68 lines
3.4 KiB
Markdown
68 lines
3.4 KiB
Markdown
|
# Strukturní metody rozpoznávání
|
||
|
|
||
|
Strukturní popisy rozpoznávaných objektů
|
||
|
- primitiva
|
||
|
- vlastnosti primitiv
|
||
|
- relace mezi primitivy
|
||
|
- prostorové
|
||
|
- časové
|
||
|
- funkční
|
||
|
|
||
|
Vytvořený symbolický popis - obraz vystihuje (popisuje) strukturní vlastnosti objektu.
|
||
|
|
||
|
Strukturní popisy (obrazy)
|
||
|
- řetězec symbolů označující primitiva
|
||
|
- relační struktura
|
||
|
- graf (obecný, speciální, ...)
|
||
|
|
||
|
Strukturní popisy objektů (= slova) příslušejících do téže třídy tvoří jazyk třídy.
|
||
|
|
||
|
Rozpoznávání strukturně popsaných objektů = **rozhodnutí**, zda vytvořený strukturní popis objektu (slovo) **je slovem** (frází) **jazyka příslušné třídy**.
|
||
|
|
||
|
Výhody strukturních metod rozpoznávání:
|
||
|
- invariantní na pozici a natočení obrazu
|
||
|
- méně složité popisy u složitých objektů
|
||
|
|
||
|
**Tvorba strukturních popisů**
|
||
|
1. nalézt všechna primitiva a přiřadit jim prvky nosiče struktury
|
||
|
2. každému prvku struktury přiřadit vlastnost (unární relaci) označenou jménem (symbolem) odpovídajícího primitiva
|
||
|
3. určit vztahy mezi primitivy (binární relace), čímž vytvoříme relační strukturu
|
||
|
4. doplnit případnou informaci číselné povahy (vytvoříme sémantickou informaci, popř. sémantický vektor)
|
||
|
|
||
|
**Extrakce primitiv, vytváření strukturních obrazů**
|
||
|
1. počet typů (druhů) primitiv i relací (vztahů) mezi nimi by měl být co nejmenší
|
||
|
2. primitiva by měla odpovídat základním (přirozeným) strukturním elementům objektu, jimiž lze objekt vyčerpávajícím způsobem popsat; přitom primitiva musejí být snadno extrahovatelná a klasifikovatelná (nejčastěji některou příznakovou metodou)
|
||
|
3. nalezení (určení) primitiv a relací mezi nimi (způsob nalezení, algoritmus, …) by mělo být algoritmicky co nejjednodušší
|
||
|
|
||
|
**Příklady**
|
||
|
- extrakce primitiv Freemanovým kódem (směrová růžice)
|
||
|
- rozpoznávání geometrických objektů
|
||
|
|
||
|
# Příznakové metody rozpoznávání
|
||
|
|
||
|
Obrazy objektů jsou reprezentovány vektory příznaků $x$, **zařazování obrazů do tříd** se nazývá **klasifikace** deterministickým nebo stochastickým rozhodovacím pravidlem ve tvaru $\omega = d(x)$, resp. $\omega = d(x, q)$, kde
|
||
|
- $x$ je klasifikovaný obraz objektu,
|
||
|
- $q$ je vektor nastavení klasifikátoru.
|
||
|
|
||
|
**Dělení**
|
||
|
- klasické statistické metody rozpoznávání založené na použití tzv. diskriminačních funkcí (Fisher) nebo pravděpodobnostech příslušnosti ke klasifikačním třídám (Bayes)
|
||
|
+ metody založené na strojovém učení (učení z příkladů)
|
||
|
+ učení s učitelem (supervised learning)
|
||
|
+ učení bez učitele (unsupervized learning)
|
||
|
+ metody založené na použití umělých neuronových sítí, tzv. neuronové klasifikátory
|
||
|
|
||
|
**Klasifikátor s diskriminační funkcí**
|
||
|
- pro každou třídu určíme diskriminační funkci
|
||
|
- pro všechny obrazy patřící do $r$-té třídy musí platit
|
||
|
- $g_{r}(x) > g_{s}(x), r\neq s$
|
||
|
- rozhodovací pravidlo
|
||
|
- $\omega_{r} = \max(g_{s}(x))$
|
||
|
|
||
|
**Klasifikátor na principu kritéria minimální vzdálenosti**
|
||
|
- porovnávání klasifikovaných obrazů se vzorovými obrazy - tzv. etalony
|
||
|
- neznámé obrazy klasifikujeme stejně jako nejbližší klasifikované
|
||
|
|
||
|
**Kritérium minimální chyby** (Bayesův klasifikátor)
|
||
|
- pro úlohy s neoddělitelnými (prolínajícími se) třídami obrazů
|
||
|
- příslušnost k dané třídě lze určit jen s určitou pravděpodobností
|