Orientador: Jorge Stolfi / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-16T21:27:57Z (GMT). No. of bitstreams: 1 Zampieri_CarlosEliasArminio_M.pdf: 4003666 bytes, checksum: a730c8935e9f68bc9c1cd9a6e9d68c8c (MD5) Previous issue date: 2010 / Resumo: Neste trabalho apresentamos um método geral para busca de imagem por conteúdo (BIPC, CBIR) em grandes coleções de imagens, usando estimação intervalar multiescala de distância. Consideramos especificamente buscas por exemplo, em que o objetivo é encontrar a imagem da coleção que é mais próxima a uma imagem dada, segundo alguma função de distância de imagens. Neste trabalho não procuramos desenvolver métricas que melhor atendem as intenções do usuário; em vez disso, supondo que a métrica está escolhida, apresentamos um algoritmo genérico (que denominamos MuSIS, de Multiscale Image Search) para realizar a busca de maneira eficiente usando aritmética intervalar. Estimativas intervalares das distâncias entre imagens são usadas para eliminar rapidamente imagens candidatas, considerando apenas versões reduzidas das mesmas, de maneira semelhante ao paradigma de otimização branch-and-bound. Como parte deste trabalho, desenvolvemos estimadores intervalares eficazes para distância euclidiana e algumas variantes da mesma, incluindo métricas sensíveis ao gradiente em escalas variadas. Experimentos indicaram que o método promove significativa redução de custos em relação à busca exaustiva. Apesar de menos eficiente do que outros métodos comumente usados para BIPC, o algoritmo MuSIS sempre retorna a resposta exata - isto é, a imagem mais próxima na métrica escolhida - e não apenas uma aproximação. A abordagem MuSIS é compatível com uma ampla variedade de funções de distância, sem a necessidade de pré-calcular ou armazenar descritores específicos para cada função / Abstract: We present a general method for content-based image retrieval (CBIR) in large image collections, using multiscale interval distance estimation. We consider specifically queries by example, where the goal is to find the image in the collection that is closest to a given image, according to some image distance function. In this work we do not aim to develop metrics that best meet the user's intentions; instead, assuming that the metric is chosen, we describe an algorithm (wich we call MuSIS, for MultiScale Image Search) to perform the search efficiently using interval arithmetic. Interval estimates of the image distances are used to quickly discard candidate images after examining only small versions of them, in a manner similar to the branch-and-bound optimization paradigm. As part of this work, we developed effective interval estimators for the Euclidean distance and for some variations of it, including metrics that are sensitive to the gradient at various scales. Experiments indicate that the method yields significant cost savings over exhaustive search. Although less efficient than other methods commonly used for CBIR, the MuSIS algorithm always returns the exact answer - that is, the nearest image in metric chosen - and not just an approximation thereof. The MuSIS approach is compatible with a wide variety of distance functions without the need to pre-compute or store specific descriptors for each function / Mestrado / Processamento de Imagens / Mestre em Ciência da Computação