Descritores de Imagem

Propaganda
Descritores de Imagem
(considerações finais)
André Tavares da Silva
[email protected]
Reconhecimento de padrões
(etapas)
• Obtenção dos dados (imagens, vídeos, sinais)
– Pré-processamento
– Segmentação
• Extração de características
• Classificação
Obs.: ler capítulo 1 de Duda e Hart
Obtenção dos dados
• Os dados utilizados podem vir de imagens,
vídeos, sensores, bancos de dados, etc.
• No caso de imagens e vídeos, é importante que
essas sejam obtidas por equipamentos de
qualidade:
– Boa resolução
– Sem distorções e artefatos
– Formatos com compactação sem perdas (imagem)
Pré-processamento
• Necessário para preparar os dados de entrada
para as etapas seguintes.
• No caso de imagens, o preprocessamento é
necessário para:
– Melhorar condições de iluminação
– Remoção de ruídos
– Ajustar a posição e a escala dos objetos
– Melhorar o foco
Ajuste de iluminação
Redução de ruídos
Importância da redução de ruídos
• Ruído geralmente se destaca das demais áreas da
imagem:
– Ele não está correlacionado à imagem
– Muitos descritores identificam ele como algo
significativo por diferir dos demais pontos
• A detecção de linhas é bordas é prejudicada pelo ruído
pois o mesmo forma descontinuidades na imagem
(Ex.: Transformada de Hough).
• Para a redução de ruídos pode-se aplicar diversos
filtros, mas estes podem retirar detalhes importantes
da imagem.
Ajustes de posição e escala
• As vezes a posição de um objeto na imagem
prejudica a identificação
• A escala também afeta o reconhecimento: o
mesmo objeto em escalas diferentes não
necessariamente será reconhecido
• Estes problemas podem ser resolvidos
utilizando segmentação e/ou descritores
invariantes a posição e a escala
• Orientação do objeto no plano 3D é mais difícil
de ser tratada
Ajustes de posição e escala
Influência da inclinação para a identificação de pessoas com HOG + SVM
Saída da etapa de pré-processamento
• A saída obtida pela etapa de préprocessamento é uma imagem mais adequada
de ser utilizada nas etapas seguintes
(segmentação, extração de características, etc)
• Ela depende da tarefa e dos dados em si,
sendo algumas vezes desnecessário
• Quanto melhor a qualidade dos dados, melhor
serão os resultados obtidos na classificação
Reconhecimento de padrões
(etapas)
• Obtenção dos dados (imagens, vídeos, sinais)
– Pré-processamento
– Segmentação
• Extração de características
• Classificação
Busca por similaridade
Busca por similaridade
Realimentação de Relevância
Realimentação de Relevância
Reconhecimento de padrões
(etapas)
• Obtenção dos dados (imagens, vídeos, sinais)
– Pré-processamento
– Segmentação
• Extração de características
• Classificação
Combinação de descritores
Combinação de Descritores
k
d (s ,t )=∑ w i⋅d i (s , t)
1
ou
k
d ( s ,t )=∑ w i⋅d i ( s , t)
1
Mi
MSPS
Programação Genética
Programação Genética
• A programação genética procura funções de combinação
evoluindo uma população P de indivíduos por iteração
durante várias gerações.
• O melhor indivíduo gerado pela aplicação de transformações
genéticas é definido como função de combinação d*(s,t).
– Reprodução seleciona os melhores indivíduos e os copia na
próxima geração.
– Mutação é uma manipulação aleatória que atua em apenas
um indivíduo, selecionando um nó e substituindo a
subárvore por outra gerada aleatoriamente.
– Crossover combina o material genético de dois indivíduos
trocando uma de suas subárvores.
Download