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.
