PI_aula06

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