Rozpoznávanie obrazcov šk.r

Prezentácia na tému: "Rozpoznávanie obrazcov šk.r"— Prepis prezentácie:

1 Rozpoznávanie obrazcov šk.r. 2016-17
Projekty Doc. RNDr. Milan Ftáčnik, CSc.

2 Dôležité podmienky a termíny
Účasť na cvičeniach – z 13 možných minimálne 7 Začiatok práce na projekte Prezentácia výsledkov – a 23.5. Odovzdanie a oprava záverečnej správy – do termínu skúšky Rozpoznávanie obrazcov

3 Kroky v rámci projektu Príprava vhodnej databázy
Použitie redukčných algoritmov Použitie klasifikačných algoritmov Vyhodnotenie Prezentácia výsledkov Odovzdanie záverečnej správy Rozpoznávanie obrazcov

4 Príprava vhodnej databázy
Extrahujeme časti obrazu so známou klasifikáciou Na týchto častiach obrazu aplikujeme Gaborove filtre Dostaneme 62 prvkový príznakový vektor Rozpoznávanie obrazcov

5 Príprava vhodnej databázy II
Jeden vhodný nástroj na popis textúry sú Gaborove filtre Je to Gaussovské jadro modulované plošnou sínusovou vlnou Kde g je Gaussovské jadro definované Rozpoznávanie obrazcov

6 Gaborove filtre a komplexná sínusoida je
Rozpoznávanie obrazcov

7 Gaborove filtre II a Gaborov filter sa dá rozložiť na reálnu a imaginárnu zložku Rozpoznávanie obrazcov

8 Parametre Gaborovho filtra
Rozpoznávanie obrazcov

9 Klasifikácia textúr Používajú sa množina Gaborových filtrov s rôznymi parametrami, aby sme zachytili rôzne vlastnosti textúry (škála, orientácia) Na predošlom obrázku bola zobrazená takáto množina – nazýva sa banka filtrov Rozpoznávanie obrazcov

10 Aplikácia Gaborovho filtra
Rozpoznávanie obrazcov

11 Aplikácia Gaborovho filtra II
Rozpoznávanie obrazcov

12 Aplikácia Gaborovho filtra III
Na obraz I(x,y) sa aplikuje reálna a imaginárna zložka GF Rozpoznávanie obrazcov

13 Deskriptor homogénnych textúr
Rozpoznávanie obrazcov

14 Rozšírenie databázy Použijeme techniky augmentácie dát, t.j. zrkadlový obraz, posunutie, otočenie Vyskúšame zrkadlový obraz a posunutie Otočenie neprinesie novú informáciu, vzhľadom na banku G filtrov Rozpoznávanie obrazcov

15 Redukcia počtu príznakov
Nie všetky príznaky sú rovnako infor-matívne a rovnako diskriminatívne Treba použiť algoritmy na redukciu počtu príznakov, v takej miere aby sme čo najviac zachovali ich infor-matívnu hodnotu a ich príspevok k rozpoznaniu triedy Rozpoznávanie obrazcov

16 Redukčné algoritmy Bez supervízie (minimalizujú informačnú stratu):
Independent Component Analysis (ICA) Principal Component Analysis (PCA) Latent Semantic Indexing (LSI) ... Rozpoznávanie obrazcov

17 Redukčné algoritmy II So supervíziou (maximalizujú odde-lenie tried v príznakovom priestore): Linear Discriminant Analysis (LDA) Canonical Correlation Analysis (CCA) Partial Least Squares (PSL) ... Rozpoznávanie obrazcov

18 Klasifikačné algoritmy
Zaraďujú neznáme objekty do tried na základe hodnoty cieľovej premennej Pre každý objekt máme množinu premenných (príznakov) a jedna z nich je cieľová Hľadáme model, ktorý opisuje cieľovú premennú ako funkciu príznakov Rozpoznávanie obrazcov

19 Klasifikačné algoritmy II
Na nastavenie parametrov klasifikáto-ra sa používa trénovacia množina Na otestovanie fungovania klasifikáto-ra sa používa testovacia množina Trénovaciu a testovaciu množinu zí-skame vhodným rozdelením databázy Rozpoznávanie obrazcov

20 Klasifikačné algoritmy III
K-means K najbližších susedov Rozhodovacie stromy Bayesovský klasifikátor Lineárny klasifikátor SVM/Nelineárny SVM Neurónové siete – ANN, SOM HMM Rozpoznávanie obrazcov

21 Vyhodnotenie výsledkov
ROC krivka (reciever operating characteristic) Vzťah citlivosti a miery nesprávnej pozitivity Vhodná pri binárnych klasifikátoroch, ktoré klasifikujú porovnaním s nejakým prahom Rozpoznávanie obrazcov

22 Vyhodnotenie výsledkov II
Pomocou matice zámen To je kontingenčná tabuľka, do ktorej zapisujeme počty vzoriek klasifikova-né do jednotlivých tried Skutočnosť/Rozhodnutie Negatívne Pozitívne a b c d Rozpoznávanie obrazcov

23 Príklad matice zámen Rozpoznávanie obrazcov

24 Povinné časti projektu
Redukcia príznakov: Povinné: PCA 1 a viac ďalších algoritmov Klasifikácia: Povinné: Lineárny klasifikátor, ANN 1 a viac ďalších klasifikátorov Vyhodnotenie: Matica zámen/ROC + percentá Rozpoznávanie obrazcov

25 Záverečná správa Maximálne 10 strán A4 s povinnými časťami:
Databáza: ukážka a popis (príznaky) Redukčné algoritmy: Zdôvodnenie výberu Porovnanie výsledkov na databáze Rozpoznávanie obrazcov

26 Záverečná správa II Klasifikačné algoritmy: Zdôvodnenie výberu
Porovnanie výsledkov na databáze Vyhodnotenie výsledkov: Porovnanie výsledkov klasifikácie pri rôz-nych redukčných algoritmoch aj bez nich Zhodnotenie výsledkov klasifikácie Rozpoznávanie obrazcov