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