆancia ou similaridade s˜ao conhecidas por imagens candidatas (BERGAMASSO, 2010;NUNES, 2011).

A an´alise das imagens ´e feita por meio da extra¸c˜ao de caracter´ısticas de todas as imagens envolvidas no processamento. As caracter´ısticas s˜ao dados matem´aticas extra´ıdos das imagens por fun¸c˜oes conhecidas por extratores (BERGAMASSO, 2010).

2.5.3.1 Extratores

Os extratores s˜ao algoritmos que extraem caracter´ısticas das imagens em forma de informa¸c˜oes matem´aticas que representam o conte´udo de uma determinada imagem. Os extratores podem ser globais (caracter´ıstica de uma imagem toda) ou locais (caracter´ıstica de um determinado ponto da imagem). As caracter´ısticas s˜ao agrupadas em vetores chamados de Vetores de Caracter´ısticas nos quais s˜ao aplicados fun¸c˜oes de similaridades que apontam o quanto uma imagem ´e semelhante a outra (SOUZA; SANTOS; GULIATO, 2008).

H´a trˆes tipos de extratores: Cor, Textura e Forma.

Os extratores de cor s˜ao algoritmos voltados a extrair caracter´ıstica por meio da aplica¸c˜ao de cores de uma imagem. ´E um extrator robusto e independe de tamanho e posicionamento da imagem al´em de ser f´acil de assimilar, o que incentiva seu uso (BER- GAMASSO, 2010). A implementa¸c˜ao do extrator pode ser realizada utilizando qualquer modelo de cor dispon´ıvel tais como RGB, CMY, HSV ou HSI. Uma t´ecnica espec´ıfica para implementa¸c˜ao deste tipo de extrator ´e o Histograma.

O Histograma ´e um recurso que retorna a frequˆencia de uma determinada cor na imagem, permitindo a compara¸c˜ao e an´alise estat´ıstica delas. Quanto maior a varia¸c˜ao do Histograma, maior a varia¸c˜ao de cores na imagem. A Figura 6 apresenta o Histograma de uma imagem em n´ıveis de cinza.

2.5 Processamento de Imagens 49

O segundo tipo de extratores, conhecidos por extratores de texturas apresentam o arranjo estrutural da imagem medindo propriedades como orienta¸c˜ao, regularidade e gra- nularidade. Uma das t´ecnicas utilizadas se chama Matriz de Co-Ocorrˆencia e consiste em demonstrar o relacionamento espacial entre pixels e por meio de f´ormulas como a de entropia, contraste e energia, calcular a probabilidade de regi˜oes com texturas e obter o vetor de caracter´ısticas (BERGAMASSO, 2010).

Por ´ultimo, os extratores de forma s˜ao considerados os mais dif´ıceis por exigirem um pr´e processamento da imagem antes de aplicar o extrator, considerando que os objetos de interesse devem estar separados do fundo. Momentos Invariantes de Hu ´e uma t´ecnica utilizada para analisar propriedades como forma, rota¸c˜ao e escala, por meio de 7 momentos invariantes.

Cada caracter´ıstica extra´ıda ´e representada matematicamente por seu valor e o con- junto de valores extra´ıdos forma o vetor V composto por n elementos no qual n ´e a quantidade de caracter´ısticas registradas e Vi ´e o valor da I´esima caracter´ıstica da ima- gem (NUNES, 2011). Por exemplo, em uma situa¸c˜ao na qual s˜ao extra´ıdas quatro ca- racter´ısticas de uma imagem: M´edia de Histograma de Cinza, Desvio Padr˜ao de Cinza, M´edia dos Pixels em Cinza, Desvio Padr˜ao dos Pixels em Cinza, para cada imagem exis- tir´a um vetor com quatro posi¸c˜oes no qual cada posi¸c˜ao representar´a uma caracter´ıstica da imagem e armazenar´a seu respectivo valor. A Figura 7 apresenta dois modelos de vetores contendo dados de caracter´ısticas de duas imagens para o exemplo citado. Neste exemplo, a primeira tabela apresentada poderia ser associada a uma imagem modelo, enquanto a segundo tabela a uma imagem candidata.

Figura 7 – Vetores de caracter´ısticas de uma imagem

Entretanto, segundo Nunes (2011) somente os vetores de caracter´ısticas n˜ao s˜ao su- ficiente para determinar a similaridade ou relevˆancia de uma imagem candidata, para determinar esses valores ´e necess´ario aplicar os valores a uma fun¸c˜ao de similaridade, conforme ser´a explicado na pr´oxima se¸c˜ao.

2.5 Processamento de Imagens 50

2.5.3.2 Fun¸c˜oes de Similaridade

Como mencionado anteriormente o Processamento de Imagens permite a extra¸c˜ao de caracter´ısticas de imagens e a cri¸c˜ao de vetores nos quais cada posi¸c˜ao ´e preenchida com um valor matem´atico que representa uma caracter´ıstica de uma determinada ima- gem. Por´em, somente esta a¸c˜ao n˜ao ´e suficiente para identificar a similaridade entre duas imagens, para isto ´e necess´ario aplicar esses valores a uma fun¸c˜ao de similaridade.

Uma fun¸c˜ao de similaridade compara dois vetores e retorna um valor n˜ao negativo entre 0 e 1 sendo menor a similaridade quando o valor se aproxima de 0 (zero) e maior quando se aproxima de 1 (um) (NUNES, 2011). Existem v´arias fun¸c˜oes de similaridade, Nunes (2011) apresenta algumas t´ecnicas utilizadas e Bergamasso (2010) apresenta duas como as mais comuns: Distˆancia de Manhattan e Distˆancia Euclidiana.

A distˆancia de Manhattan ´e o a soma das diferen¸cas absolutas entre suas coordenadas, enquanto a distˆancia Euclidiana ´e a raiz da diferen¸ca absoluta entre suas coordenadas ao quadrado (BERGAMASSO, 2010).

Utilizando como exemplo dois vetores V1 = [0.3, 0.5, 0.8, 0.4] e V2 = [0.2, 0.6, 0.7, 0.9] e aplicando os vetores a fun¸c˜ao de distˆancia Euclidiana. Se o valor resultando for 0,993 significa que a imagem candidata tem grande semelhan¸ca com a imagem padr˜ao e caso o valor resultante for 0,321 a imagem candidata ´e consideravelmente diferente da imagem utilizada como base para compara¸c˜ao (NUNES, 2011).

Por fim, o reconhecimento de imagens baseado em conte´udo ´e uma t´ecnica que utiliza algoritmos extratores para obter valores matem´aticos de figuras. Os valores s˜ao armaze- nados em vetores diferentes (uma para cada imagem) e podem ser comparados por meio de fun¸c˜oes de similaridade que retornam um valor ajustado entre 0 e 1 que determina o quanto uma imagem ´e semelhante de outra. Esta t´ecnica pode ser aplicada em diversas ´

areas como compara¸c˜ao facial, busca de imagens relevantes em base de dados e demais ´

areas de processamento de imagens.