Warp Metric Distance: Aprimorando o Uso de Histogramas de ... - SBIS
Warp Metric Distance: Aprimorando o Uso de Histogramas de ... - SBIS
Warp Metric Distance: Aprimorando o Uso de Histogramas de ... - SBIS
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>de</strong>stacada importância, por permitirem a<br />
i<strong>de</strong>ntificação <strong>de</strong> <strong>de</strong>talhes dos tecidos e regiões<br />
analisadas.<br />
Cor é uma proprieda<strong>de</strong> relacionada com a<br />
capacida<strong>de</strong> dos objetos <strong>de</strong> refletir ondas<br />
eletromagnéticas <strong>de</strong> diferentes comprimentos, num<br />
espectro visível que varia aproximadamente <strong>de</strong> 400<br />
nm até 700 nm. A fim <strong>de</strong> se mapear numericamente<br />
o conjunto <strong>de</strong> cores do espectro visível, diversos<br />
mo<strong>de</strong>los (ou espaços <strong>de</strong> cores) – RGB (red, green,<br />
blue), CMY (cyan, magenta, yellow), YIQ, HSI (hue,<br />
saturation, intensity), CIELab – têm sido propostos e<br />
utilizados, cada qual com suas vantagens e<br />
aplicações específicas. A estrutura mais utilizada<br />
para a representação da distribuição global <strong>de</strong> cores<br />
<strong>de</strong> uma imagem é o chamado Histograma <strong>de</strong><br />
Intensida<strong>de</strong>s, que consiste na quantificação da<br />
freqüência com que ocorrem os diferentes valores<br />
<strong>de</strong> luminância apresentados pelos pixels da<br />
imagem. Dessa forma, o Histograma <strong>de</strong><br />
Intensida<strong>de</strong>s (juntamente com uma série <strong>de</strong><br />
operações executadas sobre o mesmo) po<strong>de</strong> ser<br />
utilizado para representar o conteúdo intrínseco da<br />
imagem, baseando-se no seu atributo <strong>de</strong> cor.<br />
O presente trabalho está focado na busca por<br />
similarida<strong>de</strong> entre imagens médicas, baseada nas<br />
suas distribuições <strong>de</strong> cores. Uma nova medida <strong>de</strong><br />
distância para histogramas – <strong>Warp</strong> <strong>Metric</strong> <strong>Distance</strong> –<br />
é apresentado, assim como alguns resultados<br />
obtidos com a sua utilização em "buscas aos<br />
vizinhos mais próximos" em uma base <strong>de</strong> imagens<br />
médicas gerais.<br />
A aquisição do histograma métrico, a partir <strong>de</strong><br />
um histograma convencional, é realizada da<br />
seguinte forma: o contorno original do histograma<br />
convencional é reduzido a uma seqüência <strong>de</strong><br />
segmentos <strong>de</strong> reta. O algoritmo utilizado i<strong>de</strong>ntifica<br />
pontos <strong>de</strong> máximo, pontos <strong>de</strong> mínimo e pontos<br />
intermediários significativos, com base em valores<br />
<strong>de</strong> gradiente. Esses pontos são chamados <strong>de</strong><br />
pontos <strong>de</strong> controle. Cada região <strong>de</strong>finida por um<br />
segmento, entre dois pontos <strong>de</strong> controle, é chamada<br />
<strong>de</strong> bucket. Um bucket correspon<strong>de</strong>ria, assim a um<br />
bin <strong>de</strong> um histograma normalizado, possuindo uma<br />
largura e valores <strong>de</strong> freqüência para os seus pontos<br />
inicial e final. A diferença é que a divisão <strong>de</strong> bins é<br />
pré-<strong>de</strong>terminada e igual para todas as imagens,<br />
enquanto a quantida<strong>de</strong> e a divisão dos buckets<br />
<strong>de</strong>pen<strong>de</strong> <strong>de</strong> cada imagem. Um bucket normalmente<br />
engloba vários bins e, <strong>de</strong>ssa forma, consegue-se<br />
manter o formato do histograma <strong>de</strong>ntro <strong>de</strong> limites<br />
confiáveis e, ao mesmo tempo reduzir drasticamente<br />
sua dimensionalida<strong>de</strong>. A Figura 1, adaptada <strong>de</strong> [6],<br />
mostra um exemplo <strong>de</strong> histograma métrico.<br />
Bins Bucket pontos <strong>de</strong> controle<br />
2 pontos <strong>de</strong> controle consecutivos<br />
<strong>de</strong>limitam 1 bucket<br />
Metodologia<br />
A seguir são discutidas as técnicas utilizadas<br />
neste trabalho para o processo <strong>de</strong> recuperação <strong>de</strong><br />
imagens por similarida<strong>de</strong>.<br />
Histograma Métrico. Em [6] é apresentado um<br />
novo tratamento matemático aplicado aos<br />
histogramas <strong>de</strong> intensida<strong>de</strong>, chamado Histograma<br />
Métrico, que consiste <strong>de</strong> modificações sobre os<br />
histogramas tradicionais, acompanhadas <strong>de</strong> uma<br />
nova forma <strong>de</strong> cálculo da distância. Os histogramas<br />
métricos permitem comparar imagens <strong>de</strong> tamanhos<br />
variados e mapeadas em diferentes faixas <strong>de</strong><br />
quantização, ou seja, além <strong>de</strong> serem – como os<br />
histogramas normalizados – invariantes a<br />
transformações geométricas nas imagens, os<br />
histogramas métricos são também invariantes com<br />
relação a transformações lineares <strong>de</strong> brilho.<br />
Para permitir consultas por similarida<strong>de</strong> a<br />
partir <strong>de</strong> estruturas <strong>de</strong> índices, foi necessário<br />
<strong>de</strong>senvolver uma nova métrica, que consi<strong>de</strong>ra a<br />
diferença <strong>de</strong> área entre pares <strong>de</strong> histogramas<br />
métricos no cálculo da distância entre os mesmos.<br />
Figura 1. Exemplo <strong>de</strong> histograma métrico<br />
Uma conseqüência importante <strong>de</strong>sse<br />
processo é que não existe uma dimensão pré<strong>de</strong>finida<br />
para o domínio do problema, já que cada<br />
imagem po<strong>de</strong> ter um número diferente <strong>de</strong> buckets.<br />
Dessa forma, as imagens não po<strong>de</strong>m ser<br />
representadas como pontos em um espaço<br />
dimensional e isso conduz à necessida<strong>de</strong> <strong>de</strong> se<br />
<strong>de</strong>finir também uma nova forma <strong>de</strong> cálculo da<br />
distância entre duas imagens, uma vez que tanto o<br />
número <strong>de</strong> buckets, quanto a sua distribuição em<br />
diferentes histogramas são variáveis.<br />
A distância proposta em [6] – Distância<br />
Métrica - para comparar histogramas métricos efetua<br />
a comparação entre as áreas dos mesmos. Partindo<br />
do princípio <strong>de</strong> que a similarida<strong>de</strong> entre dois