Caracterização e recuperação de imagens usando dicionários visuais semanticamente enriquecidos

Pedrosa, Glauco Vitor

doi:10.11606/t.55.2016.tde-19122015-120703

Cited by 3 publications

(10 citation statements)

References 51 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A utilização de dados no formato de imagens tem se tornado cada vez mais frequente e uma prova deste fenômeno é a quantidade de imagens geradas diariamente em redes sociais e centros médicos de diagnóstico (PEDROSA, 2016). O crescente aumento na geração de imagem está associado a facilidade de acesso à dispositivos que geram/capturam imagens digitais, por exemplo, smartphones, câmeras digitais, notebooks e outros gadgets.…”

Section: Introductionunclassified

“…Dada a importância da utilização de imagens em vários domínios de aplicação, surgiu uma demanda por sistemas que sejam capazes de recuperar e/ou armazenar imagens de forma eficiente, culminando nos, então, chamados sistemas de recuperação de imagens por conteúdo (CBIR na sigla em inglês -Content-Based Image Retrieval) (PEDROSA, 2016;SILVAET, 2016). Um sistema CBIR possibilita a recuperação de imagens considerando apenas o conteúdo visual (cor, textura e forma) presente nas próprias imagens, em oposição, às tradicionais técnicas de recuperação baseada em texto que utilizam atributos textuais associados externamente as imagens.…”

Section: Introductionunclassified

“…Este tipo de algoritmo é denominado extrator de características cujo objetivo é representar o conteúdo visual das imagens por meio de medidas numéricas que capturam alguma propriedade visual da imagem em estruturas de dados chamadas de vetores de característica. A representação das imagens por características se faz necessária, pois a comparação pixel a pixel entre duas imagens possui pouca correspondência com à percepção humana (PEDROSA, 2016;SANTOS, 2017). Assim, um sistema CBIR utiliza a representação de vetores de característica em oposição à imagem propriamente dita para realizar uma consulta ou outras tarefas de mineração de dados, tais como, agrupamento e classificação (KIMURA et al, 2011).…”

Section: Introductionunclassified

“… Dividir a imagem em 16 sub-blocos e, para cada sub-bloco encontrar a cor de maior frequência. Escolher as cores de maior frequência de cada sub-bloco e suas frequências como as características da imagem. POR CONTEÚDO -SISTEMA CBIR Para que um sistema CBIR possa realizar uma busca baseada apenas no conteúdo de uma imagem, é necessário considerar mais outros dois conceitos além da extração de característica das imagens, sendo esses chamados de funções de distância e operadores de consultas por similaridade.Assim, um sistema CBIR de posse dos vetores de características das imagens, utiliza um operador de consulta por similaridade, para recuperar os elementos do conjunto de dados que atendem a um dado critério de similaridade(PEDROSA, 2016;CARVALHO et al, 2016). Os elementos recuperados dependem do elemento de busca (sq), chamado de 'elemento central de busca'.…”

unclassified

See 3 more Smart Citations

Avaliando Diferentes Implementações Do Descritor De Cor Dominante

Novaes¹,

Benedito²,

Santos³

2019

MUNDI ETG

View full text Add to dashboard Cite

Neste artigo, é apresentado uma proposta de plataforma de teste para implementações dequatro versões do extrator de característica descritor de cor dominante definido pelo padrão MPEG-7. A plataforma simula a tarefa de recuperação de imagem baseada em conteúdo e avalia tanto a qualidade das respostas fornecidas quanto o tempo médio de execução dos algoritmos. Foram conduzidos experimentos utilizando três conjuntos de dados reais e os resultados experimentais demonstram que a escolha da implementação do extrator de característica impactam tanto na etapa de extração dos vetores de características quanto no tempo de consulta.

show abstract

Section: Introductionunclassified

unclassified

See 2 more Smart Citations

Avaliando Diferentes Implementações Do Descritor De Cor Dominante

Novaes¹,

Benedito²,

Santos³

2019

MUNDI ETG

View full text Add to dashboard Cite

show abstract

“…A escolha da métrica de distância depende do tipo de imagem médica utilizada, dos descritores extraídos e de sua representação (AKGÜL et al, 2011). As principais medidas de similaridade utilizadas em sistemas de recuperação por conteúdo pertencem a um conjunto de funções de distância conhecido como família de distâncias Minkowski (PEDROSA, 2015). Esta família de medidas é definida por uma função L p entre dois vetores x e y de tamanho n, de acordo com a Equação 2.65:…”

Section: Recuperação De Imagens Médicas Baseada Em Conteúdounclassified

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão

Ferreira¹,

Santos²,

Azevedo-Marques³

View full text Add to dashboard Cite

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão São Carlos 2019 1. Câncer de pulmão. 2. Radiômica. 3. Reconhecimento de padrões. 4. Classificação de imagens médicas. 5. Recuperação de imagens baseada em conteúdo. 6. Análise de imagens médicas. I. Título. Eduardo Graziosi Silva -CRB -8/8907 Aos meus pais, Raniery e Magal, pelo amor e pela educação que sempre me deram. À minha esposa, Priscilla, por sua "paxão" e compreensão em todos os momentos. AGRADECIMENTOS À toda a minha família, em especial, meus irmãos, Bruno e Lígia, meus sogros, Junior e Wirlene, e meus cunhados, Anderson e Deysi, pelo apoio dado durante todo o caminho de pós-graduação percorrido. Aos meus orientadores, Paulo, Marcel e Yoshida, pelas oportunidades dadas, pelos ensinamentos e, principalmente, pela paciência. Aos doutores Marcello, Tinós, Alexandre e Federico por todas as valiosas contribuições dadas durante meu período na USP. Aos amigos do LaTIM/UFAL, Marcelo, Lucas, Ailton e Tércio, pelas sugestões e discussões sempre produtivas para a pesquisa. Aos amigos do CCIFMpelos bons momentos de convivência e todo o suporte dado para o desenvolvimento do trabalho. Aos amigos do MGH, Yasuka, Toru e Janne, por todo o auxílio prestado durante meu estágio no exterior de doutorado sanduíche. Ao pessoal da Bioengenharia, Profa Ana Plepis, Marcia e Janete, pela ajuda nos processos burocráticos desde a seleção do doutorado até o depósito da tese. Aos amigos de SP que fiz ou reencontrei, Diógenes, Felipe, Amanda, Samara, Karina, Juninho, Inaê, Danilo e D. Miralda, pela amizade, incentivo e bons momentos compartilhados. Às instituições e programas CAPES (Código de Financiamento 001), USP, PAE, PDSE (processo nº 88881.134004/2016-01), AUCANI, PROAP e FAPESP (processo nº 2016/17078-0), pelas bolsas e apoios financeiros durante todo o curso e pesquisa. E a todos aqueles que me ajudaram direta ou indiretamente, torceram por mim e acreditaram no meu trabalho. "No meio da dificuldade encontra-se a oportunidade." Albert Einstein Palavras-chave: Câncer de pulmão. Radiômica. Reconhecimento de padrões. Classificação de imagens médicas. Recuperação de imagens baseada em conteúdo. Análise de imagens médicas. ABSTRACT FERREIRA JUNIOR, J.R. Framework for Classification, Content-Based Retrieval, and Radiomics of Medical Images: an investigation of quantitative biomarkers for lung cancer. 2019. 183p. Tese (Doutorado) -Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2019.Systems of computer-aided diagnosis (CAD), content-based image retrieval (CBIR), and radiomics have been developed to increase diagnostic accuracy, medical image interpretation consistency, patient prognostic assessment, and therapy decision support. Those tools have great potential to recognize objectively and precisely patterns in images, despite still having several limitations. This work aimed to decrease the feature gap, which refers to inefficient numeric representa...

show abstract

Técnicas de representação semântica de imagens por Bags of Complex Signatures - BoCS

Silva

View full text Add to dashboard Cite

Devido ao grande número de imagens geradas no nosso cotidiano que devem ser armazenadas e utilizadas posteriormente, surgiu a necessidade da criação de mecanismos eficientes para o gerenciamento de imagens em grandes bases de dados. Os sistemas de recuperação de imagens baseada em conteúdo são uma das principais ferramentas para realizar esse tipo de tarefa. No entanto, esse tipo de sistema muitas vezes não atende à expectativa do usuário, pois a forma como as imagens são representadas (características de baixo nível, como textura, forma e cor) não conseguem representar a semântica do pensamento humano. A representação de imagens utilizando palavras visuais, também conhecida por Bag of Visual Words (BoVW), é uma das mais famosas formas de tentar representar semanticamente o conteúdo de imagens. Portanto, o objetivo deste trabalho é desenvolver um método baseado no paradigma BoVW que consiga representar as imagens carregando informação semântica, possibilitando que essas representações possam ser utilizadas em sistemas de recuperação de imagens baseada em conteúdo e tragam resultados que sejam mais próximos às expectativas do usuário.

show abstract

Caracterização e recuperação de imagens usando dicionários visuais semanticamente enriquecidos

Cited by 3 publications

References 51 publications

Avaliando Diferentes Implementações Do Descritor De Cor Dominante

Avaliando Diferentes Implementações Do Descritor De Cor Dominante

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão

Técnicas de representação semântica de imagens por Bags of Complex Signatures - BoCS

Contact Info

Product

Resources

About