Baixe o app para aproveitar ainda mais
Prévia do material em texto
Reconhecimento de Padrões Processamento de Imagens Werbeth de Sousa (WEB) Objetivos Introduzir os conceito básicos de reconhecimento de padrões por meio de um exemplo de um sistema de classificação clássico. Processamento de Imagens - Werbeth de Sousa (WEB) 2 Introdução Pense em ações simples que realizamos no nosso dia-a-dia, e na complexidade envolvida, como por exemplo: Interpretar placas de trânsito Processamento de Imagens - Werbeth de Sousa (WEB) 3 Introdução Ler um jornal: Diferentes Fontes, Figuras, Gráficos, Ilustrações, etc... Processamento de Imagens - Werbeth de Sousa (WEB) 4 Processamento de Imagens - Importância Processamento de Imagens - Werbeth de Sousa (WEB) 5 16 de Junho de 2017 às 09h32 14 de Junho de 2018 às 20h05 Processamento de Imagens - Importância Processamento de Imagens - Werbeth de Sousa (WEB) 6 Atualizado em 06/02/19 - 13h22 Processamento de Imagens - Importância Processamento de Imagens - Werbeth de Sousa (WEB) 7 16 de Maio de 2019 às 10h12 Introdução Agora imagine como implementar essas simples ações em um sistema de computador! Complicado? O que seria necessário? Adquirir a imagem, ler, entender (classificar), tomar uma ação. Processamento de Imagens - Werbeth de Sousa (WEB) 8 Introdução Diferentes abordagem para Reconhecimento de Padrões. Estatística Estrutural Sintática Processamento de Imagens - Werbeth de Sousa (WEB) 9 Um Exemplo Para ilustrar a complexidade desse tipo de sistema, considere o seguinte exemplo: Uma indústria recebe dois tipos de peixe: Salmão e Robalo. Os peixes são recebido em uma esteira, e o processo de classificação é manual. A industria gostaria de automatizar esse processo, usando para isso uma câmera CCD. Processamento de Imagens - Werbeth de Sousa (WEB) 10 Um Exemplo (cont) Processamento de Imagens - Werbeth de Sousa (WEB) 11 Um Exemplo (cont) Primeiramente devemos encontrar as características que distinguem um salmão de um robalo. Altura, largura, coloração, posição da boca, etc... Características (Features): Qualquer medida que se possa extrair de um determinado objeto. Processamento de Imagens - Werbeth de Sousa (WEB) 12 Um Exemplo (cont) Características podem ser: Simbólicas. Numéricas (Continuas ou binárias). Ruídos (Erros): Conceito originário da teoria das comunicações; Podem estar presente no objeto. • Uma mancha no peixe, por exemplo. Devidos ao sistema de aquisição. • Iluminação por exemplo. Processamento de Imagens - Werbeth de Sousa (WEB) 13 Um Exemplo (cont) Dado as diferenças entre as populações de Salmão e Robalo, podemos dizer que cada uma possui um modelo específico. Modelo: Um descritor, geralmente representado através de uma função matemática. Bom modelo é capaz de absorver ruídos. Processamento de Imagens - Werbeth de Sousa (WEB) 14 Sistema Clássico Aquisição Pré-Processamento Classificação Salmão Robalo Segmentação Extração de Características Processamento de Imagens - Werbeth de Sousa (WEB) 15 Sistema Clássico – Pré-processamento Simplificação do sinal capturado pela câmera. Ex: Eliminação de alguns ruídos. Processamento digital de imagens. Tornar os processos subsequentes mais simples e rápidos. Processamento de Imagens - Werbeth de Sousa (WEB) 16 Sistema Clássico – Segmentação Isolar os objetos de interesse na imagem. No nosso exemplo, encontrar o que é peixe e o que não é peixe. Processamento Digital de Imagens • Filtros, morfologia matemática, etc... Processamento de Imagens - Werbeth de Sousa (WEB) 17 Sistema Clássico – Segmentação Segundo nível de segmentação. Encontrar e segmentar os objetos de interesse detectados na primeira fase da segmentação. Processamento de Imagens - Werbeth de Sousa (WEB) 18 Sistema Clássico – Extração de Características A imagem do objeto de interesse é enviada para o módulo de extração de características. Reduzir a complexidade através da extração de certas “características” ou “propriedades”. Processamento de Imagens - Werbeth de Sousa (WEB) 19 Sistema Clássico – Classificação As características (valores) são passadas para o classificador, o qual toma uma decisão No nosso exemplo: Salmão ou Robalo. Mas que tipo de características devemos usar? Processamento de Imagens - Werbeth de Sousa (WEB) 20 Conceitos básicos de classificação Suponha que alguém nos diga que: Robalos geralmente são maiores que salmões. Isso nos dá uma direção para modelar nosso problema, ou seja, Se o peixe ultrapassa um tamanho t, então ele é um robalo, caso contrário, é um salmão. Mas como determinar t ?? Processamento de Imagens - Werbeth de Sousa (WEB) 21 Conceitos básicos de classificação Podemos selecionar alguns exemplares (base de treinamento) de peixe e verificar seus tamanhos. Suponha que após analisarmos nossa base de treinamento, tenhamos os seguintes histogramas Processamento de Imagens - Werbeth de Sousa (WEB) 22 Conceitos básicos de classificação t salmão robalo Usando somente a medida de tamanho, não podemos separar de maneira confiável nossas duas classes de peixes. Portanto, devemos tentar outras características. Processamento de Imagens - Werbeth de Sousa (WEB) 23 Conceitos básicos de classificação salmão robalo x Outra característica: Medida de Claridade (coloração) Como podemos notar, essa característica é muito mais confiável, mas não é perfeita. Robalos que serão classificados como salmão. Noção de CUSTO Processamento de Imagens - Werbeth de Sousa (WEB) 24 Conceitos básicos de classificação Suponha que os clientes da nossa indústria aceitem um pedaço de salmão embalado junto com robalo, mas o contrário é inaceitável. Devemos então alterar nossa fronteira para que isso não aconteça. Processamento de Imagens - Werbeth de Sousa (WEB) 25 Conceitos básicos de classificação salmão robalo Custo maior, uma vez que mais salmões serão classificados como robalos x Erro Bayesiano Processamento de Imagens - Werbeth de Sousa (WEB) 26 Conceitos básicos de classificação Isso sugere que existe um custo associado com a nossa decisão. Nossa tarefa consiste em encontrar uma regra de decisão que minimize o custo. Isso é o papel central da Teoria da Decisão. Também pode ser visto como um problema de otimização. Processamento de Imagens - Werbeth de Sousa (WEB) 27 Conceitos básicos de classificação Como minimizar o custo? Buscar outras características. • Suponha que a claridade seja a melhor. Podemos utilizar duas características ao mesmo tempo. 2 1 x x x Vetor de características bi-dimensional.Processamento de Imagens - Werbeth de Sousa (WEB) 28 Conceitos básicos de classificação Nossa base de treinamento em um gráfico de dispersão salmão robalo a lt u ra claridade Processamento de Imagens - Werbeth de Sousa (WEB) 29 Conceitos básicos de classificação Nosso problema consiste em encontrar a fronteira de decisão que minimize o custo. Modelo mais simples: Separação linear, y = ax+b Algoritmos tradicionais: • Perceptron, Funções Discriminantes Lineares. Processamento de Imagens - Werbeth de Sousa (WEB) 30 Conceitos básicos de classificação salmão robalo a lt u ra claridade Processamento de Imagens - Werbeth de Sousa (WEB) 31 Conceitos básicos de classificação Essa regra fornece uma boa fronteira de decisão, entretanto pode ser melhorada. Adicionarmais características, como por exemplo, dimensões do peixe, posição relativa dos olhos, etc..., poderiam ajudar. Quanto mais características, mais base de treinamento será necessária. Maldição da dimensionalidade. Processamento de Imagens - Werbeth de Sousa (WEB) 32 Conceitos básicos de classificação Suponha que não dispomos de mais características. Solução: Construir um modelo mais complexo do que um modelo linear. Processamento de Imagens - Werbeth de Sousa (WEB) 33 Conceitos básicos de classificação salmão robalo a lt u ra claridade Fronteira muito mais complexa. Separação perfeita! Um exemplo (salmão) de teste Processamento de Imagens - Werbeth de Sousa (WEB) 34 Conceitos básicos de classificação Apesar de complexo, esse modelo é pior do que o modelo linear. A principal característica de um modelo deve ser a sua capacidade de generalizar. Modelos muito complexos geralmente não generalizam bem, pois decoram a base de treinamento (over-fitting). Processamento de Imagens - Werbeth de Sousa (WEB) 35 Conceitos básicos de classificação Por outro lado, modelos muito simples tendem a generalizar demais (under- fitting). Na aprendizagem de máquina, veremos técnicas para evitar over- e under- fitting, ou seja, construir fronteiras de decisão nem tão simples e nem tão complexas. Processamento de Imagens - Werbeth de Sousa (WEB) 36 Conceitos básicos de classificação salmão robalo a lt u ra claridade Processamento de Imagens - Werbeth de Sousa (WEB) 37 Taxas Um sistema pode ser avaliado usando diferente taxas. A mais comuns são Taxa de rec = (N_rec/Total_Img) * 100 Taxa de Erro = (N_err/Total_Img) * 100 Taxa de Rej = N_rej/Total_img) * 100 Confiabilidade = (Taxa de Rec / (Taxa Rec + Taxa de Erro)) * 100 Processamento de Imagens - Werbeth de Sousa (WEB) 38
Compartilhar