COMPUTAÇÃO GRÁFICA E PROCESSAMENTO DE IMAGEM (7)

Prévia do material em texto

Tópicos em Visão 
Computacional e 
Reconhecimento de Padrões 
Dr. Hemerson Pistori
Grupo de Pesquisa em Engenharia e Computação – GPEC
Universidade Católica Dom Bosco - UCDB
   
Sumário
• Visão geral e áreas correlatas
• Aplicações (desenvolvidas pelo GPEC)
• Arquitetura de de um sistema de visão 
computacional
• Tópicos em Visão Computacional
• Tópicos em Reconhecimento de Padrões
• Demonstração
• Conclusão
   
Visão Geral
Inteligência
Artificial
Processamento
Digital de
Imagens
 Visão 
Computacional (VC)
Aprendizagem
Automática
Computação
Gráfica
Reconhecimento
de Padrões (RP)
RP: Identificação ou classificação de “objetos” ou “coisas”
(Faces, expressões, voz, sons, bases, comportamento, textos, etc) 
VC: Interpretação e reação a partir de imagens
(Filmes, fotos, imagens de satélite, raio-x, tomografia, etc)
   
Classificação de Couro Bovino
www.gpec.ucdb.br/dtcouro
Grupon
Fora do Grupon
D1 - 200cm2
D2 - 173cm2
D3 - 15cm2
D4 - 87cm2
fazenda frigorífico curtume
   
Identificação de Comportamento Animal
www.gpec.ucdb.br/topolino
   
Interação Homem-Máquina
www.gpec.ucdb.br/sigus
   
Monitoramento de Bioensaios
http://www.vims.edu/pfiesteria/
Patten et Alli (UNR e Verdia Inc.)
   
Arquitetura de Sistema de VC
Captura Pré-processamento Segmentação Rastreamento
Extração Atrib.Seleção Atrib.AprendizagemClassificação
argmax
 ,
∏
i=1
n
p x i | j 
F.1
F.2
F.2 > 3.6
[0.2 0.1 40 30 0.2]
Vertical
   
Tópicos em Visão Computacional
• Espaços de Cores e Histogramas
• Pré-processamento
• Segmentação
• Atributos de Textura
• Atributos de Forma
• Vetores de Atributos e Espaço Vetorial
   
Imagens Coloridas
RGB
HSB
imagej
   
Imagens e Funções Bidimensionais
SurfacePlot
   
Histogramas
Color Inspector 3D
Álgebra – Espaços Vetoriais
   
Pré-Processamento
   
Pré­Processam ento
Gradiente – Cálculo Diferencial ­ Variação
   
Segmentação
Wetblue leather defectsWetblue leather defectsArtemis countingArtemis counting
   
Atributos baseados em Textura
Images and results from Mikaël Rousson, Thomas Brox and Rachid Deriche (INRIA)
   
Atributos Baseados em Forma
Angles Ranges
0
2,5
5
7,5
10
12,5
15
17,5
20
Curvatures Histogram
0-10
10-20
20-30
30-40
40-50
50-60
60-70
70-80
80-90
Image Moments

v1 v2 v2
v1
v3
v4
v4
v3 

Excentricidade – Razão
Invariância à Rotação, Translação e Escala
A B
B
B
   
Vetores de Atributos e Espaços 
Vetoriais
x = [230  221  222  353  4  90  0.12  0.5]'
   Red     Green      Blue       Hue    Sat. Value  Freq45o   Freq.90o
x =  [0.2  430  0.4  0.2 ...]'
   Excen.   Perimeter  Curv.Hist.0­10  Curv.Hist.40­50.  ...  
   
Rastreamento – Filtros Preditivos
Assuntos Relacionados: Modelos de Markov Ocultos,  Campos Aleatórios de 
Markov, Redes Bayesianas, Filtros de Kalman, Filtros de Partículas, etc
Modelos de Observação + Modelos de Dinâmica 
Observação + Previsão
Contínuo X Discreto, Paramétrico X Não­Paramétrico,
Linear X Não Linear
   
Métodos de Monte-Carlo
Ac=
r 2
4
Aq=r
2
=4
Ac
Aq
r
Ac
Aq
Exemplo: Calculando Pi ­ Dardos
Total que atinge quadrado
Total que atinge semi­círculo
   
Tópicos em Reconhecim ento de 
Padrões
• Abordagem  da Aprendizagem  Estatística
• Estim ação de M áxim a Verossim ilhança
• M odelos Param étricos X Não­Param étricos
• M odelos de M istura de Gaussianas
• M étodos Iterativos para Estim ação de M odelos
• Redução de Dim ensionalidade – PCA e FLDA
   
Aprendizagem Estatística
ω1 : Carrapatos ω2 : Estrias ω3 : Mosca ω1 : Horiz. ω2 : Vert.
Problema de Classificação em 3 Classes 2 Classes
ωj : Classe j
x : Vetor de atributos
p(ωj | x) : Prob. a posteriori de ωj 
p(x | ωj) : Verossimilhança of  ωj
p(ωj) : Prob. a priori de  ωj  
p(x) : Prob. de  x  (evidência)
Decisão Bayesiana
p j | x =
p x | j p j
p x 
argmax
j
p j | x 
   
Aprendizagem de Modelos Gaussianos
p(x | ω1)
p(x | ω2) p(x | ω2)
p(x | ω1)
Estimativa de Máxima Verossimilhança
argmax
 ,
∏
i=1
n
p x i | j  p x | j=
1
2D /2∣1/2∣
e
−
1
2
 x−T −1 x−
   
Modelos Paramétricos X Não Paramétricos
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
5
10
15
20
25
30
35
40
45
50
55
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
2,5
5
7,5
10
12,5
15
17,5
20
22,5
   
Mistura de Modelos Gaussianos
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
0
2,5
5
7,5
10
12,5
15
17,5
20
First Class
Second Class
   
Métodos Iterativos de Estimação
E.M. ­ Expectation­Maximization
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
2
4
6
8
10
12
14
16
18
20
22
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
2
4
6
8
10
12
14
16
18
20
22
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
2
4
6
8
10
12
14
16
18
20
22
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
2
4
6
8
10
12
14
16
18
20
22
   
Redução de Dimensão - PCA
v
v é um autovetor associado 
ao maior autovalor da matriz
de variância e covariância dos
pontos
   
Redução de Dimensão - FLDA
   
Informações Adicionais
www2.acad.ucdb.br/pistori