Agrupación de las partes de una imagen de forma...

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


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


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


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


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;),(


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


Clustering. EjemplosClustering. Ejemplos

Imagen inicial

ResultadoOtsu, 8 clases

Resultado,GMVE, 8 clases

TEXTURASTEXTURAS

Filtro de PrewittFiltro de Prewitt

UmbralizaciónautomáticaUmbralizaciónautomática


¿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.


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


Métodos de análisis de texturaMétodos de análisis de textura

• Estadísticos

• Estructurales

• Basados en modelos

• Transformadas

• Estadísticos

• Estructurales

• Basados en modelos

• Transformadas


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.



• 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



• 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


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


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


Texturas. EjemploTexturas. Ejemplo


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.


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


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


Diseño del clasificadorDiseño del clasificador

Característica 1

Característica 2

Agrupación de las partes de una imagen de forma...

Documents

Transcript of Agrupación de las partes de una imagen de forma...