Rozpoznvanie obrazcov a spracovanie obrazu Rozpoznvanie obrazcov Doc

Rozpoznávanie obrazcov a spracovanie obrazu Rozpoznávanie obrazcov Doc. RNDr. Milan Ftáčnik, CSc.

Rozpoznávanie obrazcov �Používa sa na klasifikáciu oblastí alebo objektov a tvorí súčasť zložitejších systémov počítačového videnia �Príklad – máme príznakový vektor (výška, váha) a do x= klasifikujeme dvoch tried Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 2

Rozpoznávanie obrazcov II �Objekt je fyzická jednotka, obvykle reprezentovaná oblasťou v obraze �Objekt popisujeme formálnym popisom, ktorý sa nazýva obrazec (angl. pattern) �Obrazcom môže byť príznakový vektor, vyjadrujúci kvantitatívny popis oblasti alebo slovo z primitív a relácií medzi nimi vyjadrujúce štrukturálny (kvalitatívny) popis Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 3

Rozpoznávanie obrazcov III �Množinu všetkých objektov možno rozdeliť na podmnožiny s podobnými príznakmi, ktoré sa nazývajú triedy �Rozpoznanie objektu znamená priradenie triedy k neznámemu objektu a zariadenie, ktoré priraďuje (klasifikuje), sa nazýva klasifikátor �Počet tried sa vie dopredu alebo sa dá odvodiť z problému zhlukovou analýzou Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 4

Rozpoznávanie obrazcov IV �Klasifikátor nerozhoduje o rozpoznaní objektu priamo, ale na základe formálneho popisu vlastností objektu = obrazec �Preto hovoríme o rozpoznávaní obrazcov (angl. Pattern recognition) Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 5

Štatistické rozpoznávanie obrazcov �Aké príznaky by ste použili na klasifikáciu nasledovných objektov? Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 6

Štatistické rozpoznávanie obrazcov �Aké príznaky by ste použili na klasifikáciu nasledovných objektov? Príznakový vektor x = (veľkosť, kompaktnosť) Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 7

Štatistické rozpoznávanie obrazcov II �Triedy obrazcov vytvárajú v príznakovom priestore zhluky, ktoré sa dajú oddeliť diskriminačnými (oddeľujúcimi) hyperkrivkami (nadplochami) Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 8

Štatistické rozpoznávanie obrazcov III �Separovateľné triedy – objekty z rôznych tried sa dajú oddeliť nadplochami �Lineárne separovateľné triedy – dajú sa oddeliť nadrovinami �Neseparovateľné triedy – triedy sú premiešané, neznámy objekt môže patriť do viacerých tried, čiže klasifikátor pri klasifikácii urobí chybu - taká je väčšina reálnych problémov Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 9

Lineárne separovateľné triedy Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 10

Separovateľné triedy Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 11

Neseparovateľné triedy Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 12

Štatistické rozpoznávanie obrazcov IV � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 13

Diskriminačné funkcie � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 14

Diskriminačné funkcie II � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 15

Lineárne diskriminačné funkcie � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 16

Lineárne diskriminačné funkcie II �Pre dve lineárne separovateľné triedy učením získame po konečnom počte krokov skaláry diskriminačných funkcií na bezchybnú klasifikáciu (existenčný dôkaz) �Pre dve triedy stačí jedna funkcia a zisťujeme len to, či je väčšia alebo menšia ako nula �Počiatočné hodnoty skalárov nastavíme náhodným spôsobom Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 17

Lineárne diskriminačné funkcie III � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 18

Výsledné nadroviny môžu byť rôzne Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 19

Pravidlo minimálnej vzdialenosti � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 20

Pravidlo minimálnej vzdialenosti II �Oddeľujúca nadrovina lineárneho klasifikátora sa určí tak, že polí spojnicu dvoch etalónov Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 21

Nelineárny separovateľný prípad � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 22

Neseparovateľný prípad � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 23

Neseparabilný prípad II � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 24

Neseparabilný prípad III � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 25

Bayesova formula � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 26

Bayesova formula II �Keďže rozhodujeme na základe najväčšej aposteriórnej pravdepodobnosti, tak pravdepodobnosť chybnej klasifikácie je najmenšia Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 27

Učenie Bayesovského klasifikátora � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 28

Porovnanie Bayesovského klasifikátora Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 29

Syntaktické rozpoznávanie �Syntaktický popis používame vtedy, ak ide o popis časových priebehov, postupnosť segmentov hranice apod. , vtedy reláciou medzi primitívami je zreťazenie, čím sa vyjadrí štruktúra oblasti (objektu) �Množina všetkých primitív sa nazýva abeceda. �Množina všetkých slov vytvorených z abecedy pre objekty z jednej triedy sa nazýva popisný jazyk 30 Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019

Syntaktické rozpoznávanie II � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 31

Syntaktické rozpoznávanie III � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 32

Syntaktické rozpoznávanie IV �Vytvorenie gramatiky v kroku 2 vyžaduje silnú ľudskú interakciu, to je vlastne fáza učenia v syntaktickom rozpoznávaní �Predkladáme pri učení pozitívne aj negatívne príklady slov a snažíme sa súčasne obmedziť generatívnu silu gramatiky �V kroku 4 používame syntaktickú analýzu známu z informatiky Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 33

Štatistické vs. neurálne vs. štrukturálne Rozpoznávanie obrazcov 2018 -19 34

Neurónové siete � Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 35

Neurónové siete II �Pri učení siete korigujú váhy – v prípade nesprávnej klasifikácie Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 36

Neurónové siete III �Jednoduché siete s malým počtom skrytých vrstiev majú zásadné obmedzenia (napr. nedokážu rozpoznať súvislosť objektu) �Preto sa dlho zdalo, že nie sú cestou na rozvoj metód rozpoznávania �Neurónové siete s veľkým počtom skrytých vrstiev (deep learning) dokážu riešiť úlohy klasifikáci aj rozpoznávať objekty lepšie ako ľudia Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 37

Porovnávanie so vzorom (matching) �Uviedli sme ho ako segmentačnú techniku, ale dá sa použiť aj na rozpoznávanie (napr. písmen, číslic, známych vzorov) �Používa sa buď korelácia – v zmysle ako pri segmentácii �Alebo sa použije metóda minimálnej vzdialenosti, kde známe vzory považujeme za etalóny Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 38

Príklad �Nech sa použije klasifikátor podľa minimálnej vzdialenosti na rozpoznávanie dvojrozmerných príznakových vektorov z troch tried K 1, K 2 a K 3. �Trénovacia množina pozostáva z piatich vektorov z každej triedy. �Uveďte postup a načrtnite oddeľujúce nadroviny pre dvojrozmerný príznakový priestor. Rozpoznávanie obrazcov a spracovanie obrazu 2018/2019 39