Document Images Retrieval Based on Multiple Features Combination Gaofeng Meng et. Al.

1. Universidade Federal de Pernambuco Centro de Informática DocumentImagesRetrievalBasedonMultipleFeaturesCombinationGaofeng 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

2. Sumário • Introdução • Overview e Conceitos Chaves • Extração de Características • Histograma da Projeção (PHF) • CrossingsNumberHistogramFeatures (CNHF) • Local BinaryPattern (LBP) • DensityDistributionFeature (DDF) • Algoritmos de Recuperação para sistemas DIR. • Algoritmo de Meng (Top N) • Experimentos • Análise dos Resultados • Conclusão • Referências

3. IntroduçãoOverview • 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.

4. IntroduçãoOverview

5. IntroduçãoConceitos 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.

6. Histograma da ProjeçãoExtração 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 entre fundo (background) e objeto (foreground).

7. Histograma da ProjeçãoExtração 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.

8. Algoritmo de RecuperaçãoEstratégia 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;

9. Algoritmo de Recuperaçãoproposto Estratégia de Busca • Realizacombinação entre técnicas: • PHF • CNHF • LBP • DDF • Composto de duasetapas: • 1: União de featuresparagerar a pool original; • 2: Ranqueartodas as imagensdapiscina de acordo com o ranking daimagememcadauma das features.

10. Algoritmo de Recuperação kNN 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.

11. 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.

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

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

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

15. Experimentos Resultados – Algoritmo de Meng (TopN)

16. Experimentos Resultados – Algoritmo de Meng (TopN)

17. Experimentos Resultados – kNN Cosseno

18. Experimentos Resultados – kNN Cosseno

19. Análise dos ResultadosAlgoritmo de Meng (TopN) Das Tabelas apresentadas anteriormente podemos notar que: 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.

20. Análise dos ResultadoskNN 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 que 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.

21. 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.

22. 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.