International Conference on Software Engineering, Databases and ExpertSystems(SEDEXS12)                      IMAGE ANNOTAT...
Plan   Introduction   Système d’annotation       Segmentation       Extraction des attributs       Classification et ...
Introduction   Diversité des sources d’informations.   Enorme quantité d’information.   Importance et pertinence de l’i...
Système d’annotation              Image        Features    Annotation     Classifier Image           Segmentation   Extrac...
Système d’annotation:    SegmentationTant Que l’image n’est pas  entièrement segmentée; 1- Choisir un pixel p non        ...
Système d’annotation: Attributs   Méthodes utilisées pour l’extraction des    attributs:   Les 7 Moments de Hu:       [...
Système d’annotation: ClassificationFonction de transfert: hyperbolic tangentsigmoid          tsig ( x) = 2 (1 + exp( − 2 ...
Résultats Object     Hu      Zernike   Legendre   Average Apple     79,54%   79,54%    92,13%     83,74%  Car      68,53% ...
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    quelq...
Questions ?
Prochain SlideShare
Chargement dans…5
×

Image Annotation using Moments and Multilayer Neural Networks, Presentation sedexs'12

508 vues

Publié le

For more information, visit this paper available in: http://www.ijcaonline.org/specialissues/sedex/number1/8358-1009

0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
508
Sur SlideShare
0
Issues des intégrations
0
Intégrations
3
Actions
Partages
0
Téléchargements
18
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Image Annotation using Moments and Multilayer Neural Networks, Presentation sedexs'12

  1. 1. International Conference on Software Engineering, Databases and ExpertSystems(SEDEXS12) IMAGE ANNOTATION USING MOMENTS AND MULTILAYER NEURAL NETW ORKS June 14 -16, 2012 Settat, Morocco Présenté par : M. OUJAOURA
  2. 2. Plan Introduction Système d’annotation  Segmentation  Extraction des attributs  Classification et Annotation Résultats Conclusion et Perspectives
  3. 3. 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.
  4. 4. Système d’annotation Image Features Annotation Classifier Image Segmentation Extraction keywords & Modeling &Database Features training Database Query Image Features Annotation Image Segmentation Extraction Classifier Results
  5. 5. Système d’annotation: SegmentationTant Que l’image n’est pas entièrement segmentée; 1- Choisir un pixel p non k 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;
  6. 6. 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]
  7. 7. Système d’annotation: ClassificationFonction de transfert: hyperbolic tangentsigmoid tsig ( x) = 2 (1 + exp( − 2 x ) ) − 1 Input Layer Hidden Layer Output Layer w w w * + * + * + b b b m 10 n
  8. 8. 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%
  9. 9. Résultats Exemple d’annotation automatique d’image en utilisant les moments de Zernike.
  10. 10. Résultats
  11. 11. 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
  12. 12. Questions ?

×