CBIR Based Testing Oracles: An Experimental Evaluation of Similarity Functions

Abstract

Content-Based Image Retrieval (CBIR) systems constitute an innovative approach to store, to compare and to query images in a database. Visual aspects such as color, texture or shape are used to perform such operations. Recently, CBIR concepts were applied to build testing oracles for image processing programs, where test verdicts (approval/disapproval) are based on similarity measures between images produced by the program and reference images. However, the results of a CBIR system may vary depending on the components employed in the system (feature extractors and similarity functions), and few studies assessing this influence have been found in the literature. Our aim is to present an empirical analysis of ten similarity functions in CBIR systems within the context of software testing with graphic outputs. A case study with images obtained from a computer-aided diagnosis system in mammography indicated some variability among image test verdicts (approval/disapproval) according to the similarity function choice. The case study also indicates the existence of some clusters of similarity functions with high correlation coefficients.

Applying graphical oracles to evaluate image segmentation results

“…Differences were observed for these results, which were expected, since functions with behaviors different from each other were selected, according to a previous work on similarity functions [31].…”

“…Each experiment was repeated three times, using a different similarity function in each execution. The results of a previously conducted study [31] determined three major similarity function groups with similar behaviors. For this study, one function from each of these groups was selected.…”

Recuperação de vídeos médicos baseada em conteúdo utilizando extratores de características visuais e sonoras

“…• frequência mais forte calculada por meio do centróide espectral. Nunes et al (2015), por exemplo, apresentaram um estudo comparativo de funções de similaridade com aplicações em CBIR. Eles contribuem com uma discussão com relação aos impactos da seleção de diferentes funções de similaridade para a tarefa de comparação entre vetores de características.…”

“…Neste estudo utilizamos extratores de características de imagens para extrair informações sobre a figura representada em cada segmento de vídeo. Área, perímetro, largura e altura (ambos em pixels) [15] foram obtidos por meio da análise de um quadro selecionado do segmento de vídeo. Um único quadro para essa análise justificou-se, pois a figura representada é sempre a mesma ao longo da reprodução.…”

“…Aplicamos a distância Euclidiana como função de similaridade para realizar comparações entre vetores de características. Tal função é amplamente utilizada em trabalhos que envolvem CBR [15]. Na comparação entre dois vetores, o valor zero representa máxima similaridade entre eles.…”