Universidade Federal de Pernambuco Centro de Informtica Document

Universidade Federal de Pernambuco Centro de Informática Document Images Retrieval Based on Multiple Features Combination Gaofeng Meng et. Al. IEEE International Conference on Document Analysis and Recognition (ICDAR 2007) Dimas Gabriel , Roberto Pinheiro e Tiago Bockholt Projeto da disciplina de Recuperação Inteligente de Informação 17/11/2009 1

Sumário • Introdução – Overview e Conceitos Chaves • Extração de Características – – • • • Histograma da Projeção (PHF) Crossings Number Histogram Features (CNHF) Local Binary Pattern (LBP) Density Distribution Feature (DDF) Algoritmos de Recuperação para sistemas DIR. Algoritmo de Meng (Top N) Experimentos Análise dos Resultados Conclusão Referências 2

Introdução Overview • Com o progresso da automação nos escritórios e os avanças nas técnicas de processamento de imagens, as técnicas de recuperação de imagens de documentos estão sendo amplamente desenvolvidas nos últimos anos. • O Objetivo da recuperação de imagens de documentos é buscar imagens idênticas ou similares em uma base dado uma imagem de documento como entrada para o sistema. 3

Introdução Overview 4

Introdução Conceitos chave • DIRS são sistemas que visam achar documentos relevantes ou similares de uma grande base de documentos digitalizados. • É comum que documentos sejam convertidos para texto para uma fácil busca por palavras chaves. Entretanto, a busca utilizando OCR é uma técnica cara computacionalmente e totalmente dependente do idioma em que o documento foi escrito. 5

Histograma da Projeção Extração das Características • PHF - Histograma é normalizado Dividindo-se cada um dos Componentes do histograma pela soma total dos valores do mesmo. • CNHF- O Crossings Number é o número de vezes que há variação entre fundo (background) e objeto (foreground). 6

Histograma da Projeção Extração das Características LBP - Matriz de pesos usada para calcular valor final a ser incrementado no histograma DDF- Matriz na qual os componentes são as densidades relativas entre os pixels de foreground e background em cada região formada pelo particionamento simétrico do print-Core. 7

Algoritmo de Recuperação Estratégia de Busca • Dada uma imagem de entrada, objetivo é recuperar as imagens mais similares à entrada; • Abordagem comum: retornar vizinhos mais próximos; – Dificuldade em modelar um espaço onde duas imagens de documentos próximas entre si são realmente similares em conteúdo. • Possível solução: utilização de multiplas features para medir a similaridade de dois documentos;

Algoritmo de Recuperação proposto Estratégia de Busca • Realiza combinação entre técnicas: – PHF – CNHF – LBP – DDF • Composto de duas etapas: – 1: União de features para gerar a pool original; – 2: Ranquear todas as imagens da piscina de acordo com o ranking da imagem em cada uma das features.

Algoritmo de Recuperação k. NN Cosseno • Descobrir os k vizinho mais próximo de uma dada instância. • Vantagem: Não possui processamento na fase de treinamento. • Desvantagem: Armazenar todos os dados na memória, uma vez que o vetor de atributos que define cada padrão é necessário para o cálculo da distância.

Experimentos Arcabouço • Base de Imagens: 160 imagens divididas em 4 categorias – Diferentes resoluções e tamanhos de imagens e com ruidos originais resultantes do escaneamento. • Categoria 1: – 40 imagens de documentos onde só existia texto impresso. 11

Experimentos Arcabouço • Categoria 2: – 40 imagens de documentos com texto misturado com gráficos ou figura. 12

Experimentos Arcabouço • Categoria 3: – 40 imagens de documentos com texto, imagem e figuras. 13

Experimentos Arcabouço • Categoria 4: – 40 imagens de documentos onde existiam imagens dominantes. 14

Experimentos Resultados – Algoritmo de Meng (Top. N) 15

Experimentos Resultados – Algoritmo de Meng (Top. N) 16

Experimentos Resultados – k. NN Cosseno 17

Experimentos Resultados – k. NN Cosseno 18

Análise dos Resultados Algoritmo de Meng (Top. N) Das Tabelas apresentadas anteriormente podemos notar que: 1. o CNHF apresentou taxas de acerto superiores quando os documentos analisados continham texto de forma predominante mas não se mostrou muito robusto para a ruídos do tipo sal e pimenta. 2. PHF é mais adequado para recuperar documentos com figuras embora seja mais sensível a ruídos , iluminação não uniforme causada pela distorção do documento. 3. LBP é mais útil quando as texturas nas imagens de documentos são bem definidas mas não é muito efetivo para diferenciar categorias de documentos. 4. DDF não obteve um comportamento satisfatório para documentos onde o texto predomina. 19

Análise dos Resultados k. NN Cosseno • Os testes realizados considerando a base como possuindo apenas 2 categorias apresentaram resultados melhores. • 98% média de Acertos. • Este teste serve como comprovação para o fato de que a base de dados possui categorias muito semelhantes entre si e quando adotando-se uma abstração da base, aumentando a distinção entre as categorias, os resultados tentem a melhorar tanto com o algoritmo proposto por Meng quando pelo algoritmo KNN utilizando medida de similaridade do cosseno. 20

Conclusão da Equipe Conclusão 1: As duas novas características propostas são complementares e podem ser utilizadas em conjunto para um melhor resultado. Conclusão 2: Pela combinação das características de uma maneira multidisciplinar os pontos fracos de uma característica são compensados por outras características e os pontos fortes de cada característica são reforçados. Conclusão 3: O autor comenta que a estratégia de ranqueamento pode apresentar resultados ineficientes quando as características combinadas são correlacionadas. 21

Referências Externas • [1] Cury, M. V. Q. (1999) Modelo Heurístico Neuro-Fuzzy para Avaliação Humanísticas de Projetos de Transporte Urbano. Tese de Doutorado. UFRJ, Rio de Janeiro. • [2] TAFNER, M. A. ; XEREZ, M. ; RODRIGUES FILHO, I. W. Redes Neurais Artificiais — Introdução e princípios de neurocomputação. EKO e FURB, Blumenau. 1995. 22