Matematicas

Reconocimiento de Patrones

Autores: José Luis Alba - Universidad de Vigo Jesús Cid - Universidad Carlos III de Madrid Ultima revisión: mayo de 2006

Índice
Introducción
Esquema general del análisis de imágenes Elementos del reconocimiento de patrones

Patrones
Patrones vectoriales Patrones estructurados

Reconocimiento de patrones mediante funciones discriminantes
Elementos Mínimadistancia y Adaptación (Pattern Matching) Clasificadores estadísticamente óptimos Redes Neuronales Artificiales
José Luis Alba - Universidad de Vigo; Jesús Cid - Universidad Carlos III 2

Introducción
Esquema general del análisis de imágenes
Técnicas de nivel intermedio
SEGMENTACIÓN

PREPROCESADO (MEJORARESTAURACIÓN)

EXTRACCIÓN DE CARACTERÍSTICAS

BASE DE CONOCIMIENTO

imagenADQUISICIÓN DE LA IMAGEN

RECONOCIMIENTO CLASIFICACIÓN INTERPRETACIÓN

Técnicas de bajo nivel

Técnicas de alto nivel
3

José Luis Alba - Universidad de Vigo; Jesús Cid - Universidad Carlos III

Elementos del reconocimiento de patrones
Tras los procesos de segmentación, extracción de características y descripción, cada objeto queda representado por una colección (posiblemente ordenada yestructurada) de descriptores, denominada patrón. En los problemas de reconocimiento, cada patrón se supone perteneciente a una categoría o clase, ci El sistema de reconocimiento debe asignar cada objeto (de interés) a su categoría. Reconocimiento o clasificación: proceso por el que se asigna una “etiqueta”, que representa una clase, a un patrón concreto. Clase: conjunto de entidades que compartenalguna característica que las diferencia de otras. Clase de rechazo: conjunto de entidades que no se pueden etiquetar como ninguna de las clases del problema Extractor de características: subsistema que extrae información relevante para la clasificación a partir de las entidades cuantificables Clasificador: subsistema que utiliza un vector de características de la entidad cuantificable y loasigna a una de M clases Evaluación del error de clasificación: “error de clasificación”, “tasa de error empírica”, “tasa de rechazo empírica”, “conjunto de datos independientes”. Falso rechazo (falso negativo) y falsa aceptación (faso positivo): para problemas de 2 clases estas definiciones reflejan la importancia de una decisión contra la opuesta. El sistema de clasificación se puede “sintonizar”para que trabaje ponderando un tipo de error sobre el otro
José Luis Alba - Universidad de Vigo; Jesús Cid - Universidad Carlos III 4

Patrones

Patrones
Para el reconocimiento automático, es importante que
Patrones que describen objetos de una misma clase, presenten características similares. Patrones que describen objetos de diferentes clases presenten características diferenciadas.Vectores: x = (x1, x2,…, xn)T Cadenas Árboles
Extracción + Descripción Extracción + Descripción Extracción + Descripción Extracción + Descripción

Tipos de patrones:

Patrón

Reconocedor
Patrón

Clase 1 Clase 2 Clase 2 Clase 1
5

Reconocedor
Patrón

Segmentador

Reconocedor
Patrón

Reconocedor

José Luis Alba - Universidad de Vigo; Jesús Cid - Universidad Carlos III

Patronesvectoriales
Ejemplo: Clasificación de tipos de Iris (flores).
Tres categorías Patrones bidimensionales
Longitud del pétalo Anchura del pétalo

Los descriptores utilizados sirven para discriminar iris setosa de las otras dos, pero no para discriminar entre iris virginica e iris versicolor
Iris Setosa Iris Versicolor Iris Virginicahttp://www.et.ethz.ch/eTutorials/evim/dateien/u3/irisbilder.htm José Luis Alba - Universidad de Vigo; Jesús Cid - Universidad Carlos III 6

Patrones estructurados
Codifican relaciones (espaciales o de otro tipo) entre componentes del objeto o descriptores. Ejemplo:
Reconocimiento de huellas dactilares
Los algoritmos de reconocimiento suelen basarse en la detección de las minucias (minutiae), las cadenas (ridges) que forman, y su relación entre ellas...