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, 2ª Edición, 2002. (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- PrenticeHall, 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 (I)
• En muchos problemas prácticos de V.A. existe la necesidad
detomar decisiones sobre el contenido 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 regionesresultantes de la
segmentación de una imagen se pueden reconocer los objetos
presentes en ella).
Introducción (II)
• 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 atransformaciones geométricas). No hay reglas
exactas para 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 usode
modelos y técnicas de Inteligencia Artificial
Introducción (III)
• Ejemplo :
Clase Agujeros Trazos Centro
BA
‘A’
Vectores de características
(patrones)
2
1
(1/3,1/2)
‘X’
Clases
(1/3,1/2)
0
2
(1/2,1/2)
‘W’
Patrones
3
‘B’
XW
1
0
4
(1/3,1/2)
Características (clases)
Fronteras de clases
Un modelo general declasificador (I)
f1(x,K)
x1
x2
f2(x,K)
Comparar
y decidir
C(x)
xd
fm(x,K)
Vector de
características
x=[x1,x2,..,xd]
Cálculo de distancias o
probabilidades
Resultado de la
clasificación
Un modelo general de clasificador (II)
• Las funciones discriminantes fi(x,K) realizan alguna operación
sobre el vector de características x del objeto usando un cierto
conocimiento Kconseguido tras el entrenamiento, y pasan los
resultados a una etapa final que determina la clase asignada.
• Existen m clases: 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 ysu
número no se conocen (se van definiendo conforme avanza la
clasificación).
• El error de clasificación es una medida de cómo funciona el
clasificador (problemas de falsos positivos y falsos negativos).
Características discriminantes (I)
Aspectos generales
• Para poder realizarse la clasificación o reconocimiento
automático de objetos es necesario definir una transformación que...
Regístrate para leer el documento completo.