image annotation using moments and multilayer neural networks, presentation sedexs'12
DESCRIPTION
For more information, visit this paper available in: http://www.ijcaonline.org/specialissues/sedex/number1/8358-1009TRANSCRIPT
IMAGE ANNOTATION USING MOMENTS AND MULTILAYER NEURAL NETWORKS
Présenté par : M. OUJAOURA
International Conference on Software Engineering, Databases and Expert Systems(SEDEXS'12)
June 14 -16, 2012 Settat, Morocco
Plan
Introduction Système d’annotation
Segmentation Extraction des attributs Classification et Annotation
Résultats Conclusion et Perspectives
Introduction
Diversité des sources d’informations. Enorme quantité d’information. Importance et pertinence de l’information. Temps de traitement d’information. Besoin d’automatisation du traitement
d’information. Recherche d’information textuelle /visuelle.
Annotation automatique d’image.
Système d’annotation
Features Extraction
Annotation keywords &
Features Database
Query Image
Image Database
Annotation Results
Image Segmentation
ClassifierImage
SegmentationFeatures
Extraction
Classifier Modeling &
training
Système d’annotation: Segmentation
Tant Que l’image n’est pas entièrement segmentée;
1- Choisir un pixel pk non étiqueté;
2- Fixer la moyenne de la région sur l’intensité du pixel pk;
3- Considérer les pixels voisins non étiqueté pkj;
Si |intensité du pixel – moyenne de la région k| < seuil; Ajouter le pixel à la région k. Mettre à jour la moyenne de la
région k et retour à l’étape ; Sinon k = k + 1 et retour à
l’étape . FinSi;Fin Tant Que;
Système d’annotation: Attributs Méthodes utilisées pour l’extraction des
attributs: Les 7 Moments de Hu:
[Hu1,Hu2,……,Hu7] 9 Moments de Zernike :
[Z00, Z11, Z20, Z22, Z31, Z33, Z40, Z42, Z44]
10 Moments de Legendre : [L00, L01, L02, L03, L10, L11, L12, L20, L21,
L30]
Système d’annotation: Classification
10
Hidden Layer
*
w
b
+
n
Output Layer
*
w
b
+
m
Input Layer
*
w
b
+
12exp12)( xxtsig
Fonction de transfert: hyperbolic tangent sigmoid
Résultats
Object Hu Zernike Legendre Average
Apple 79,54% 79,54% 92,13% 83,74%
Car 68,53% 83,49% 62,18% 71,40%
Cow 25,14% 41,17% 44,39% 36,90%
Cup 76,57% 58,91% 73,20% 69,56%
Dog 51,57% 70,78% 84,61% 68,99%
Horse 31,83% 53,33% 50,28% 45,15%
Pears 79,99% 69,54% 70,78% 73,44%
Tomato 76,06% 66,49% 76,52% 73,02%
Average 61,15% 65,41% 69,26% 65,27%
Résultats
Exemple d’annotation automatique d’image en utilisant les moments de Zernike.
Résultats
Conclusion et Perspectives
Le système d’annotation automatique d’image proposé donne de bons résultats pour quelques images qui sont proprement segmentées.
Les résultats sont affectés par la méthode utilisé pour l’extraction des attributs de l’image.
Autres attributs doivent être pris en considération ainsi que d’autres classificateurs.
La segmentation d’images reste un challenge dans le domaine du traitement d’image.
Questions ?