Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/1626
Título: Utilizando contexto na representação de imagens para a classificação de cenas
Autor(es): Gazolli, Kelly Assis de Souza
Orientador: Salles, Evandro Ottoni Teatini
Palavras-chave: Classificação de cenas
Transformadas não-paramétricas
Data do documento: 27-Jun-2014
Editor: Universidade Federal do Espírito Santo
Resumo: A classificação de cenas é um campo bastante popular na área de visão computacional e encontra diversas aplicações tais como: organização e recuperação de imagem baseada em conteúdo, localização e navegação de robôs. No entanto, a classificação automática de cenas é uma tarefa desafiadora devido a diversos fatores, tais como, ocorrência de oclusão, sombras, reflexões e variações nas condições de iluminação e escala. Dentre os trabalhos que objetivam solucionar o problema da classificação automática de cenas, estão aqueles que utilizam transformadas não-paramétricas e aqueles que têm obtido melhora no desempenho de classificação através da exploração da informação contextual. Desse modo, esse trabalho propõe dois descritores de imagens que associam informação contextual, ou seja, informação advinda de regiões vizinhas, a um tipo de transformada não-paramétrica. O objetivo é propor uma abordagem que não eleve demasiadamente a dimensão do vetor de características e que não utilize a técnica de representação intermediária bag-of-features, diminuindo, assim, o custo computacional e extinguindo a necessidade de informação de parâmetros, o que possibilita a sua utilização por usuários que não possuem conhecimento na área de reconhecimento de padrões. Assim, são propostos os descritores CMCT (Transformada Census Modificada Contextual) e ECMCT (CMCT Estendido) e seus desempenhos são avaliados em quatro bases de dados públicas. São propostas também cinco variações destes descritores (GistCMCT, GECMCT, GistCMCT-SM, ECMCT-SM e GECMCT-SM), obtidas através da associação de cada um deles com outros descritores. Os resultados obtidos nas quatro bases de dados mostram que as representações propostas são competitivas, e que provocam um aumento nas taxas de classificação, quando comparados com outros descritores.
Scene classification is a very popular topic in the field of computer vision and it has many applications, such as, content-based image organization and retrieval and robot navigation.However, scene classification is quite a challenging task, due to the occurrence of occlusion, shadows and reflections, illumination changes and scale variability. Among the approaches to solve the scene classification problems are those that use nonparametric transform and those that improve classification results by using contextual information. Thus, this work proposes two image descriptors that associate contextual information, from neighboring regions, with a non-parametric transforms. The aim is to propose an approach that does not increase excessively the feature vector dimension and that does not use the bag-of-feature method. In this way, the proposals descrease the computational costs and eliminate the dependence parameters, which allows the use of those descriptors in applications for non-experts in the pattern recognition field. The CMCT and ECMCT descriptors are presented and their performances are evaluated, using four public datasets. Five variations of those descriptors are also proposed (GistCMCT, GECMCT, GistCMCT-SM, ECMCT-SM e GECMCT-SM), obtained through their association with other approaches. The results achieved on four public datasets show that the proposed image representations are competitive and lead to an increase in the classification rates when compared to others descriptors.
URI: http://repositorio.ufes.br/handle/10/1626
Aparece nas coleções:PPGEE - Teses de doutorado

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Utilizando Contexto na Representa¸c˜ao de Imagens para a.pdf3.99 MBAdobe PDFVisualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons