Post on 16-Apr-2020
ClasificaciónClasificación
Agrupación de las partes de una imagen de forma homogénea
Agrupación de las partes de una imagen de forma homogénea
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Clasificación o clusteringClasificación o clustering
• Intenta clasificar los píxeles directamente en clases, en función de ciertas características de cada píxel.
– Método supervisado: Las clases se definen a priori (número y vectores representativos de cada una)
– Método no supervisado: El clasificador elige el número de clases
• Intenta clasificar los píxeles directamente en clases, en función de ciertas características de cada píxel.
– Método supervisado: Las clases se definen a priori (número y vectores representativos de cada una)
– Método no supervisado: El clasificador elige el número de clases
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Clasificación o clusteringClasificación o clustering
• Método estadístico, multiespectral• Necesita definición de distancia a las clases• Proceso
1) Extrae características o features2) Clasificación multivariable automática
• Método estadístico, multiespectral• Necesita definición de distancia a las clases• Proceso
1) Extrae características o features2) Clasificación multivariable automática
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Ejemplos de característicasEjemplos de características
• Nivel de gris• Nivel de gris en otras imágenes (multiespectro)• Características locales (varianza, etc…)• Bordes, líneas, ángulos• Formas
• Nivel de gris• Nivel de gris en otras imágenes (multiespectro)• Características locales (varianza, etc…)• Bordes, líneas, ángulos• Formas
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Algoritmos de clusteringAlgoritmos de clustering
• Fuzzy C-Means (FCM)– Número de clases prefijado
• K-Nearest Neighbor (KNN)– Mayoria de los k-vecinos
• Clasificación jerárquica ascendente– Tantas clases como píxeles
• Clasificación jerárquica descendente– Una sola clase para empezar
• Fuzzy C-Means (FCM)– Número de clases prefijado
• K-Nearest Neighbor (KNN)– Mayoria de los k-vecinos
• Clasificación jerárquica ascendente– Tantas clases como píxeles
• Clasificación jerárquica descendente– Una sola clase para empezar
Lentos y pueden generar estructuras indeseadas
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Ejemplo. Algoritmo NNEjemplo. Algoritmo NN
• Consideramos cada píxel como una clase• Hasta conseguir r clases
– Calculamos las distancias entre clases
– Unimos las dos clases con distancia mínima
• La distancia puede ser cualquier métrica en un espacio normado.
• Consideramos cada píxel como una clase• Hasta conseguir r clases
– Calculamos las distancias entre clases
– Unimos las dos clases con distancia mínima
• La distancia puede ser cualquier métrica en un espacio normado.
{ } jiquetalnjxxd jiji cc ≠∈∀−=∧∧
,...,2,1;),(
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Clustering. EjemplosClustering. Ejemplos
Resultados con dos métodosOtsu, 3 clases GMVE, 3 clasesOtsu, 6 clases GMVE, 6 clases
Resultados con dos métodosOtsu, 3 clases GMVE, 3 clasesOtsu, 6 clases GMVE, 6 clasesImagen inicialImagen inicial
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Clustering. EjemplosClustering. Ejemplos
Imagen inicial
ResultadoOtsu, 8 clases
Resultado,GMVE, 8 clases
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
TEXTURASTEXTURAS
Filtro de PrewittFiltro de Prewitt
UmbralizaciónautomáticaUmbralizaciónautomática
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
¿Qué es una textura?¿Qué es una textura?
• No existe una definición precisa de textura, aunquetodos sabemos lo que es.
• Podría definirse como: ‘La disposición de las características de los elementos constituyentes de algo, especialmente los relacionados con la apariencia superficial o la calidad al tacto’
• Si el nivel de gris de un objeto varía mucho aparece una textura.
• No existe una definición precisa de textura, aunquetodos sabemos lo que es.
• Podría definirse como: ‘La disposición de las características de los elementos constituyentes de algo, especialmente los relacionados con la apariencia superficial o la calidad al tacto’
• Si el nivel de gris de un objeto varía mucho aparece una textura.
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Segmentación de texturasSegmentación de texturas
• Un característica de textura es un valor quecuantifica alguna característica de la variación de nivel de gris del objeto.
• Para segmentar:
– Calculamos una ‘imagen de textura´– Aplicamos técnicas convencionales de segmentación a
esta imagen
• Un característica de textura es un valor quecuantifica alguna característica de la variación de nivel de gris del objeto.
• Para segmentar:
– Calculamos una ‘imagen de textura´– Aplicamos técnicas convencionales de segmentación a
esta imagen
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Métodos de análisis de texturaMétodos de análisis de textura
• Estadísticos
• Estructurales
• Basados en modelos
• Transformadas
• Estadísticos
• Estructurales
• Basados en modelos
• Transformadas
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Métodos estadísticosMétodos estadísticos
• Basados en el histograma: Media, desviaciónestándar, varianza y kurtosis de los niveles de gris.
• Basados en el histograma: Media, desviaciónestándar, varianza y kurtosis de los niveles de gris.
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Métodos estadísticosMétodos estadísticos
• Matriz de co-ocurrencia: Mide la probabilidad de que dos píxeles a una distancia d tengan el mismo valor. A partir de ella se calculan ciertos estadíticos:
• Matriz de co-ocurrencia: Mide la probabilidad de que dos píxeles a una distancia d tengan el mismo valor. A partir de ella se calculan ciertos estadíticos:
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
011
0122
1011
1000
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
020
112
102
d =1 θ = 45º
2
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Métodos estadísticosMétodos estadísticos
• A partir de la matriz se calculan:• A partir de la matriz se calculan:
∑∑==
=N
jijij
N
iPPH
11
log
∑ −∑==
=N
jij
N
iPjiH
1
2
1)(
[ ]∑∑==
=N
jij
N
iPH
1
2
1
Entropía
Energía
Inercia
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Métodos espectralesMétodos espectrales
• La transformada de Fourier contiene información de textura.
• La transformada de Fourier contiene información de textura.
∑=
=π
θθ
0),(2)( rPrP
∑=
=2/
0),()(
R
rrPP θθ
Ring sum
Wedge sum
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Métodos estructuralesMétodos estructurales
• Asumen que la textura está compuesta de unadisposición espacial de primitivas de textura.
• Consisten en la búsqueda directa de la primitiva y el estudiode su distribución.
• Asumen que la textura está compuesta de unadisposición espacial de primitivas de textura.
• Consisten en la búsqueda directa de la primitiva y el estudiode su distribución.
Textura estructuralTextura estadística
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Texturas. EjemploTexturas. Ejemplo
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Reconocimiento de patronesReconocimiento de patrones
• Se han detectado los objetos de la imagen y se han tomado ciertas medidas sobre ellos.
• El objetivo de las técnicas de reconocimiento es clasificar los objetos en distintas clases.
• Se han detectado los objetos de la imagen y se han tomado ciertas medidas sobre ellos.
• El objetivo de las técnicas de reconocimiento es clasificar los objetos en distintas clases.
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Clasificación de patrones. PasosClasificación de patrones. Pasos
• Selección de características
• Diseño del clasificador
• Entrenamiento del clasificador
• Evaluación del rendimiento
• Selección de características
• Diseño del clasificador
• Entrenamiento del clasificador
• Evaluación del rendimiento
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Selección de característicasSelección de características
• ¿Cual es el menor conjunto de características que me permite clasificar?
• ¿Cuáles son éstas?
• ¿Cual es el menor conjunto de características que me permite clasificar?
• ¿Cuáles son éstas?
∑=
∧
=N j
iij
jxj xN 1
1µ ∑=
∧
=N j
iij
jyj yN 1
1µ
( )relacionde Fisher
m m=
−+
1 2
2
12
22σ σ
∑ −=
∧=∧ N
xjij
j
ijxjxN 1
22
)(1µσ
∑ −=
∧=∧ N
yjijj
ijyjy
N 1
22
)(1µσ
Dpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – UnedDpto. Física Matemática y Fluidos – Laboratorio de Medida Avanzada por Imagen – Uned
Diseño del clasificadorDiseño del clasificador
Característica 1
Característica 2