Clasificadores

Tema 5. Reconocimiento de patrones
• Introducción al reconocimiento de patrones y a la clasificación de formas • Un modelo de general de clasificador • Características discriminantes • Tipos de clasificación • Clasificadores basados en distancias • Clasificadores bayesianos • Clasificadores (redes) neuronales • Support Vector Machines (SVM) • Análisis de Componentes Principales (PCA). •Algoritmos de agrupamiento (clustering) • Otros aspectos sobre reconocimiento de patrones

Bibliografía
BÁSICA: • R.C. González y R.E. Woods, Digital Image Processing, Addison Wesley, 3ª Edición, 2008. (cap. 12) • Vélez et al., Visión por Computador, Ed. Dyckinson – Serv. Publ. URJC, 2003. (cap. 5) • A. de la Escalera, Visión por computador: Fundamentos y métodos, Pearson- Prentice Hall, 2001. (caps.4 y 5) COMPLEMENTARIA: • M. Sonka et al., Image Processing, Analysis, and Machine Vision, PWS Publishing, 1999. (cap. 7) • L.G. Shapiro y G.C. Stockman, Computer Vision, Prentice Hall, 2001. (cap. 4) • D.A. Forsyth y J. Ponce. Computer Vision. A Modern Approach, Pearson, 2003. (cap. 22)

Introducción
• En muchos problemas prácticos de V.A. existe la necesidad de tomar decisiones sobre elcontenido de una imagen o sobre la clasificación de los objetos contenidos en ella. • Clasificar (o reconocer) significa asociar a clases (o prototipos) una serie de elementos (u objetos). Esta asociación se realiza en base a las características o propiedades de los objetos. • Etapa final del análisis de imágenes (a partir de características extraídas de las regiones resultantes de la segmentación deuna imagen se pueden reconocer los objetos presentes en ella).

Introducción
• La características de las regiones u objetos segmentados se representan usando vectores de características normalizados. • Las características usadas para el reconocimiento deben ser cuidadosamente seleccionadas (p. ej. elección de características invariantes a transformaciones geométricas). No hay reglas exactaspara descubrir el mejor conjunto de características. • Reconocer o clasificar no son tareas fáciles: las clases pueden no estar correctamente definidas, la información sobre los objetos a clasificar puede ser incompleta. • Métodos de clasificación diferentes → clasificaciones diferentes. • La interpretación de de imágenes (o escenas) requiere el uso de modelos y técnicas de Inteligencia ArtificialIntroducción
• Ejemplo :
Clase Agujeros Trazos Centro

BA
XW

‘A’ ‘B’ ‘X’ ‘W’

1 2 0 0

3 1 2 4

(1/3,1/2) (1/3,1/2) (1/2,1/2) (1/3,1/2)

Patrones

Clases

Características (clases)

Vectores de características (patrones)

Fronteras de clases

Un modelo general de clasificador
f1(x,K)

f2(x,K)
x x1 x2 ………. xd

Comparar y decidir

C(x)

fm(x,K) Vector decaracterísticas x=[x1,x2,..,xd]T Cálculo de distancias o probabilidades Resultado de la clasificación

Un modelo general de clasificador
• Las funciones discriminantes fi(x,K) realizan alguna operación sobre el vector de características x del objeto usando un cierto conocimiento K conseguido tras el entrenamiento, y pasan los resultados a una etapa final que determina la clase asignada. • Existen mclases: C1, C2, …, Cm-1, Cm conocidas. Se suele añadir una clase de rechazo Cr (Cr=Cm) para los objetos que no se pueden colocar en ninguna de las clases conocidas. • En los métodos de clasificación supervisados se conocen de antemano las clases, en los no supervisados las clases y su número no se conocen (se van definiendo conforme avanza la clasificación). • El error de clasificación es unamedida de cómo funciona el clasificador (problemas de falsos positivos y falsos negativos).

Características discriminantes
Aspectos generales
• Para poder realizarse la clasificación o reconocimiento automático de objetos es necesario definir una transformación que convierta a un objeto del universo de trabajo en un vector X cuyas N componentes se llaman características discriminantes o rasgos....