Uma ontologia de representação para conhecimento visual em

Petrografia Sedimentar

Carlos Eduardo Santin

Grupo de Bancos de Dados Inteligentes - UFRGS

2

Percepção Visual

Domínios imagísticos apresentam uma forte utilização da percepção visual para realização de inferências

Reconhecimento de objetos nas imagens

Processos de raciocínio baseados em busca

Importância da identificação de relações entre objetos de uma imagem

3

Conhecimento Visual

Como representar?

Desenvolvimento de modelos para a compreensão das imagens

Modelos baseados na geometria

Modelos baseados na topologia

4

Conhecimento Visual

Em determinados casos, para o reconhecimento de um objeto, faz-se necessário saber como esse objeto aparece em um determinado contexto

Normalmente realizado através do uso de modelos associados a algoritmos de combinação e reconhecimento e mais recentemente ao uso de ontologias

5

Objetivos

Definição de uma ontologia de representação baseada em construtos capazes de suportar descrições simbólicas de imagens

Utilizar esta ontologia para estabelecer relações espaço-visuais entre objetos em uma imagem

Prover suporte para futura implantação de mecanismos de raciocínio

6

Relações Espaço-Visuais

Objetos Identificados

Triângulo Retângulo

Topologia:

Triângulo externamente conectado ao retângulo;

Orientação:

Triângulo localizado ao norte do retângulo

7

Petrografia Sedimentar

Relações entre constituintes em uma rocha são mais significativas do que a identificação composicional desses constituintes na avaliação da qualidade de reservatórios de petróleo

Relações indicam os processos físico-químicos que afetam a porosidade e permeabilidade de uma rocha

8

Petrografia Sedimentar

Compactação Química

-Relação Topológica

-Formato da borda

-Formato dos objetos

9

Resultados Esperados

Criação de uma ontologia de representação

Conceitos Visuais

Relações Espaciais

Descrição simbólica da imagem

Inferência de relações paragenéticas

10

Representação do Conhecimento Visual

Visual Knowledge Representation Based on Perceptual Organization - Qigang Gao - 1998

A

B

C

26 Possibilidades de visão:

- 6 do tipo C

- 12 do tipo B

- 8 do tipo A

11

Representação do Conhecimento Visual

Face Estrutura

A Z1 2

B X1 1

C Y1Z1 2

D Y1 2

E Y2 2

F X2 1

G Z2 2

A

B

CD

E

F

G

1

Estrutura:

2

A

B

C D E

F

G

Grafo do modelo

x1

x2

y2y1

z1

z2

x

z

y

12

Representação e recuperação do Conhecimento Visual

A Knowledge-Based Approach to Visual Information - Elisa Bertino, Ahmed K. Elmagarmid e Mohand-Saïd Hacid – 2002

Utiliza lógica de descrição

Faz uso de conjuntos semi-algébricos para representação do formato dos objetos:

V = {(x,y) 2 | x2 + y2 = 1}

13

Representação e recuperação do Conhecimento Visual

Linguagem para estrutura (TBox):

Linguagem para instanciação (ABox)

14

Representação e recuperação do Conhecimento Visual

Linguagem de consulta

15

Interpretação Semântica de Imagens

Towards ontology-based cognitive vision - Nicolas Maillot, Monique Thonnat e Alain Boucher – 2004

Interpretação semântica de imagens visando a classificação de objetos complexos

É proposto o uso de uma ontologia de conceitos visuais para esconder as complexidades da camada visual mais baixa (processamento de imagem) e guiar o especialista na descrição de objetos de seu domínio

16

Interpretação Semântica de Imagens

A ontologia de conceitos visuais proposta foi estruturada em 3 partes: Conceitos de Texturas

Conceitos de Cores

Conceitos Espaciais

17

18

Representação de Topologia

Modelo RCC-8 (Region Connection Calculus)

Relação Representação

Gráfica

Relação Representação

Gráfica

DC (X,Y) TPP (X,Y)

EC (X,Y) TPP-1 (X,Y)

EQ (X,Y) NTPP (X,Y)

PO (X,Y) NTPP-1 (X,Y)

19

Representação de Topologia

G-Map (Generalized Map)