Você está na página 1de 51

Aula 8 - Reconhecimento e

Interpretao

Prof. Adilson Gonzaga

1
Elementos de Viso Computacional:

Processamento de Baixo Nvel Processamento de


Viso Processamento de Nvel Intermedirio Imagens
Computacional
Processamento de Alto Nvel

2
Elementos de Viso Computacional:
As linhas tracejadas mostram que a diviso no rgida:

Ex: Limiarizao - pode ser usada tanto para melhoramento da Imagem


(pr-processamento) como para segmentao.

3
Padres:
 Um Padro uma descrio quantitativa ou estrutural de um
objeto ou alguma outra entidade de interesse em uma Imagem.

 Um Padro formado por um ou mais descritores.


Os descritores so tambm chamados de caractersticas.

 O ato de gerar os descritores que caracterizam um objeto ou


partes de uma imagem chamado de
Extrao de Caractersticas.

 Uma Classe de Padres uma famlia de padres que


compartilham algumas propriedades comuns e so denotadas
como w1, w2, w3, ......wM onde M o nmero de classes.

4
Arranjos de Padres:

Vetores (descries quantitativas)

Cadeias e rvores (descries estruturais)

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)

Caractersticas a serem utilizadas:


(largura e comprimento de suas ptalas)

 Uma vez que um conjunto de medidas


tenha sido selecionado, um vetor de x1
x=
caractersticas torna-se a representao x2
completa de cada amostra fsica.
6
Cada flor do conjunto de amostras de flores, um ponto no espao
euclidiano bi-dimensional.

7
Seleo das Caractersticas:
 No exemplo anterior, as caractersticas comprimento e largura das
ptalas permitiram separar bem apenas a classe das Iris Setosa.

 A Seleo das Caractersticas que geraro o Vetor de Caractersticas,


possui uma influncia profunda no desempenho de um sistema de Viso
Computacional.

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:

A cada intervalo dado por 1 , 2 , L n


Gerar os Vetores de Caractersticas:
x1 = r (1 )
Esses vetores tornam-se pontos no
x2 = r ( 2 ) espao n-dimensional, e as Classes de
M Padres nuvens de n dimenses.

xn = r ( n ) 9
 Outra soluo seria calcular os Momentos de cada pea e
gerar o Vetor de Caractersticas com os m primeiros
momentos.

 As Caractersticas a serem selecionadas podem gerar o


Vetor de Caractersticas atravs de diversas tcnicas como
por exemplo:
Momentos
Nmero do Formato
Descritores Topolgicos
outros....

 Geralmente a utilizao de caractersticas geradas por


diferentes metodologias, tornam o Reconhecimento
facilitado.

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.

 Representaes por Cadeias geram padres cujas estruturas


baseiam-se em conectividade de primitivas, usualmente associadas com a
forma da fronteira.

Exemplo:

Uma escada pode ser descrita como


uma cadeia de smbolos: w = ... abababab...
11
Mtodos de Deciso:

Funes de Deciso ou Funes Discriminantes.

Seja x=(x1,x2,......xn)T um Vetor de Caractersticas n-dimensional


e w1,w2,.....wM M Classes de Padres.

O Reconhecimento de Padres consiste em encontrar as M


funes de deciso d1(x), d2(x), .....dM(x) tal que:

Se o padro x pertencer classe wi , ento:

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:

A Fronteira que separa duas classes wi e wj dada pelos


valores de x para os quais di(x) = dj(x) , ou seja:

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

Ou seja, se dij(x) > 0 o padro pertence classe wi e se


dij(x) < 0 o padro pertence classe wj

13
Classificador de Distncia Mnima:

 Uma Classe de Padres pode ser representada por um


vetor prottipo (ou mdio).

1
mj =
Nj
x
xw j
j = 1,2,...., M

 Uma maneira de definir a pertinncia de um Vetor de


Caractersticas (x) desconhecido, atribu-lo classe de seu
prottipo mais prximo.

Distncia euclidiana: D j ( x) = x m j j = 1,2,.....M

Onde: a = (a a )
T 1/ 2
a norma euclidiana.

x wi se Di ( x) for a menor distncia


14
Classificador de Distncia Mnima:

Isso equivale a avaliar as funes:

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.

 A Fronteira de Deciso entre as classes wi e wj para o


Classificador de Distncia Mnima :
d ij = d i ( x) d j ( x) =
1
x (mi m j ) (mi m j )T (mi m j ) = 0
T

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.

Qualquer padro desconhecido x pode ser classificado observando-se


o sinal de d12
d12(x) < 0 --- Classe w2

d12(x) > 0 --- Classe w1


18
Classificador Bayesiano:
Um problema envolvendo duas classes de padres governadas
por densidades gaussianas, com mdias m1 e m2 e desvios
padro 1 e 2 respectivamente, pode ser resolvido usando-se
as funes de deciso na forma:
d j ( x) = p ( x / w j ) P( w j ) =
1 ( x m j )2
exp P( w j ) j = 1,2
2 j 2 j
2

A fronteira entre as
classes o ponto x0

w2 w1 19
Outros Classificadores:

 Classificadores por Redes Neurais Artificiais

 Classificadores por Lgica Nebulosa (Fuzzy Sets)

20
Cluster Analysis: ( Anlise de agrupamentos)

um mtodo de Estatstica Multivariada que


identifica grupos em um grande nmero de
objetos, baseado em suas caractersticas.

Similarmente Anlise Discriminante, cada objeto


tem mltiplas caractersticas que podem ser
expressas como um vetor X = (x1, x2, .xp)
com valores que variam de objeto para objeto.

O Objetivo principal da Anlise de Agrupamentos


identificar objetos similares baseada em suas
caractersticas.

21
Cluster Analysis: ( Anlise de agrupamentos)

Cluster analysis agrupa objetos similares em grupos tal que


os objetos dentro de um grupo so similares e objetos entre os
diferentes grupos so significativamente diferentes em suas
caractersticas.

Diferentemente da Anlise Discriminante onde o nmero de


grupos e seus nomes so conhecidos previamente, na Anlise
de Agrupamentos o nmero de grupos e suas caractersticas
so desconhecidas antes da anlise.

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:

Passo 1: Selecionar as Variveis de Agrupamento e a Medida de


Distncia.

Passo 2: Selecionar o algoritmo de Agrupamento (Hierrquico ou


no-hierrquico)

Passo 3: Realizar a Anlise de Agrupamento.

Passo 4: Interpretar os Agrupamentos.

24
Medidas de Similaridade : Distncias

Distncia Euclidiana (DE):

dik  DE entre o objeto i e o objeto k (Vetor i e Vetor k)

A escala numrica das variveis pode variar


significativamente.

No Exemplo:

25
Distncia Euclidiana Normalizada: (Distncia de Pearson)

Se no se deseja que dados com maiores valores dominem o


resultado, deve-se normalizar a escala.

Cada dado xij deve ser normalizado para zij:

Onde: a Mdia de cada caracterstica

o Desvio Padro das caractersticas

Logo, a Distncia Euclidiana Normalizada (Distncia de Pearson)


entre cada Vetor (i e k) ser:

26
Matriz de Distncias:

As Distncias entre cada objeto, ou melhor, entre todos os


Vetores de toda a populao de Vetores de Caractersticas,
podem ser colocadas em uma Matriz de Distncia para a anlise.

Distncia Manhattan ou Distncia City Block:

Distncia Manhattan ou Distncia City Block Normalizada:

27
Diferena entre a Distncia Manhattan e a Distncia
Euclidiana:

28
Diferena entre Agrupamentos e Mtodo de Ligao:

Em Cluster Analysis desejvel que as distncias entre os


Vetores(objetos) dentro de um cluster (grupo) sejam
pequenas e que as distncias entre diferentes clusters sejam
grandes.

A Distncia entre os grupos depende da relao definida entre eles.

Esta relao chamada de Mtodo de Ligao (Linkage Method)


29
Mtodo de Ligao Simples.

A distncia entre dois grupos


(clusters) definida como a
Distncia entre os Vizinhos mais
Prximos.

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:

A distncia entre dois grupos


(clusters) definida como a
Distncia entre os Vizinhos mais
Distantes.

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:

A distncia entre dois grupos


(clusters) definida como a
A Mdia de todas as distncias
entre os dois grupos.

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:

A distncia entre dois grupos


(clusters) definida como a
A distncia entre os Centros
Gravitacionais de cada grupo.

Sejam os grupos: R
com nR objetos e S com
nS objetos:

A coordenada do Centro de Gravidade de cada Grupo ser:

Logo, a Distncia Euclidiana entre os dois grupos ser:

33
Similaridade:

Similaridade a diferena entre dois objetos (vetores) ou entre


dois Grupos de Objetos (clusters).

Quanto maior a Similaridade menor a distncia entre eles.

Dados dois objetos xr e xs , a Similaridade dada por Srs e


obedece s seguintes condies:

34
Similaridade:

A medida de Similaridade pode ser dada por:

Onde, dmax a Mxima Distncia na Matriz de Distncias D.

Uma outra maneira de medir a Similaridade atravs da


Correlao de Momentos do Produto de Pearson

35
Agrupamento Hierrquico

Agrupamento Hierrquico (Hierarchical clustering) uma maneira


de investigar o agrupamento dos dados, simultneamente em
vrias escalas, atravs da gerao de uma rvore de Grupos
(Cluster Tree).

A rvore de Grupos no apenas um simples conjunto de


grupos, mas uma Hierarquia em multi-nvel onde grupos em um
nvel so unidos a grupos em um prximo nvel mais alto.

Isto permite decidir qual nvel ou escala de agrupamento


mais apropriada para cada aplicao.

36
Agrupamento Hierrquico
O nmero de Agrupamentos (clusters) e quais so eles
desconhecido.

Usa a Matriz de Distncias para construir um grfico de rvore


de Grupo chamado de Dendrograma.

Algoritmo:

1. Considerar inicialmente todos os elementos (Vetores/Objetos)


individuais como um cluster formado por ele mesmo.
2. Combinar em um cluster dois objetos com a menor distncia.
3. Computar as distncias entre os objetos e o novo cluster
formado.
4. Repetir o processo at que o nmero de clusters seja
reduzido a 1.
5. Decidir o nmero de grupos para solucionar o problema. 37
Exemplo de Anlise atravs de Agrupamento Hierrquico:

Comportamento do tempo em uma cidade Norte-americana no ms de


Fevereiro entre os anos de 1982 e 1990

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:

Passo 1 : Encontrar a menor distncia e criar um novo cluster.

Menor distncia  entre o


objeto(Vetor) 3 e o 6

Combinar o objeto 3 e o 6
em um nico cluster.

Passo 2 : Atualizar as distncias.

Foi utilizado o Mtodo de


Ligao Simples.

39
Exemplo de Anlise atravs de Agrupamento Hierrquico:

Passo 3 : Repetir os Passos 1 e 2 estabelecendo um Dendrograma.

40
Exemplo de Anlise atravs de Agrupamento Hierrquico:

Observando-se o Dendrograma pode-se decidir que 4 clusters


solucionam o problema, ou seja, cortando-se o grfico na distncia
1.818 tem-se os clusters: (2 e 4) (1,3, 6, 7 e 8) (9) (5)

41
Exemplo de Anlise atravs de Agrupamento Hierrquico:

Utilizando a Similaridade ao invs da Distncia, pode-se


agrupar os vetores atravs do ndice de similaridade entre eles.

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)

Cluster 2: (5) (1986) 


Fevereiro frio e com neve

Cluster 3: (9) (1990) 


Fevereiro quente e chuvoso

43
Agrupamento No-Hierrquico.
No mtodo de Agrupamento No-hierrquico o analista deve
primeiramente especificar o nmero de clusters desejados.

Mtodo K-Means (K-Mdias)

Passo 1: Especificar inicialmente k sementes cada uma delas como


um cluster. Calcular seus centrides.

Passo 2: Calcular a distncia de cada objeto (Vetor) para o centride


de cada cluster. Atribuir o objeto ao cluster mais prximo. Re-atribuir
se necessrio.

Passo 3: Recalcular o centride baseado nas re-atribuies e repetir o


Passo 2. Parar se nenhum objeto puder ser re-atribudo a um cluster.

44
Agrupamento No-Hierrquico.

Algumas dificuldades com o K-Means.

1. A composio dos grupos muito sensvel s sementes iniciais.


Para diferentes sementes pode-se ter diferentes tipos de clusters.
No h garantia que convirja para uma soluo tima.

2. Algumas vezes difcil escolher um bom nmero de grupos antes


de analisar os dados.

Pode-se combinar os mtodos hierrquicos e


no-hierrquicos para identificar as sementes e o
nmero de grupos. Os resultados podem ento ser
usados no agrupamento no-hierrquico para
refinar a soluo.

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

0 1 3.61 5 C 1 = (1,1) grupo _ 1 Iterao 0.


D =
0

1 0 2.83 4.24 C 2 = ( 2,1) grupo _ 2
Distncias Euclidianas
A B C D
D( A, C1) = (11) + (11) = 0
2 2

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

D ( D, C 2 ) = (5 2)2 + (4 1)2 = 9 + 9 = 18 = 4.24


48
Exemplo: K-Means (K-Mdias)
G0 = Matriz de Grupos na iterao 0.
0 1 3.61 5
D0 =
1 0 2.83 4.24
Observando-se a Matriz de
1 0 0 0 Grupo_1 = (A) Distncias D0, atribui-se o valor 1 na
G =
0

0 1 1 1 Grupo_2 = (B C D) Matriz de Grupos G0 posio de


menor distncia de cada objeto.
A B C D

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.

0.5 0.5 3.2 4.61


D =
2

4.3 3.54 0.71 0.71
A B C D
1 2 4 5 X
4 Y
1 1 3
1 1 0 0
G 2
=
0 0 1 1 C1 = (1.5 1)
C2 = (4.5 3.5)

Como G2 = G1 os objetos no mais se movero entre os


grupos, logo a partio que agrupa os Produtos Similares :

Grupo_1 = (A B)
Grupo_2 = (C D)
51