Download - Agrupación de las partes de una imagen de forma homogéneaocw.innova.uned.es/ocwuniversia/tecnologias-del... · Algoritmo NNEjemplo. Algoritmo NN • Consideramos cada píxel como

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

Download - Agrupación de las partes de una imagen de forma homogéneaocw.innova.uned.es/ocwuniversia/tecnologias-del... · Algoritmo NNEjemplo. Algoritmo NN • Consideramos cada píxel como

Top Related