3.4 KiB
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
- nalézt všechna primitiva a přiřadit jim prvky nosiče struktury
- každému prvku struktury přiřadit vlastnost (unární relaci) označenou jménem (symbolem) odpovídajícího primitiva
- určit vztahy mezi primitivy (binární relace), čímž vytvoříme relační strukturu
- doplnit případnou informaci číselné povahy (vytvoříme sémantickou informaci, popř. sémantický vektor)
Extrakce primitiv, vytváření strukturních obrazů
- počet typů (druhů) primitiv i relací (vztahů) mezi nimi by měl být co nejmenší
- 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)
- 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