Escolar Documentos
Profissional Documentos
Cultura Documentos
Interpretao
1
Elementos de Viso Computacional:
2
Elementos de Viso Computacional:
As linhas tracejadas mostram que a diviso no rgida:
3
Padres:
Um Padro uma descrio quantitativa ou estrutural de um
objeto ou alguma outra entidade de interesse em uma Imagem.
4
Arranjos de Padres:
Vetores de Caractersticas:
x1 xi o i-simo descritor
x
x = 2
M n o nmero de descritores ou
caractersticas
xn
5
Exemplo_1:
3 classes
Descrever trs tipos de flores:
w1,w2,w3
( Iris setosa, virginica e versicolor)
7
Seleo das Caractersticas:
No exemplo anterior, as caractersticas comprimento e largura das
ptalas permitiram separar bem apenas a classe das Iris Setosa.
Exemplo_2:
Escolher as caractersticas para o
Vetor de Caractersticas, visando
classificar diversas formas ruidosas
quase-circulares. (Peas com
desgastes ou defeitos)
8
Uma soluo seria utilizar a descrio por Assinatura:
xn = r ( n ) 9
Outra soluo seria calcular os Momentos de cada pea e
gerar o Vetor de Caractersticas com os m primeiros
momentos.
10
Descries Estruturais:
Problemas de reconhecimento em que no apenas as medidas
quantitativas sobre cada caracterstica, mas tambm as relaes espaciais
entre as caractersticas determinam as classes, so geralmente melhor
resolvidos por abordagens estruturais.
Exemplo:
d i ( x) > d j ( x) j = 1,2, K, M ; j i
Ou seja:
x wi se d i ( x) o maior valor
12
Fronteira de Deciso:
d i ( x) d j ( x) = 0
Pode-se identificar a Fronteira de Deciso entre duas classes
atravs da funo:
d ij = d i ( x) d j ( x) = 0
13
Classificador de Distncia Mnima:
1
mj =
Nj
x
xw j
j = 1,2,...., M
Onde: a = (a a )
T 1/ 2
a norma euclidiana.
1 T
d j ( x) = x m j m j m j j = 1,2,....., M
T
2
e atribuir x classe wi se di(x) for o maior valor.
2
n=2 ----- uma reta
n=3 ----- um plano
n>3 ----- hiperplano 15
Exemplo: x1 Vetor desconhecido
x =
x2 a ser classificado
Classe w1
Classe w2
m1=(4.3 , 1.3)T
m2=(1.5 , 0.3)T
16
1 T
d j ( x) = x m j m j m j
T
j = 1,2,....., M
2
1 T 1
d1 ( x) = x m1 m1 m1
T
d 2 ( x) = xT m2 m2T m2
2 2
4.3 1 4.3
(x1 x2 ) (4.3 1.3) =
1.3 2 1.3 d 2 ( x) = 1.5 x1 + 0.3x2 1.17
1
4.3x1 +1.3x 2 (4.3 4.3 + 1.3 1.3) =
2
4.3x1 +1.3x 2 10.09
Equao da Fronteira:
d12 ( x) = d1 ( x) d 2 ( x) =
2.8 x1 + 1.0 x2 8.9 = 0
17
Na prtica, o
classificador de
Distncia Mnima
opera bem quando a
Classe w1 distncia entre as
mdias for grande
em comparao com
a disperso ou
aleatoriedade de
Classe w2 cada classe em
relao sua mdia.
A fronteira entre as
classes o ponto x0
w2 w1 19
Outros Classificadores:
20
Cluster Analysis: ( Anlise de agrupamentos)
21
Cluster Analysis: ( Anlise de agrupamentos)
22
Exemplo: Analisar o Agrupamento de cereais da Tabela de
acordo com suas caractersticas nutricionais.
O nmero de
variveis e
quais sero
selecionadas,
afetaro o
resultado
final.
23
Conjunto de Dados tpicos em Cluster Analysis:
24
Medidas de Similaridade : Distncias
No Exemplo:
25
Distncia Euclidiana Normalizada: (Distncia de Pearson)
26
Matriz de Distncias:
27
Diferena entre a Distncia Manhattan e a Distncia
Euclidiana:
28
Diferena entre Agrupamentos e Mtodo de Ligao:
Exemplo:
A Distncia entre os dois
Cluster 1 grupos (1 e 2) ser:
(Objetos
1,2,3)
Cluster 2
(Objetos
4,5,6) 30
Mtodo de Ligao Completa:
Exemplo:
A Distncia entre os dois
Cluster 1 grupos (1 e 2) ser:
(Objetos
1,2,3)
Cluster 2
(Objetos
4,5,6) 31
Mtodo de Ligao Mdia:
Exemplo:
A Distncia entre os dois
Cluster 1 grupos (1 e 2) ser:
(Objetos
1,2,3)
Cluster 2
(Objetos
4,5,6) 32
Mtodo de Ligao Centride:
Sejam os grupos: R
com nR objetos e S com
nS objetos:
33
Similaridade:
34
Similaridade:
35
Agrupamento Hierrquico
36
Agrupamento Hierrquico
O nmero de Agrupamentos (clusters) e quais so eles
desconhecido.
Algoritmo:
7 Caractersticas
9 Vetores de
Passo 0 : Clculo da Matriz de Distncias Caractersticas
ou Objetos
Distncia Euclidiana
Normalizada
38
Exemplo de Anlise atravs de Agrupamento Hierrquico:
Combinar o objeto 3 e o 6
em um nico cluster.
39
Exemplo de Anlise atravs de Agrupamento Hierrquico:
40
Exemplo de Anlise atravs de Agrupamento Hierrquico:
41
Exemplo de Anlise atravs de Agrupamento Hierrquico:
Similaridade de 80%
5 clusters
42
Exemplo de Anlise atravs de Agrupamento Hierrquico:
Interpretao dos resultados: 75% de
similaridade (3 grupos) Cluster 1: (2,4,1,3,6,7,8)
(1982,1983,1984,1985,1987,
1988,1989) Fevereiro
tpico (no muito frio, no
muito quente, neve e chuva
na mdia)
43
Agrupamento No-Hierrquico.
No mtodo de Agrupamento No-hierrquico o analista deve
primeiramente especificar o nmero de clusters desejados.
44
Agrupamento No-Hierrquico.
45
Exemplo: K-Means (K-Mdias)
K=2
Valores Unidimensionais
Distncias entre cada objeto e as
Mdias (M1 e M2)
Matriz de Distncias
3 1 2 0 2 10 12 9 8 11
M1=1 2 0 1 1 1 9 11 8 7 10
1a. iterao
M2=3 0 2 1 3 1 7 9 6 5 8
5
M 1 = (1 + 2 + 0 + 2 ) / 4 = = 1.25
4
53
M 2 = (3 + 10 + 12 + 9 + 8 + 11) / 6 = = 8.8
6
3 1 2 0 2 10 12 9 8 11
M1=1.25 1.75 0.25 0.75 1.25 0.75 8.75 10.75 7.75 6.75 9.75
2a. iterao
M2=8.8 5.8 7.8 6.8 8.8 6.8 1.2 3.2 0.2 0.8 2.2
M1=1.6 1.4 0.6 0.4 1.6 0.4 8.4 10.4 7.4 6.4 9.4
3a. iterao
M2=10 7 9 8 10 8 0 2 1 2 1 46
Exemplo: K-Means (K-Mdias) Vetores de Caractersticas (X Y)
Valores Bi-dimensionais A = (1 1)
B = (2 1)
C = (4 3)
D = (5 4 )
Centrides Iniciais:
C1 = (1 1)
C2 = (2 1)
47
Exemplo: K-Means (K-Mdias)
D0 = Matriz de Distncias na iterao 0.
Coluna Objeto Linha Distncia ao centride
1 2 4 5 X
1 1 3 4 Y D( B, C1 ) = (2 1)2 + (1 1)2 =1
D(C , C1 ) = (4 1)2 + (3 1)2 = 9 + 4 = 13 = 3.61
D( D, C1 ) = (5 1)2 + (4 1)2 = 16 + 9 = 25 = 5
D( A, C 2 ) = (1 2)2 + (1 1)2 = 1
D ( B, C 2 ) = (2 2)2 + (1 1)2 = 0
D(C , C 2 ) = (4 2)2 + (3 1)2 = 4 + 4 = 8 = 2.83
1 2 4 5 X
1 1 3 4 Y
Iterao 1.
Novos Centrides
C1=(1,1)
2 + 4 + 5 1 + 3 + 4 11 8
C2 = , = , = (3.67 2.67 )
3 3 3 3
C1 = (1,1) grupo _ 1
C 2 = (3.67 , 2.67) grupo _ 2
49
Exemplo: K-Means (K-Mdias)
Iterao 1.
0 1 3.61 5
D =1
3 .14 2.36 0.47 1.89
A B C D
1 2 4 5 X
4 Y
1 1 3 C1 = (1,1) grupo _ 1
1 1 0 0 C 2 = (3.67 , 2.67) grupo _ 2
G 1
=
0 0 1 1
Novos Centrides
Grupo_1 = (A B)
1 + 2 1 + 1
Grupo_2 = (C D) C1 = , = (1.5 1)
2 2
4+5 3+ 4
C2 = , = (4.5 3.5)
2 2
50
Exemplo: K-Means (K-Mdias)
Iterao 2.
Grupo_1 = (A B)
Grupo_2 = (C D)
51