Twoim problemem jest to, że powszechną NICOŚĆ mylisz z osobistą PUSTKĄ
3. Wymieo cechy obrazu, które mogą podlegad analizie w procesie rozpoznania z podziałem na bezpośrednie i pośrednie.
cechy bezposrednie:
– ton (dla obrazów w odcieniach szarosci)
– kolor (dla obrazów kolorowych) - składowe przestrzeni barw np.RGB,
-tekstura i struktura obrazu,
_ cechy posrednie:
– kształt zarejestrowanych obiektów na obrazie,
– sasiedztwo zarejestrowanych obiektów na obrazie,
– wielkosc zarejestrowanych obiektów na obrazie,
– cien rzucany przez obiekty.
4. Omów zasadę opisu cechy tekstury obrazu w wektorze cech z użyciem macierzy GLCM.
Tekstura obrazu wyraza sposób przestrzennego uporzadkowania obiektów na obrazie - jest to charakterystyka oparta o wizualny układ fotografowanych obiektów wzgledem siebie w połaczeniu z efektem cieni własnych i rzucanych i skali zobrazowania. Teksture opisac mozna jako np. drobnoplamista lub pasmowa.
Struktura natomiast charakteryzuje fizyczne własciwosci powierzchni fotografowanej. Strukture okresla sie np. jako gładka, drobno lub gruboziarnista.
Omów zasadę opisu cechy tekstury obrazu w wektorze cech z użyciem macierzy GLCM.
Opiera sie ona na macierzy charakteryzujacej czestosc sasiadowania pikseli o danej wartosci
z innymi zwanej macierza sasiedztwa Vl;_. Macierz ta definiowana jest za pomoca odległosci d i kata _ (parametrów analizy). Odległosc równa 1 oznacza bezposrednie sasiedztwo pikseli, natomiast kat informuje, o który z sasiadów analizowanego piksela chodzi. Poszczególne liczby okreslaja w niej ile razy piksel o danym odcieniu sasiadował z pikselem o innym odcieniu w danym otoczeniu. Proces ekstrakcji cech opiera sie na przemiataniu obrazu maska przesuwna i tworzeniu macierzy V dla kazdego położenia maski na obrazie. Rozmiar maski jest istotnym parametrem i musi być empirycznie dobrany dla danego problemu.
5. Omów zasadę klasyfikacji metodą:
a. k-najbliższych sąsiadów.
zalicza rozpoznawany obiekt do klasy, która jest najliczniej reprezentowana wsród k najblizszych jemu
punktów ze zbioru S. Pamietac nalezy, iz taka realizacja algorytmu zakłada, ze błedne zaklasyfikowanie obiektu do kazdej klasy ma ta sama wage
b. Najbliższego sasiada
Zalicza on rozpoznawany obiekt do tej klasy, do której nalezy najblizszy względem wektora cech obiekt z ciagu uczącego Oczywiscie wymaga on definicji odległosci miedzy obiektami w wielowymiarowej przestrzeni cech.
c. Największej wiarygodności
metoda ta uwzglednia statystyczne miary dystrybucji wartości pikseli z poszczególnych klas na zobrazowaniu. Polega ona na wyznaczeniu na podstawie pól treningowych parametrów załozonego wczesniej rozkładu prawdopodobienstwa (wartosci srednich i macierzy kowariancji dla wielowymiarowego rozkładu normalnego) oraz wartosci prawdopodobieństwa a priori. Klasyczna wersja metody najwiekszego prawdopodobieństwa opiera sie na załozeniu, iz prawdopodobienstwo wystapienia róznych klas obiektów w obrazie cyfrowym jest jednakowe, co oznacza, ze klasy zajmuja takie same powierzchnie. Załozenie to pozwala na pominiecie szacowania prawdopodobienstwa a priori. W przeciwnym wypadku, tj. gdy posiadamy informacje, ze prawdopodobienstwo wystapienia klas nie jest jednakowe, mozna je szacowac np. za pomoca metod klasyfikacji nienadzorowanej lub prostej statystyki.
6. Na czym polega klasyfikacja nadzorowana i czym różni się od klasyfikacji nienadzorowanej?
W klasyfikacji nadzorowanej (ang. supervised classification) operator
musi dysponowac wiedza a priori o charakterze reprezentatywnej próbki klasyfikowanych obiektów i ich przynaleznosci do danej klasy. Zatem zbudowanie modelu klasyfikatora uwzgledniajacego okreslona tematyke klas opiera sie na pewnej wiedzy pozyskanej z zewnetrznych źródeł
Klasyfikacja nadzorowana tresci zobrazowan przebiega zatem według schematu:
_ lokalizacja na obrazie wzorców klas, które maja byc identyfikowane,
_ okreslenie granic obiektów wzorcowych poprzez ich manualne odseparowanie (np. digitalizacje),
_ ekstrakcja cech obiektów (pikseli) - np. poprzez pobranie wartości przestrzeni kolorów lub wartosci kanałów spektralnych,
_ ewentualna selekcja i redukcja cech,
_ budowa modelu klasyfikatora,
_ klasyfikacja całego obszaru zobrazowania.
klasyfikacji nienadzorowanej
Metody te identyfikuja skupiska punktów reprezentujacych cechy obiektów bez udziału informacji trenujacej (wiedzy eksperta), czyli na podstawie tylko ich ułozenia w przestrzeni cech X. System analizując sekwencje wektorów wejsciowych x(i) ma za zadanie samodzielnie okreslic własciwe odpowiedzi (zmienne wyjsciowe) .W ujeciu probabilistycznym system uczacy sie rozpoznawac otrzymuje N obserwacji
(x1; x2; : : : ; xN) własnosci obiektu o pewnym rozkładzie prawdopodobieństwa i jego zadaniem jest wnioskowanie o typie i parametrach tego rozkładu bez pomocy nauczyciela
W przypadku metod nadzorowanych istnieje łatwa do realizacji możliwość wyznaczenia miar jakosci uczenia i rozpoznawania poprzez porównanie wyników klasyfikacji z wzorcem testowym (ciagiem weryfikujacym,
podobnym do uczacego, lecz nie wykorzystywanym do treningu) np. w postaci funkcji strat L (i; j) oceniajacej strate spowodowana zaklasyfikowaniem obiektu z klasy i-tej do klasy j-tej. Niestety ze wzgledu na brak wzorca w klasyfikacji nienadzorowanej, tego typu bezposrednia miara nie istnieje.
7. Wyjaśnij pojęcia:
a. Wektor cech,
Wartosci mierzalne cech zestawione w jednej kolumnie nazywamy wektorem cech (1.1). Wektor cech stanowi dla metod i algorytmów rozpoznawania zródło informacji o klasyfikowanym obiekcie.
b. CiÄ…g uczÄ…cy,
Ciag uczacy stanowi zbiór wektorów cech xi oraz numerów klas j do których naleza obiekty tymi cechami opisane.
Obiekty zawarte w ciagu uczacym wykorzystuje sie jako wzorce klas, z którymi nastepnie porównuje sie pozostałe obiekty
c. Funkcja klasyfikujÄ…ca,
d. Obszar decyzyjny,
rozłaczne i pokrywajace całą przestrzen cech X rodziny zbiorów. Opis obszarów decyzyjnych moze byc wykonany za pomoca tzw. funkcji decyzyjnych gi (dyskryminujacych) (1.8), wybranych tak, aby funkcja z
indeksem i miała w i-tym obszarze decyzyjnym wartosc wieksza niz w pozostałych obszarach decyzyjnych
e. Funkcja strat,
L (i; j) oceniajacej strate spowodowana zaklasyfikowaniem obiektu z klasy i-tej do klasy j-tej
f. Funkcja gęstości cech w klasie,
gestoscia warunkowa cech w klasie.
g. Prawdopodobieostwo apriori i aposteriori,
Prawdopodobienstwo priori to odnosi sie do sytuacji, w której nie istnieje informacja pomiarowa o rozpoznawanym obiekcie, a wynika jedynie z udziału poszczególnych klas w zródle generujacym obiekty.
prawdopodobienstwem a posteriori odnosi sie ono do konkretnego obiektu o zmierzonych i znanych cechach. Okresla ono prawdopodobienstwo, ze ten obiekt nalezy do klasy j.
Â