💻 computer science

EigenCoin: sassanid coins classification based on Bhattacharyya distance

O artigo apresenta o EigenCoin, um método de classificação de moedas sassânidas baseado na distância de Bhattacharyya e em construção de variedades, que supera outros algoritmos em bancos de dados desbalanceados, alcançando ganhos de precisão entre 9,45% e 21,75% e mitigando o problema de sobreajuste.

Autores originais: Rahele Allahverdi, Mohammad Mahdi Dehshibi, Azam Bastanfard, Daryoosh Akbarzadeh

Publicado 2026-04-15

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Rahele Allahverdi, Mohammad Mahdi Dehshibi, Azam Bastanfard, Daryoosh Akbarzadeh

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um historiador ou um colecionador de moedas antigas. Você tem uma caixa cheia de moedas do Império Sassânida (uma antiga civilização persa), mas elas estão todas misturadas. Algumas são de um rei chamado Khosrow I, outras de Khosrow II, e assim por diante. O problema é que essas moedas são muito parecidas, têm desgaste, estão sujas e, pior ainda, você tem muitas moedas de um rei e pouquíssimas de outro. É como tentar adivinhar quem é um cantor famoso olhando apenas para fotos borradas, onde você tem 100 fotos de um cantor famoso e apenas 3 de um cantor desconhecido.

É exatamente esse o desafio que os autores deste artigo tentaram resolver usando um computador. Eles criaram um "super-olho" digital chamado EigenCoin.

Aqui está a explicação do que eles fizeram, usando analogias do dia a dia:

1. O Problema: A Caixa de Moedas Bagunçada

As moedas antigas são difíceis de classificar por dois motivos principais:

Elas são parecidas: Todas têm um rei de um lado e um altar de fogo do outro.
Os dados são desequilibrados: Imagine que você tem 400 fotos de moedas do Rei Khosrow II, mas apenas 4 fotos do Rei Hormozd V. Se você treinar um computador com isso, ele vai ficar tão bom em reconhecer o Khosrow II que vai achar que qualquer moeda é dele. Isso é chamado de "over-fitting" (o computador decora as fotos específicas em vez de aprender o conceito geral).

2. A Solução: O "Rosto Médio" e a "Assinatura"

Os pesquisadores criaram um método em três etapas para ensinar o computador a ser um especialista:

Passo 1: Limpar a Lente (Isolamento da Imagem)
Antes de analisar, o computador precisa ver apenas a moeda, sem o fundo ou números de identificação impressos na foto. Eles usaram um truque matemático (chamado operador Sobel) que funciona como um filtro de "contorno". É como se você passasse um lápis em volta da moeda na foto, apagando tudo o que está fora dela e preenchendo os buracos, deixando apenas a silhueta perfeita da moeda.

Passo 2: Criar o "Espelho Mágico" (EigenCoin)
Aqui entra a parte genial. Eles pegaram 70% das moedas de treinamento e usaram uma técnica chamada PCA (Análise de Componentes Principais).

A Analogia: Imagine que você tem mil fotos de rostos. Em vez de guardar cada foto, você calcula o "Rosto Médio" de todos eles. Depois, você descobre quais são as diferenças mais importantes entre as fotos (ex: "quem tem nariz mais largo", "quem tem olhos mais puxados").
No caso das moedas, o computador cria um "Espaço EigenCoin". É como se ele criasse um mapa de características onde cada moeda é representada por um conjunto de números (vetores) que descrevem sua essência, ignorando detalhes inúteis.

Passo 3: A Medida de Distância (A Regra do Bhattacharyya)
Agora, chega uma moeda nova (de teste) e o computador precisa dizer de qual rei ela é.

O Erro Comum: A maioria dos computadores mede a distância como se fosse uma régua reta (distância euclidiana). Se você tem 400 fotos do Rei A e 3 do Rei B, a régua vai sempre apontar para o Rei A, porque ele "ocupa" mais espaço no mapa.
O Truque dos Autores: Eles usaram uma medida chamada Distância de Bhattacharyya.
- A Analogia: Imagine que cada grupo de moedas (cada rei) é uma nuvem de fumaça. A distância euclidiana mede apenas o centro da nuvem. A Distância de Bhattacharyya mede como as nuvens se sobrepõem. Ela olha para a "forma" e a "densidade" de cada grupo. Mesmo que o grupo do Rei B seja pequeno (poucas moedas), essa medida consegue entender que a nova moeda se encaixa melhor na "nuvem" pequena do Rei B do que na grande do Rei A. Isso resolve o problema do desequilíbrio.

3. O Resultado: Quem Ganhou?

Eles testaram o "EigenCoin" contra outros métodos famosos (como Wavelets e Detectores de Cantos).

O Veredito: O EigenCoin foi o campeão. Ele conseguiu acertar a classificação entre 9% e 21% (o que parece baixo, mas para moedas antigas tão parecidas e com poucos dados, é um salto enorme em relação aos outros métodos, que ficaram estagnados ou pioraram).
Por que funcionou? Porque ele não apenas "decorou" as moedas frequentes. Ele aprendeu a estrutura matemática de cada grupo, conseguindo identificar até as moedas raras (como as do Hormozd V) sem se confundir com as comuns.

Resumo em uma frase

Os autores criaram um sistema inteligente que, em vez de apenas contar quantas vezes viu uma moeda, aprendeu a "forma" de cada grupo de reis antigos, permitindo que o computador reconhecesse moedas raras em meio a uma montanha de moedas comuns, tudo isso usando matemática avançada para limpar, mapear e medir a semelhança de forma justa.

É como ter um especialista em numismática que consegue olhar para uma moeda desgastada e dizer: "Isso é do Rei Hormozd V!", mesmo que ele só tenha visto 3 moedas desse rei na vida, enquanto viu 400 do Rei Khosrow.

Título: EigenCoin: Classificação de Moedas Sassânidas Baseada na Distância de Bhattacharyya

Autores: Rahele Allahverdi, Mohammad Mahdi Dehshibi, Azam Bastanfard, Daryoosh Akbarzadeh.
Conferência: 2ª Conferência Mundial sobre Tecnologia da Informação (WCIT-2011).

1. Problema Abordado

O artigo foca no desafio da classificação de moedas antigas (especificamente Sassânidas) utilizando reconhecimento de padrões em cenários de bases de dados desbalanceadas.

Desafios Específicos: A área de patrimônio cultural sofre com a escassez de dados adequados, distribuição desigual de amostras entre classes (alguns reis têm muitas moedas, outros poucas), variações intra-classe, oclusão e iluminação variável.
Contexto: A automação da classificação é crucial para reduzir o tempo de processamento e aumentar a precisão, especialmente para rastrear moedas roubadas vendidas na internet, onde o monitoramento manual é inviável.
Limitações de Trabalhos Anteriores: Métodos existentes (como SIFT, descritores locais ou redes neurais em moedas modernas) muitas vezes falham em moedas antigas devido à complexidade dos padrões, baixa taxa de reconhecimento (ex: 2,4% em alguns casos de moedas romanas) e falta de reprodutibilidade devido a parâmetros de características não detalhados.

2. Metodologia Proposta (EigenCoin)

Os autores propõem um novo manifold (variedade) chamado EigenCoin, que combina Análise de Componentes Principais (PCA) com a Distância de Bhattacharyya. O processo é dividido em três etapas principais:

A. Pré-processamento e Extração da Região de Interesse (ROI)

Segmentação: Utiliza-se o operador de gradiente Sobel para detectar mudanças de contraste entre a moeda e o fundo, criando uma máscara binária.
Morfologia Matemática: A imagem binária é dilatada (elementos estruturantes verticais e horizontais) e preenchida para eliminar lacunas e isolar a moeda.
Limpeza: Remove-se informações de identificação (números impressos) selecionando o maior componente conectado na imagem binária, garantindo que apenas a moeda seja mantida.

B. Construção do Manifold EigenCoin

PCA (Análise de Componentes Principais): Um conjunto de imagens de treinamento (70% dos dados) é vetorizado. Calcula-se a imagem média e as imagens de diferença.
Seleção de Autovetores: Seleciona-se um conjunto de autovetores ( $K$ ) cujos autovalores somados cobrem a maior parte da energia (variância) dos dados, formando o espaço "EigenCoin".
Projeção: Uma imagem de teste é projetada neste espaço, gerando um vetor de pesos.

C. Classificação com Distância de Bhattacharyya

Inovação Chave: Diferente dos métodos tradicionais de "Eigenfeatures" que usam a Distância Euclidiana, este método calcula a Distância de Bhattacharyya.
Justificativa: Considera-se que cada vetor no espaço EigenCoin segue uma distribuição Gaussiana multivariada. A distância de Bhattacharyya mede a sobreposição entre duas distribuições (média e covariância), sendo mais robusta para lidar com a variabilidade e o desbalanceamento dos dados.
Decisão: A imagem de teste é atribuída à classe com a menor distância de Bhattacharyya.

D. Métricas de Avaliação

Para lidar com o desbalanceamento e o over-fitting:

Erro Quadrático Médio Normalizado (MSE): Usado para avaliar a capacidade de reconstrução e evitar over-fitting.
Métrica Ponderada de Precisão: Uma nova métrica foi definida onde a taxa de reconhecimento de cada classe é multiplicada por um coeficiente, permitindo uma avaliação justa da precisão global em bases desbalanceadas.

3. Resultados Experimentais

Os experimentos foram realizados em um banco de dados de 1288 imagens de moedas Sassânidas (formato JPEG, 1772x1553 pixels), divididas em 4 classes (reis: Khosrow I, Khosrow II, Hormozd IV, Hormozd V).

Desempenho do EigenCoin:
- A melhor precisão foi alcançada com 112 autovetores.
- A precisão global variou de 9,45% a 21,75% (considerando a métrica ponderada para corrigir o desbalanceamento).
- O método demonstrou capacidade de lidar com o problema de over-fitting, conforme provado pelos cálculos de MSE.
- Houve dificuldade em classificar a classe "Khosrow II" devido à sua distribuição de dados específica, mas a métrica ponderada mitigou o impacto no resultado final.
Comparação com Métodos Competitivos:
O EigenCoin foi comparado com três outros métodos de extração de características e classificação:
1. BDPCA (PCA Bidirecional) + Distância de Matriz Montada (AMD): Atingiu uma precisão máxima de 19,54%. O desempenho diminuiu à medida que o número de características aumentava.
2. Decomposição Wavelet (Haar) + Distância de Bhattacharyya: Atingiu uma precisão máxima de 19,17% (com 257 características).
3. Detector de Cantos de Harris + Distância de Bhattacharyya: Atingiu 18,81% de precisão global. Embora tenha performado bem na classe Hormozd IV, foi inferior ao EigenCoin no geral.

4. Contribuições Principais

Novo Manifold (EigenCoin): Adaptação da técnica de Eigenfaces para moedas antigas, utilizando PCA para redução de dimensionalidade.
Métrica de Distância Superior: Substituição da distância Euclidiana pela Distância de Bhattacharyya, reconhecendo a natureza estatística (Gaussiana) dos coeficientes no espaço de características, o que melhora a discriminação em dados complexos.
Tratamento de Dados Desbalanceados: Introdução de uma métrica de precisão ponderada e análise de MSE para validar a robustez do modelo contra over-fitting em conjuntos de dados com distribuição desigual (comum em patrimônio cultural).
Validação Empírica: Demonstração de que o método proposto supera técnicas de ponta (BDPCA, Wavelets, Harris) na classificação de moedas Sassânidas.

5. Significado e Conclusão

O artigo demonstra que a automação da classificação de moedas antigas é viável e eficaz mesmo com desafios significativos de dados (poucas amostras, desbalanceamento). A abordagem EigenCoin oferece um piloto promissor para a classificação de artefatos culturais com padrões caóticos.

A principal conclusão é que a combinação de PCA para extração de características globais com a Distância de Bhattacharyya para classificação estatística resulta em um sistema mais robusto e preciso do que métodos baseados apenas em descritores locais ou métricas de distância simples. Isso abre caminho para aplicações mais amplas em digitalização e preservação de patrimônio cultural, onde a qualidade e a quantidade dos dados são frequentemente limitadas.