Upload
doanngoc
View
216
Download
0
Embed Size (px)
Citation preview
Presenta: Leopoldo Hernández Guevara
UNIVERSIDAD DON BOSCO
MAESTRIA EN MANUFACTURA INTEGRADA POR COMPUTADORA
ASIGNATURA: SISTEMAS DE VISION ARTIFICIAL
Miércoles 7 de enero 2015.-
Comparación y reconocimiento
de patrones (Pattern Matching)
Clasificadores, Correlación
El Reconocimiento de Patrones es una disciplina
encargada de asignar a los objetos una clase determinada
(clasificación).
Los objetos no sólo proceden de las imágenes sino
también de señales unidimensionales (p.ej. reconocimiento
de voz o patrones en el electrocardiograma, ECG) o en
cualquier otra medida sobre los objetos.
La tarea de clasificación es una combinación del vector
de características de los objetos y del conocimiento a
priori que se tenga del universo del problema.
Para poder asignar una etiqueta de clasificación a un
objeto se debe de tener reglas de pertenecías a cada
clase. Estas reglas se consiguen a través del
conocimiento que se tenga de cada clase.
Los enfoques que se pueden emplear para la
clasificación se basan bien en una función discriminante
que divida el espacio de las características
(clasificadores estadísticos) o bien empleen relaciones
geométricas asociadas a los objetos (clasificadores
sintácticos).
Existe una tercera vía basada en las redes neuronales
artificiales, las cuales se parecen a los clasificadores
estadísticos, en cuanto que tratan de particionar el
espacio de las características, pero emulando a los
sistemas biológicos, empleando etapas previas de
aprendizaje.
TIPOS DE CLASIFICADORES
Clasificadores a priori y a posteriori.
Los clasificadores apriorísticos construyen el clasificador en un solo
paso, utilizando la muestra de aprendizaje para el cálculo de las
funciones discriminantes. Los clasificadores a posteriori se
construyen siguiendo un procedimiento iterativo, en el cual el
clasificador aprende a reconocer de una manera progresiva los
patrones de la muestra de aprendizaje.
Clasificadores deterministas y no deterministas (probabilistas).
Atendiendo a la forma en que se distribuyen los patrones de la muestra
se puede hablar de que se cumple o no una hipótesis determinista (ej.
distancia)
Clasificadores supervisados y no supervisados.
Según la información que se proporciona en el proceso de
construcción del clasificador se puede hablar de dos tipos de
clasificadores: con maestro o supervisados, sin maestros o no
supervisados.
Adquisición de la imagen
Pre-procesado
Segmentación Extracción (matching)
Reconocimiento (clasificación)
SECUENCIA DEL PROCESAMIENTO DE RECONOCIMIENTO DE PATRONES
Bajo Nivel
Nivel Intermedio
Alto Nivel
PATRONES, PATTERNS O TEMPLATES
Para el reconocimiento de patrones, es importante que:
• Patrones que describen objetos de una misma clase,
presenten características similares.
• Patrones que describen objetos de diferentes clases
presenten características diferenciadas
EN TODO CASO DEBERA BUSCARSE LA
CARACTERISTICA MAS DISCRIMINANTE DEL
PATRON, O UNA COMBINACIÓN DE
CARACTERISTICAS QUE DEFINAN POR
COMPLETO EL PATRON SIN LUGAR A
CONFUSION, O EN TODO CASO, SEA MINIMA.
ESTA PUEDE SER:
COLOR, TAMAÑO, DISTANCIA, ETC.
COMPARACION DE IMÁGENES
Cuando se necesita comparar una imagen con otra, o bien
identificar determinado patrón conocido presente en una imagen,
siempre surge la pregunta de como se puede medir la semejanza
entre dos determinadas imágenes.
Pareciera se la forma más sencilla , si dos imágenes son iguales,
su diferencia debe ser cero. Esto podría ser válido en el caso de
imágenes consecutivas con una iluminación constante. Sin
embargo, esta forma de comparación tan sencilla no es válida, por
ejemplo, al cambiar la iluminación entre imágenes , o un pequeño
cambio como una rotación o desplazamiento de la imagen.
La idea fundamental de la comparación de imágenes
(template o pattern matching) es que el patrón a encontrar se
mueve sobre todos los pixeles de la imagen como si fuera un
filtro lineal y se mide la semejanza entre el patrón y los
correspondientes pixeles de la imagen que abarca.
Es necesario asegurarse que esta medida sea confiable en
casos que la imagen patrón esté escalada, rotada o
distorsionada.
A continuación se analizan algunas formas de comparación
utilizadas.
Geometría del problema de la comparación de imágenes. La imagen de
referencia R(i,j) es desplazada a través de la imagen I(x,y), en donde el
origen de la imagen (0,0) sirve como punto de referencia. El tamaño entre
las imágenes I y R determinan el campo de búsqueda para la realización
de la comparación
COMPARACION O CLASIFICACION DE IMÁGENES
UTILIZANDO DISTANCIA ENTRE PATRONES
Este método de matching utiliza el calculo del punto
donde existe la máxima coincidencia entre la imagen a
evaluar I(x,y) y la imagen del patrón o referencia R(i,j) para
lo cual es necesario determinar la distancia entre la
referencia desplazada y la sección correspondiente de la
imagen para cada posición.
Para medir la distancia entre dos funciones
bidimensionales existen diferentes definiciones, a
continuación se mencionan algunas de las principales:
a. La suma de la diferencias:
b. El máximo de las diferencias:
c. La suma de las distancias cuadráticas:
SUMA DE LAS DIFERENCIAS
Tomaremos como ejemplo las siguientes imágenes para
comparación y referencia:
Donde (a) es la imagen de comparación donde se realizará la
búsqueda y (b) la imagen de referencia o patrón.
Al aplicar el siguiente algoritmo en MATLAB para comparar la
imagen de referencia con las diferentes secciones de la imagen
principal:
[m n]=size(Im);
[mt nt]=size(T);
Imd=double(Im);
Td=double(T);
suma=0;
for re=1:m-mt
for co=1:n-nt
for re1=0:mt-1
for co1=0:nt-1
suma=abs(Imd(re+re1,co+co1)-Td(re+re1,co+co1))+suma;
end
end
da(re,co)=suma;
suma=0;
end
end
Imagen resultante, donde se puede apreciar en color más oscuro
las zonas de distancia de suma de diferencias más pequeños, lo
que significa que existe mayor coincidencia entre esa región y la
referencia.
Resultados de aplicar las fórmulas de (a) máximo de las
diferencias y (b) distancia de la suma de las distancias
cuadráticas.
DISTANCIA Y CORRELACION
La ecuación que define la suma de las distancias cuadráticas,
llamada también distancia euclidiana, es especialmente
importante debido a sus propiedades estadísticas.
Para esto es necesario minimizar el cuadrado de esta distancia
de la siguiente forma:
La expresión B en la ecuación anterior representa la suma al
cuadrado de todos los valores de la imagen de referencia R(i,j).
Como estos valores no dependen del desplazamiento (r,s) este
factor es constante, por lo que B puede ser ignorado par a la
minimización de la expresión.
C(r,s) corresponde a la llamada correlación cruzada entre I(x,y) y
R(i,j). Dicha correlación cruzada se define como:
Debido a que las imágenes I(x,y) y R(i,j) son consideradas cero
sin sus dimensiones, la ecuación puede reformularse como:
La correlación es fundamentalmente la misma
operación que la convolución excepto que en la
convolución el kernel de la operación se
encuentra invertido sobre si mismo.
También es posible aplicar la correlación
cruzada normalizada para minimizar el efecto
en los cambios de intensidad de pixeles.
BIBLIOGRAFIA
• Procesamiento digital de imágenes usando MATLAB
y SIMULINK, Cuevas,Zaldivar y Pérez,
• Digital Imaging Processing Using MATLAB, Gonzalez
y Wood
• Apuntes de Visión Artificial, Platero
• Curso de Visión Artificial, Universidad Rey Juan
Carlos