BR102015009815A2 - método de estimativa e previsão de movimento em séries temporais de imagens - Google Patents

Abstract

resumo patente de invenção: "método de estimativa e previsão de movimento em séries temporais de imagens". a presente invenção trata de um método de previsão de série temporal de imagens, onde, dada uma série temporal de imagens adquiridas em tempos igualmente espaçados, obtém-se uma imagem de tempo futuro, podendo o método ser aplicado a séries temporais de imagens de objetos sólidos e/ou fluidos, proporcionando uma modelagem de variações dos níveis de cinza, de deslocamentos, de crescimentos e de decrescimentos de regiões nas imagens, ainda que ocorram todos esses eventos simultaneamente na mesma série temporal. o processamento é feito através das seguintes etapas. primeiro (1), as imagens de entrada são processadas pela transformada wavelet 2d (2). em seguida, são processadas pela transformada dct 2d (3). a seguir, a rede neural narx (4) processa cada pixel das imagens transformadas como sendo uma amostragem de uma função, extrapolando o valor futuro correspondente de pixel. esses pixels geram uma imagem de tempo futuro no domínio da frequência, onde, aplicando-se as transformadas inversa dct 2d (5) e inversa wavelet 2d (6), obtém-se a imagem de tempo futuro (7).

Description

“MÉTODO DE ESTIMATIVA E PREVISÃO DE MOVIMENTO EM SÉRIES TEMPORAIS DE IMAGENS” 1001} A presente invenção trata de um método de previsão de série temporal de imagens, onde, dada uma série temporal de imagens adquiridas em tempos iguaimente espaçados, obtém-se uma imagem de tempo futuro, podendo ser aplicado a séries temporais de imagens de objetos sólidos e;ou fluidos.

[002] Atualmente, as técnicas conhecidas são focadas em solucionar o problema sob a perspectiva das variações dos níveis de cinza ou das medidas geométricas de objetos contidos nas imagens, tendo-se. portanto, apenas uma perspectiva unidimensional de parte das imagens (pixel ou medida geométrica). A abordagem por tal perspectiva não é capaz de identificar as interações entre pixels diferentes ou interações entre os objetos constituintes das imagens da série temporal.

[003] Com o intuito de solucionar tais problemas, desenvolveu-se o presente algoritmo, que tem a vantagem de predizer mudanças globais nas imagens, sendo essas mudanças globais representadas por coeficientes no domínio da frequência, e sendo tal abordagem útil na modelagem de variações dos níveis de cinza, nos deslocamentos, nos crescimentos e nos decrescimentos de regiões nas imagens, ainda que ocorram todos esses eventos simultaneamente na mesma série temporal.

[004] A Transformada Discreta do Cosseno (DCT - Discreto Cusine Transform) é uma técnica que converte um sinal (1D ou 2D) em componentes de frequências elementares. Com a aplicação da DCT, grande parte da energia dos dados é armazenada em poucos coeficientes. Devido às características de representação no domínio da frequência e compactação da informação mais representativa (baixa frequência) em poucos coeficientes, a variação de apenas um coeficiente do domínio DCT pode implicar em mudança em todos os pixels da mesma imagem no domínio do espaço. Portanto, esta característica da transformada DCT pode ser útil para representar crescimento, decrescimento de regiões e deslocamentos na forma de variações nos coeficientes do domínio DCT. sendo uma solução para o problema da restrição à vizinhança de pixels no domínio do espaço. Ou seja. os coeficientes DCT podem capturar a energia de correlação entre pixels vizinhos e ainda pixels distantes, de baixa frequência, no domínio do espaço. Assim, mudanças de contorno no domínio espacial, envolvendo grandes regiões, contendo dentro pixels com forte correlação espacial, podem ser representadas por poucos pixels DCT. Portanto modelos de previsão, aplicados a esses pixels DCT, podem ser adequados para modelar no domínio espacial grandes v ariações no contorno de objetos, contendo em seu interior pixels de alta correlação espacial (baixa frequência).

[005} iá devido ao caráter local da Transformada Wavelets, elas sào adequadas para capturar mudanças na energia dos pixels acontecendo em objetos pontuais no domínio espacial, por exemplo; variações de nível de cinza e variações no campo de deslocamento de objetos pequenos. Nesse caso, nosso modelo de previsão, rede neural e wavelets. mostra-se muito adequado para estimar e prever, com grande exatidão, a trajetória futura ou campo de deslocamento de partículas locais (pequenas), em movimento, através dos quadros das sequências.

[006] O modelo de rede neural NARX (Nonlinear AutoRegressive model with eXogenous inputs). que é uma rede neural recorrente, é uma aplicação já bem estabelecida para predíçâo de séries temporais. Esta invenção utiliza esta rede neural para a prediçâo de valores de coeficiente no domínio híbrido DCT e Waveiet [007] A presente invenção dispõe também de várias formas de otimização, através do ajuste de parâmetros já conhecidamente inerentes à transformada waveiet e à rede neural. É importante observar que o ajuste de parâmetros é empírico, não existindo até o momento uma fórmula para calcular quais valores são ideais para obter os melhores resultados. Por outro lado. o algoritmo tem bons resultados com várias configurações, não sendo essencial encontrar a melhor configuração de parâmetros.

[008] Os parâmetros ajustáveis da transformada waveiet são os seguintes: o número de resoluções (níveis) e as famílias (wavelet-màe) da transformada waveiet. Com esses ajustes pode-se obter vários níveis de frequência dos coeficientes. Por exemplo, as imagens de baixa frequência espacial sào melhor representadas pelos coeficientes de aproximação, enquanto que as imagens com alta frequência espacial sào melhor representadas pelos coeficientes de detalhes.

[009] Os parâmetros ajustáveis da rede neural são os seguintes: O número de neurônios da camada intermediária, o número du de atrasos de entrada (input delays) e de dv atrasos de saída ou realimentaçâo (feedbaek delays) e o algoritmo de treinamento. Verifica-se que existe uma forte correlação entre o número de neurônios da camada intermediária, incluindo os atrasos du e dy rede neural e o número de amostras das imagens da série temporal, sendo que. quanto maior o número de imagens, maior o número de neurônios da camada intermediária da rede neural e atrasos du e dy necessários para se obter uma melhor generalização. O algoritmo de treinamento utilizado foi o de Levenberg-Marquadt devido, principalmente. ao custo-beneficio entre velocidade de processamento e baixo erro de generalização do treinamento.

[010] Outra consideração importante é que as redes NARX sâo sensíveis aos valores iniciais dos pesos, gerando mínimos erros locais no espaço de busca dos pesos. Portanto, para se obter os melhores resultados, é necessário que seja feita uma média de várias simulações independentes. Nos nossos testes, fizemos a média de 10 simulações, com erro médio sempre menor que cada simulação individual [011] Especifieamenle nossa aproximação computacional já foi testada com sucesso usando dados de sequências de sinais sísmicas AVO {Amplitude Variation vvith Offset -Variação da Amplitude com o Afastamento), obtidas a partir de um reservatório petrolífero da Indonésia, em regime de produção. Esses dados fornecem informação da Amplitude vs Oflsct, do reservatório. Nosso modelo de previsão foi testado para construir modelos de previsão do campo de deslocamento do parâmetro AVO. associado ao movimento de fluidos no interior do reservatório, sendo um processo também conhecido como sísmica 4D.

[012] Neste cenário, o nosso modelo de previsão numérico tem um potencial para direcionar de forma inteligente a perfuração de poços em locais de mais provável estocagem de petróleo. Então, uma das aplicações que esta tecnologia de software visa. é poder aumentar de forma racional o fator de recuperação do petróleo, que atualmente está em tomo de 30%. Esta é uma questão em aberto, considerada um grande desafio científico, de grande interesse pela indústria do petróleo. {013] Nossa aproximação também foi testada com sequências de dados de sensoriamento remoto do parâmetro NDVI (Normalized DitTerence Vegetation Index). O NDVI é um parâmetro usado para monitorar processos de desertificaçâo do solo. No caso, nosso modelo se mostrou útil para estimar e predizer modelos de previsão da vegetação exposta ao satélite Landsat. A vegetação imageada pelo satélite foi monitorada ao longo do tempo e foi constatado que nosso modelo de previsão numérico permitiu computar e prever modelos de imagem de NDVI com muita precisão. Em ambos os casos as imagens tratadas contém objetos que não possuem formas e contornos geométricos regulares. Ou seja. os objetos contem formas amorfas (sem definição ou irregulares). Mesmo assim, o nosso algoritmo consegue computar um modelo de previsão com baixo erro de precisão.

[014] Num Futuro próximo, nossa aproximação poderá ser testada com sequências de imagens contendo objetos de morfometría regular bem comportada, por exemplo, imagens médicas, com o intuito de fazer modelagem 2D da evolução temporal de nódulos malignos a partir de sequências de imagens de Tomografia e Ressonância. Também pretende-se lazer modelagem temporal de sequências de vídeo para monitoramento e recuperação de feições de alvos humanos.

[015] A invenção pode scr melhor compreendida através da descrição dada pelas figuras em anexo, onde;

[016] A FIGURA 1 representa o modo de configuração e funcionamento do algoritmo de prediçâo da série temporal de imagens.

[017] A FIGURA 2 representa o modo de configuração e funcionamento da rede neural NARX.

[018] Com referência a estas figuras, pode-se observar que o processamento é feito através das seguintes etapas. Primeiro, as imagens de entrada (1) sào processadas pela Transformada Wavelet 2D (2). Em seguida, são processadas pela Transformada DCT 2D (3). A seguir, a Rede Neural NARX (4) processa cada pixel das imagens transformadas como sendo uma amostragem de uma função, extrapolando o valor futuro correspondente de pixel, Esses pixels geram uma imagem de tempo futuro no domínio da frequência, onde. aplicando-se as Transformadas Inversa DCT 2D (5) e Inversa Waveleí 2D (6). obtém-se a imagem de tempo futuro (7).

[019} Λ rede NAR.X possui d„ atrasos de entrada (input delavs) (8) e d, atrasos de saída ou realimentação (tcedback delavs) (9). Λ saída Y(n) é o valor do coeficiente de tempo futuro da série temporal (10). O número de neurônios da camada intermediária (11) também pode ser determinado na entrada do algoritmo. O ajuste empírico desses parâmetros visa otimi/ar o funcionamento da rede neural. de forma a ter unia melhor generalização do treinamento.

REIVINDICAÇÕES

Claims (1)

1. "MÉTODO DE ESTIMATIVA E PREVISÃO DE MOVIMENTO EM SÉRIES TEMPORAIS DE IMAGENS", CARACTERIZADO POR uma série temporal de imagens contendo objetos e/ou fluidos em movimento (1), sendo processadas pela transformada Wavelet 2D (2), em seguida, pela transformada DCT 2D (3), em seguida, pelo processamento de cada coeficiente por uma rede neural NARX (4), em seguida, pela transformada inversa DCT 2D (5), em seguida, pela transformada inversa Wavelet 2D (6), obtendo-se finalmente a imagem de tempo futuro (7).