Relatório do Seminário sobre Data Mining em Imagens

Relatório do Seminário sobre Data Mining em Imagens

Alunos:

Fabio Ariati

Fernando Almeida

Luis Eduardo Martins

Rayse Kiane

Introdução

A mineração de dados em bancos de imagens propõe técnicas para extrair

 

 

 

 

 

 

 

 

 

 

 

conhecimento não explícito a partir de acervos de imagens.

Humanos tem melhor compreenção de imagens que computadores. Encontrar padrões

 

 

 

 

 

 

 

 

 

em grandes bancos de dados é uma área de pesquisa muito ativa com aplicações em

 

 

 

 

   

 

 

 

 

 

 

 

 

diversas áreas.

Investigação Criminal

O uso de mineração de imagens em videos e fotos pode ser utilizado para encontrar

 

 

 

 

 

 

 

   

 

 

 

 

 

evidência em casos em que a quantidade de dados é excessiva (como em casos em que

 

 

 

 

   

   

   

 

 

 

 

 

a metragem de uma grande quantidade de cameras deve ser analizada), com os

 

 

 

 

 

 

 

 

 

 

 

 

algoritmos certos é possível usar softwares de data mining em imagens para encontrar

 

   

 

 

 

 

 

 

 

 

 

pessoas ou objetos em quadros individuais de cada video, facilitando o trabalho dos

 

 

 

 

 

 

 

 

 

   

 

investigadores.

Imagiologia Médica

Cresce o consenso entre especialistas clinicos de que o uso de CAD (Computer Aided

   

 

 

 

 

 

   

 

 

 

 

Diagnosis) pode melhorar a performance de um radiologista. A proposição é fazer o uso

 

 

   

 

 

 

   

   

   

de CAD como um segundo leitor em conjunto com o radiologista, o radiologista primeiro

 

 

 

 

 

 

 

 

   

   

 

faz a sua interpretação das imagens por conta própria, e em seguida usa o CAD para ter

   

 

 

 

 

 

 

   

 

 

   

 

 

certeza que nenhum detalhe passou despercebido, a interpretação final das imagens

 

 

 

 

 

   

 

 

 

ainda fica por conta do radiologista.

Vigilância Militar

Detecção automática de intrusões, localização de bases inimigas e identificação de

 

 

 

 

 

 

 

   

 

pessoal são as maiores aplicações de mineração de imagens na area militar, já existem

 

   

 

 

 

 

 

 

 

 

   

ferramentas capazes de realizar tais tarefas no mercado como o Artemis da CACI MTL

 

 

 

 

 

 

 

 

   

 

 

 

Systems (empresa que possui clientes como NASA e DARPA entre outros orgãos do

 

 

 

 

 

 

   

 

 

 

 

governo americano).

Detecção de fenômenos atmosféricos

Mineração de imagens é usado tambem na meteorologia para identificar formações

 

 

   

 

 

 

 

 

 

como possiveis ciclones, tufões e tempestades atravez de imagens de satélites em

 

 

 

   

 

 

 

 

 

 

tempo real, uma aplicação capaz de fazer isso é o ADaM da NASA.

Detecção de violações e crimes ambientais

Um dos maiores usos da mineração de imagens para o Brasil é a detecção de crimes e

 

 

 

 

 

 

 

 

   

     

   

 

violações ambientais, principalmente em relação ao desmatamento da amazônia,

 

 

 

 

 

 

 

 

existem atualmente projetos que permitem localizar areas desmatadas com grande

 

 

 

 

 

 

 

 

 

clareza, essas areas após localizadas pelos aplicativos e sistemas analizando imagens

 

 

 

 

 

 

   

 

 

aereas ou de satélites são investigadas por equipes de campo que avaliam a situação de

 

   

 

 

 

 

   

 

 

   

 

perto, muitas vezes confirmando os crimes identificados pelos softwares de mineração.

ADaM

ADaM (Algorithm Development and Mining System) é um projeto da NASA que aplica

 

 

 

 

 

   

 

 

 

 

 

tecnologias de data mining em dados de sensoriamento remoto e outros dados

 

 

 

 

 

 

 

 

   

 

científicos.

ADaM é composto de mais de 100 componentes que podem ser configurados para criar

   

 

 

 

 

 

 

 

 

 

 

 

vários processos customizados de mineiração de dados, processamento e análise.

Os componentes do ADaM são leves e autonomos, e podem ser usados em conjunto

 

 

 

 

 

   

   

 

 

 

 

com outras ferramentas de data mining como WEKA e Orange

Diferença entre mineração convencional e em bancos de

 

 

 

   

 

 

imagens

● Valores relativos e valores absolutos: Um campo numérico numa tabela de banco de        dados possui um valor estanque, ao passo que em uma imagem depende dos valores        que estão próximos, tendo um significado semântico  diferente.

● Informação espacial: Para a interpretação de imagens a informação espacial é crítica, o        mesmo não ocorre em banco de dados relacionais.      Utiliza­se a extração de      características independentes de posição em cada imagem (metadados, anotações,        etc.) antes da mineração de padrões espaciais (objetos, seus relacionamentos, etc),        para minimizar este problema.

● Interpretação unica e interpretação multipla: Uma imagem pode possuir interpretações        multiplas dos mesmos padões visuais. Enquanto que um dado como endereço ou        nome, não apresenta esse problema.

● Representação de padrões: a representação deve saber tratar justamente do contexto e        das informações espaciais.

● Seleção de características: é preciso saber escolher quais são as características mais        significativas.

● Visualização de padrões: é preciso criar novas formas de visualização dos padrões        encontrados.

Alguns outros aspectos que devem ser observados na análise de imagens são:

● Textura – numa imagem, cada elemento (pixel) está muito relacionado com seus        vizinhos, muitas vezes fazendo parte de uma região homogênea. Se tratarmos os        elementos de imagens como entidades isoladas, perdemos a capacidade de capturar a        informação de textura presente no contexto.

• Processamento em vários níveis – estudos clássicos sobre a visão humana (Marr, 1982)        mostram que o processamento visual ocorre em vários níveis. A princípio ocorre a detecção de        bordas, geometrias e estruturas dos objetos, até chegar à identificação de objetos na cena,        contextualizando­os de acordo com as intenções e conhecimento do observador, associando        os elementos perceptuais (borda, geometria, estrutura) a padrões, protótipos e eventos        segundo a cognição do indivíduo.

• Ambigüidade de interpretação – diferentes observadores podem interpretar a mesma imagem        de forma distinta, dependo da natureza do estudo e dos métodos de análise empregados. O        nível de conhecimento e experiência do intérprete influenciam diretamente na compreensão e        avaliação dos elementos retratados.

• Dependência de domínio – cenários e atividades do mundo real pertencentes a determinado        domínio possuem características e elementos específicos. A identificação dos elementos, suas        classes e relacionamentos está ligada ao contexto em si, podendo uma mesma imagem        possuir informações distintas e inerentes a diferentes domínios em questão.

O item 4 mostrado na imagens, extração de características. é exclusiva da mineração de        imagens. Na extração, não há interesse em trabalhar diretamente com pixels e sim com uma        representação intermediária. Esta abordagem trabalham com características de baixo nível        como cor, forma e textura, representadas através de vetores de características. Em , afirma­se        que os métodos para extração de características se dividem em dois grupos básicos: os que        preservam a informação espacial (como CSS ou Curvature Scale Space) e aqueles que não a        preservam (como histogramas).

Técnicas de Mineração de Imagens

Reconhecimento de objetos

Modelos de objetos permitem que um sistema de reconhecimento encontre objetos do mundo        real em imagens. Algoritmos de aprendizagem de máquina e extratores de informação        dependem da identificação e reconhecimento de objetos pelo sistema. Estes sistemas        consistem basicamente de um banco de modelo, que contém os próprios modelos e suas        características relevantes, detector de características, que avalia e associa características       

relevantes aos objetos, hipotetizador, que atribui probabilidades aos objetos na imagem e        verificador de hipóteses que avalia as hipóteses através dos modelos e relaciona o objeto        detectado com o modelo mais parecido existente na base de dados.

Indexação, Classificação e agrupamento de imagens

Quando trabalhando com uma grande quantidade de imagens, é vital prover suporte a busca de        imagens com um esquema rápido e eficiente de indexação, usando as características internas        das imagens para criar um sistema de indexação que reduza o tempo de cada busca.

A classificação e o agrupamento de imagens efetuam, respectivamente, a classificação        supervisionada e não supervisionada de imagens em grupos. Na classificação supervisionada,        é fornecida uma coleção de imagens rotuladas (conjunto de treinamento), e o problema é rotular        um novo conjunto de imagens ainda não classificadas. O conjunto de treinamento é utilizado        para treinar o algoritmo de aprendizagem de máquina segundo a classe definida para a        rotulação das novas imagens. Já a classificação não supervisionada (agrupamento ou        clustering) visa agrupar uma coleção de imagens não rotuladas em grupos (clusters)        significativos, de acordo com o conteúdo de cada imagem, sem qualquer conhecimento ou        rótulo prévio. A classificação inteligente de imagens a partir do seu conteúdo é um meio        importante de minerar informações valiosas de grandes coleções de imagens, já que os        usuários possuem grande interesse em determinar classes ou agrupamentos de todo um        acervo, ora com conhecimento a priori, ora sem ele.

Mineração de regras de associação

A mineração de regras de associação é freqüentemente utilizada para extrair tendências        interessantes, padrões e regras em bancos de dados (quando a classe de uma tarefa de        mineração não é determinada como no caso da classificação supervisionada). Associações        entre valores dos atributos são geradas na forma de regras, tendo o algoritmo sua ênfase no        compromisso entre precisão e cobertura. Para imagens existem duas abordagens principais:        na primeira realiza­se a mineração a partir de acervos de imagens, um uso dessa abordagem        seria a detecção de padrões na estrura de cidades semelhantes, e na segunda a tarefa é        realizada tomando­se uma combinação de imagens e dados alfanuméricos associados, que        poderia ser usado na area médica aonde imagens de radiografias estão relacionadas com os        dados de um paciente.

Redes Neurais

Uma rede neural é um processador paralelo massivamente distribuído, composto de unidades        básicas de processamento, onde cada uma tende ao armazenamento de conhecimento        experimental, tornando tal conhecimento disponível para o uso. Alguns dos pontos fortes destas        redes são o reconhecimento de padrões, a previsão de tendências e a construção de modelos        de dados, tudo isso com forte tolerância a falhas. Um projeto relevante, baseado em redes        neurais, avalia e detecta mudanças em séries temporais de imagens. Quando treinadas        corretamente as redes neurais possuem a capacidade de identificar detalhes e padrões       

específicos em imagens como por exemplo os rios em uma paisagem, ou até irregularidades        em uma radiografia.

Assuntos diversos

O processo de mineração de dados em imagens é apresentado na Figura 4.1. As imagens de        um acervo (banco de imagens) são recuperadas segundo critérios inerentes à aplicação. A        seguir, uma fase de pré­processamento aumenta a qualidade dos dados, os quais são então        submetidos a uma série de transformações e de extração de características que geram        importantes informações a respeito das imagens. A partir destas informações, a mineração        pode ser realizada através de técnicas específicas, com o intuito de descobrir padrões        significativos. Os padrões resultantes são então avaliados e interpretados para a obtenção do        conhecimento final, que pode ser aplicado no entendimento de problemas, na tomada de        decisões ou outras aplicações estratégicas [ZHL2002].

Conclusão

A mineração de dados em bancos de imagens é um processo multidisciplinar e complexo, o        qual o domínio das metodologias e o poder das ferramentas muitas vezes não é suficiente para        extrair boa parte do conhecimento escondido nos grandes acervos de imagens. Parte do        problema reside na própria natureza do domínio, uma vez que imagens possuem alto grau de        subjetividade, a qual deve ser somada (ou multiplicada) aos desafios da subjetividade da        interpretação da informação, a qual visa a obtenção do conhecimento.

Referências

http://dspace.c3sl.ufpr.br/dspace/bitstream/handle/1884/25120/D%20­%20VIEIRA,%20EVERTO N%20VIDAL.pdf?sequence=1