classificação de imagens
DESCRIPTION
Classificação de Imagens. IF 133. Por que e para que?. Classificar é transformar dados em informação Imagens em mapas Números em rótulos Objetivo primário da análise de dados Permite reduzir o volume de dados e aumentar a quantidade de informação Operação de visão computacional. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/1.jpg)
Classificação de Imagens
IF 133
![Page 2: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/2.jpg)
Por que e para que?Classificar é transformar dados em informação
Imagens em mapasNúmeros em rótulos
Objetivo primário da análise de dadosPermite reduzir o volume de dados e aumentar a quantidade de informaçãoOperação de visão computacional
![Page 3: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/3.jpg)
Classificação
![Page 4: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/4.jpg)
AbordagensSegundo a intervenção do usuário:
Com treinamento – supervisionadoSem treinamento – sem supervisão
Segundo a modelagemCom modeloSem modelo
Segundo a abordagemEstatísticaMorfológicaAd hoc etc.
![Page 5: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/5.jpg)
Máxima VerossimilhançaO rei dos métodos estatísticosRequer modelagem e treinamentoPresente em todos os sistemas profissionais de análise de imagensÉ um processo de estimação
O valor observado é comparado com modelosEscolhe-se a classe na qual o valor é mais verossímil
![Page 6: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/6.jpg)
Modelagem
2
11,N
2
22,N
![Page 7: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/7.jpg)
Treinamento
87,325ˆ ,32,94ˆ
,,2
11
2
11
N
1
222
102.1ˆ ,47,1ˆ
,,por asubstituíd ,
N
![Page 8: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/8.jpg)
Regra de classificação MV
![Page 9: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/9.jpg)
Resultado
![Page 10: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/10.jpg)
Qualidade do ResultadoNem sempre satisfatório, logo…Verificar as hipótesesRefinar o treinamentoRefinar o modelo
Classes não descritasCorrelação entre dadosCorrelação entre classes
![Page 11: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/11.jpg)
Melhorando a classificação
![Page 12: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/12.jpg)
Classificação MVGMáxima Verossimilhança Gaussiana
O imperador dos métodosSupõe dados independentes e obedecendo leis Gaussianas
Dados 1D: intervalos de decisãoDados nD: regiões de decisão
![Page 13: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/13.jpg)
MVG - 1D
2
2
2
)(exp
2
1)(
i
i
i
i
xxf
ji
xfxfCx jii
)()( se
![Page 14: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/14.jpg)
MVG-nD
![Page 15: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/15.jpg)
Regiões de DecisãoRetasParábolasHipérboles
![Page 16: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/16.jpg)
Método do ParalelepípedoSupervisionado, com modelo, ad hocMais simplesAs amostras induzem paralelepípedos no espaçoEsses paralelepípedos determinam regiões de decisãoRápido, pouco interpretável, bom para primeira tentativa
![Page 17: Classificação de Imagens](https://reader035.vdocuments.pub/reader035/viewer/2022070403/568139e2550346895da1998a/html5/thumbnails/17.jpg)
PeculiaridadesNão necessariamente particiona o espaçoPode induzir inconsistências ou indecisões