descritores de cor

Extração de Características

Aprendizagem de MáquinaMestrado/Doutorado em Informática 2009

Alceu S. Britto Jr.Alessandro L. Koerich

Definição

• Característica: variável ou atributo utilizado na descrição de um padrão.

• Padrão:– Exemplo: objeto, comportamento, situação, ...

• Descrição:– Exemplo: padrão carro (dados de uma instância): azul escuro, 2 portas, 6

cilindros, 5 passageiros, ...

• Variáveis: assumem número particular de valores com possibilidade de assumir valores diferentes para cada instância. – Neste exemplo: características: cor, número de portas, número de cilindros,

número máximo passageiros.

Escala das Variáveis

• Nominal: valores não numéricos e não ordenados.– Exemplo: cor e modelo do carro.

• Ordinal: Valores não numéricos e ordenados. Uma instância pode apresentar valor comparativamente maior do que uma outra.– Exemplo: Faixa Etária: Jovem, Adulto, Idoso.

• Intevalar: Valores numéricos. Existe não apenas uma ordem entre os valores, mas também existe diferença entre esses valores.– Exemplo: Temperatura em Graus Celsius (o zero é relativo).

Escala das Variáveis

• Proporcional: Valores numéricos. Além da diferença, tem sentidocalcular a proporção entre valores (zero é absoluto).– Exemplo: Peso, Altura, etc.

Tipos de Variáveis

• Variáveis qualitativas: Escalas nominais ou ordinais.

• Variáveis quantitativas: Escalas intervalares e proporcionais.

• Variáveis dicotômicas: Exemplo: Sexo (M,F).

• Variáveis binárias: 0s ou 1s: 0 em geral indicam ausência de propriedade. Exemplo: Possui casa (Sim/Não).

• Variáveis discretas: Exemplo: Idade.

• Variáveis contínuas: Exemplo: Distância.

Variáveis com Valores Ausentes ou Inaplicáveis

• Valores Ausentes: ausente no conjunto de dados mas existenteno contexto em que a medida foi realizada. Numa base de dados eles são indicados por valores negativos ou nulos em atributos numéricos. Em atributos não numéricos por brancos ou traços. As vezes são indicados por uma mesma constante.

• Valores Inaplicáveis: ausente e inexistente no contexto em que a medida foi realizada.– Exemplo: Sexo = Masculino e Número de Partos = null, Sexo =

Feminino e Número de Partos = 0

• A diferenciação entre valores ausentes e valores inaplicáveis éimportante, mas ainda não se dispõe de técnicas automáticas para fazer isso.

Pré-Processamento

• Extração de características normalmente exige um etapa de pré-processamento dos dados.

• Necessidade de pré-processamento: dados podem estar “sujos”

– Incompletos: Ausência de atributos de interesse

– Ausência de valores

– Ruidosos: Erros aleatórios ou valores aberrantes (outliers)

– Inconsistentes: discrepâncias nas codificações ou nos nomes

Pré-Processamento

• Limpeza dos dados: preencher dados ausentes, “alisar” ruído, identificar e/ou remover valores aberrantes, resolver inconsistências.

• Integração e transformação de dados: integração de múltiplas bases de dados e arquivos;

• Normalização e agregação: redução de dados e do volume de dados com resultados similares;

• Discretização e Construção de Hierarquias Conceituais: importante para dados numéricos.

• Eliminação de características redundantes: através de técnicas de seleção de características (filter ou wrapper-based).

Pré-Processamento: Exemplo

• Tratamento de Dados Ausentes– Ignorar a descrição do indivíduo ou mesmo eliminar o descritor; – Preencher os valores ausentes manualmente;– Usar uma constante global para representar os valores ausentes

(não recomendado, pois o sistema pode identificar esse valor como um conceito);

– Usar a média (ou o modo);– Usar a média (ou o modo) por classe– Usar o valor mais provável segundo um modelo (regressão, regra de

Bayes, árvores de decisão)


• Mudança de Escala: Muitos modelos só se aplicam à variáveis de mesma escala

• Problema: Perda de informação na mudança de escala– Distinção entre objetos de uma mesma categoria.– Amplitude da diferença entre objetos de categorias diferentes.

Ex: Idade O = [0, 150]0-20: jovem; 20-60: adulto; >60: idosoO’={jovem, adulto, idoso}

Intervalar OrdinalIntervalar Ordinal


• Tratamento de Ruído (erro aleatório ou variabilidade presente em descritores) ->

• Alisamento (Suavização) ou Regressão• Alisamento (Suavização): distribuir dados ordenados em caixas

tendo como referência os seus vizinhos• Ordenação: 1, 1, 2, 3, 3, 3, 4, 5, 5, 7• Particionamento em “caixas”• Alisamento pela mediana• Outras alternativas: média, freqüência, ...• Regressão: os dados podem ser alisados pelo ajustamento a uma

função (regressão linear, por exemplo);


x

y

y = x + 1

X1

Y1

Y1’


• Clustering: detecção e remoção de valores aberrantes. Os valores são organizados em grupos; os valores isolados podem ser considerados aberrantes (outliers).

• Normalização: minimiza problemas oriundos do uso de unidades e dispersões distintas entre as variáveis. As variáveis podem ser normalizadas segundo a amplitude ou segundo a distribuição.

• Algumas ferramentas de modelagem são beneficiadas com aNormalização (redes neurais, KNN, clustering).

Métodos de Extração de Características

• A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos.

• Reconhecimento de objetos ou padrões contidos em uma cena: é preciso a definição de um método de extração de características.

• Conceito: Um métodos de extração de características determina um subespaço apropriado de dimensionalidade m (conjunto contendo m características) a partir de um espaço de dimensionalidade d (a cena), sendo (m <=d) (Jain et al, 2000).


• Importância: A definição do método de extração de características é um dos fatores mais importantes para a construção de um sistema de visão ou reconhecimento de padrões. O desempenho de um sistema de visão estádiretamente relacionado ao poder de discriminação do conjunto de características escolhido.

• As características devem destacar a diferenças entre objetos de classes distintas (interclasses) e minimizar possíveis diferenças de objetos de mesma classe (intraclasse).


• Desafio: Quais características, como representá-las, como definí-las de maneira confiável?– Normalmente, as características são calculadas em imagens

bidimensionais, contudo estão relacionadas a objetos tridimensionais.

• Tipos de características: Jain et al (1995) classificam as características normalmente utilizadas em sistemas de visão, como: – Características Globais: descritores obtidos com base em todos os

pontos de uma região, sua localização, intensidade e relações espaciais. Exemplos: área, perímetro, descritores de Fourier e momentos (por exemplo: Hu e Zernike).


– Características Locais: normalmente calculadas a partir do contorno de um objeto ou a partir de pequenas regiões na imagem. Curvatura de contorno ou superfície, segmentos de contorno, código de cadeia, detecção de cantos e concavidades são exemplos de características locais.

– Características Relacionais: posições relativas de entidades diferentes como regiões, contornos fechados, transições, concavidades, ou qualquer outra característica local. Distâncias entre características e medidas de orientação relativa.


• Exemplo um objeto e sua representação parcial usando múltiplas.

Tipos de Características

• Descritores de Forma (Shape)– Características relacionadas a forma normalmente são extraídas a partir da imagem

binarizada do objeto.

• A descrição da forma deve ser invariante a: – translação– escala– rotaçãopois essas transformações não mudam a forma do objeto.

• Em Loncaric 1998 a avaliação dos descritores de forma utilizados em um sistema de visão deve seguir os seguintes critérios:– Acessibilidade: deve ser fácil de calcular;– Escopo: quantas classes de formas podem ser descritas;– Unicidade:mapeamento 1-1 entre forma e descritor;– Estabilidade e sensibilidade:quão sensível é o descritor à pequenas mudanças no

objeto.

Descritores de Forma (Shape)

Representação das características extraídas: a) nós e ligações no esqueleto; b) representação da estrutura do esqueleto


• Contorno + Esqueleto

– Objeto original; – Imagem distância; – Imagem esqueleto distância 3 pixels; – Imagem esqueleto distância 10 pixels.


Informação extraída a partir de contorno/esqueleto


Esqueletos dos dígitos 5 e 4 divididos em 9 regiões – possibilidades – extração de características como: cruzamentos(X, T, ...), pontos de fim, loops,

concavidades, etc... + informação espacial (zoning).


• Curvaturas

Aproximação poligonal (polylines) e função de ajuste (acumulo dos ângulos).


• Curvaturas

Curvaturas obtidas a partir do contorno e após redução de mudanças (ruídos) na curvatura


• Código de Cadeia (Chain Code)

(a) Contorno; (b) Código de cadeia; (c) Histograma direcional


• Perfil (Profile)

Para cada valor de y, o perfil esquerdo (direito) é o x mais a esquerda (direita) no contorno do caractere


• Superfície (Surface)

Exemplo superfície analisada por regiões em imagem tons de cinza: (a) imagem original; (b) análise da superfície por regiões.


• Projeções

Histograma vertical e horizontal - acúmulo de pixels pretos por coluna (linha)


• Momentos

Linha 1-2: Imagem entrada e momentos de Zernike ordem 1-13.Linha 3-4: Imagem de entrada e imagens reconstruídas a partir do

momentos de Zernike ordem 1-13, respectivamente.


• Descritores de Fourier

Reconstrução dígito 4 a partir dos descritores de Fourier ordem 1..10, 15, 20, 30, 40, 50 e 100.

Descritores de Cor

• Cor

Sistema de representação: RGB (Red, Green, Blue) – componentes altamente correlacionadas.

Descritores de Cor

• Cor

Sistema de representação: HSV (Hue, Saturation, Intensity) – componentes descorrelacionadas

Descritores de Cor

• Redução de Cores

Descritores de Cor

• Histogramas

– Vetor [h1, ..., hn] onde cada hj contém a quantidade de pixels de cor jda imagem.

– Para comparação de histogramas:

Descritores de Cor

• Representação Espacial

– Exemplos de quantidade iguais e distribuição espacial diferentes.

– Divisão em Regiões

Textura

• Importância: a textura tem sido utilizada em muitas aplicações de visão:– Inspeção de superfície;– Classificação de cena;– Orientação de superfície;– Determinação da forma em imagens 3D.

• Definição: repetição de padrões de variação local em imagem de intensidade, as quais são muito pequenas para serem consideradas como objetos em separado na resolução em uso.

Textura

• Desta forma, um conjunto conectado de pixels satisfazendo um dada propriedade nível de cinza (intensidade) e que ocorre repetidamente in uma região da imagem constitui uma região de textura.

• A textura não pode ser definida por um ponto, pois esta é caracterizada pela distribuição espacial dos níveis de cinza em uma vizinhança.

• A resolução na qual a imagem é observada determina a escala na qual a textura é percebida.

• Desafio: representar a textura de forma invariante à escala e orientação.

Textura

• Descritores de Textura– Embora existam vários espaços de percepção de textura que

capturam a forma humana de percebê-la, o mapeamento para características computacionais ainda está em estudo.

– Na literatura a textura tem sido definida segundo 6 características visuais:

• Acabamento (coarseness)• Contraste• Direção• Semelhança com linha (line-likeness)• Regularidade• Aspereza

Textura

• Descritores Estatísticos– Co-ocorrência de níveis de cinza, contraste, entropia e

homogeneidade.

– Matriz co-ocorrência:

Textura

– Entropia (desordem)

– Energia

– Contraste

– Homogeneidade

∑∑−i j

jiPjiP ),(log),(

∑∑−i j

jiP ),(2

∑∑ −−i j

jiPji ),()( 2

∑∑ −+−

i j jijiP

1),(

Textura

– Descritores baseados em modelos• Um modelo de textura é inicialmente definido e então seus parâmetros

são estimados. (HMM).

Textura

• Métodos Estruturais– Determina-se a forma e propriedades da primitiva básica

(microtextura) e então as regras que governam a disposição desta forma básica são determinadas para formar macrotexturas.

• Descritores Baseados em Fourier

a) textura estruturadab) textura direcionalc) textura granulard) textura aleatória.

Textura

• Descritores Baseados em Wavelet

Métodos Extração de Características: Exemplos

• Exemplo: Método de extração de característica a partir de caracteres manuscritos– Características complementares:

foreground + background,coluna + linha,globais + locais


• Exemplo: Reconhecimento de face

Seleção de Características

• Identificar o melhor subconjunto de características para representar um padrão a partir de um conjunto maior freqüentemente redundante e/ou apresentando características irrelevantes.

• Objetivos:– minimizar o erro do classificador– minimizar o número de características.

• Métodos de seleção devem avaliar não somente as características segundo seus méritos individuais mas considerar interações entre características

Seleção de Características

• Abordagens

– Filter: seleção realizada independentemente do classificador

– Wrapper: seleção com base nos resultados do classificador

– Modified-wrapper: seleção com base nos resultados do classificador, porém sem a necessidade de re-treinamento (caso da análise sensitiva em redes neurais)

descritores de cor

Documents