Rozpoznawanie obrazów - wnioskowanie z informacji obrazowej
Systemy rozpoznawania obrazów a UM
Róznice w stosunku do podejscia uczenia
Wnioskowanie z informacji obrazowej
maszynowego (UM):
Rozpoznawanie obrazów
inne zadania: rozpoznawanie, detekcja,
identyfikacja, lokalizacja, opis sceny
koniecznosc utworzenia (zwiezlej i informatywnej)
reprezentacji obrazu
innymi slowy: selekcja i konstrukcja cech w UM jest
opcja; w RO jest koniecznoscia
inne rozlozenie akcentów w interpretacji decyzji i
ocenie klasyfikatora (trafnosc klasyfikowania
zazwyczaj nie wystarczy)
czesto: wymagana praca ciagla, aspekt czasu
1 © Krzysztof Krawiec IDSS sroda, 24 marca 2004 2 © Krzysztof Krawiec IDSS sroda, 24 marca 2004
Podloze historyczne Klasyfikacja metod RO
Glówne aspekty:
Podzial ze wzgledu na sposób analizy
zawartosci obrazu:
pozyskiwanie danych,
reprezentacja danych,
" globalne  przetworzenie i analiza obrazu obrazu
podejmowanie decyzji.
jako calosci,
" lokalne  przetworzenie i analiza obrazu skupia sie
na jego fragmentach,
Istotne zdarzenia:
 Rozwód rozpoznawania obrazów i sztucznej
inteligencji (w tym m.in. uczenia maszynowego) w
latach 60-tych.
Daleko posunieta specjalizacja badan
prowadzonych na potrzeby poszczególnych
zastosowan.
3 © Krzysztof Krawiec IDSS sroda, 24 marca 2004 4 © Krzysztof Krawiec IDSS sroda, 24 marca 2004
1
Rozpoznawanie obrazów - wnioskowanie z informacji obrazowej
Klasyfikacja metod RO Klasyfikacja metod RO
Podzial ze wzgledu na metode podejmowania Podzial ze wzgledu na obecnosc modulu
decyzji: ekstrakcji cech/opisu:
" wektorowe,
bezposrednie,
wnioskowanie odbywa sie bezposrednio na
" strukturalne:
podstawie informacji obrazowej; brak wyraznie
" relacyjne.
wydzielonej reprezentacji wewnetrznej obrazu.
" lingwistyczne (syntaktyczne)  wykorzystuja metody
posrednie (niebezposrednie),
bazujace na gramatykach formalnych, moga
obraz sprowadzany jest do pewnej postaci
wykorzystywac gramatyki:
" drzewowe, posredniej (np. wektor cech); wnioskowanie
" lancuchowe,
odbywa sie na podstawie tej reprezentacji.
" grafowe,
[Tadeusiewicz 1975]
5 © Krzysztof Krawiec IDSS sroda, 24 marca 2004 6 © Krzysztof Krawiec IDSS sroda, 24 marca 2004
Podejscia bezposrednie Podejscia niebezposrednie
Obraz Obraz
(przetworzony) (przetworzony)
Przyklady: Przykladowe reprezentacje
posrednie obrazu:
sieci neuronowe,
wektor cech,
niektóre podejscia
Rozpoznawanie Obliczenie cech
algebraiczne (np. SVD),
lista obiektów i ich cech,
niektóre zastosowania SVM
graf przyleglosci obszarów,
Rozpoznanie
Zalety: Reprezentacja obrazu
(Decyzja)
Zalety:
modulowa konstrukcja
prostota,
mozliwosc wykorzystania
narzedzi UM Modul rozpoznajacy
Wady: (klasyfikator)
Wady:
wiekszy naklad pracy,
ograniczona stosowalnosc
Rozpoznanie
(raczej male obrazy i
problemy z doborem
nieskomplikowane obiekty).
reprezentacji obrazu. (Decyzja)
7 © Krzysztof Krawiec IDSS sroda, 24 marca 2004 8 © Krzysztof Krawiec IDSS sroda, 24 marca 2004
2
Rozpoznawanie obrazów - wnioskowanie z informacji obrazowej
Podejscia niebezposrednie  uwagi Klasyfikacja metod RO
Podzial ze wzgledu na charakter modulu Ze wzgledu na sposób wnioskowania:
rozpoznajacego:
" rozpoznawanie oparte na cechach
(ang. feature-based):
1. skonstruowany recznie, lub
wnioskowanie odbywa sie na podstawie cech
2. pozyskany automatycznie (np. z przykladów 
obliczonych z obrazu,
klasyfikator),
" rozpoznawanie oparte na modelu
(ang. model-based):
W wielu odpowiedzialnych zastosowaniach
wnioskowanie odbywa sie poprzez  konfrontacje z
podejscie (1) nadal dominuje, np.
wzorcem (prototypem, modelem) , np. przez
Machine Vision
porównanie lub pomiar podobienstwa,
9 © Krzysztof Krawiec IDSS sroda, 24 marca 2004 10 © Krzysztof Krawiec IDSS sroda, 24 marca 2004
Rozpoznawanie oparte na cechach Rozpoznawanie oparte na modelu
Utworzenie Utworzenie
Nauczony Funkcja
reprezentacji reprezentacji
decyzja decyzja
klasyfikator podobienstwa
obrazu obrazu
Baza
reprezentacja (obraz) wejscia reprezentacja (obraz) wejscia
modeli
w przestrzeni cech w przestrzeni modeli
Funkcja podobienstwa = funkcja przynaleznosci
11 © Krzysztof Krawiec IDSS sroda, 24 marca 2004 12 © Krzysztof Krawiec IDSS sroda, 24 marca 2004
3
Rozpoznawanie obrazów - wnioskowanie z informacji obrazowej
Cechy a modele  uwagi Klasyfikacja metod RO
Granica pomiedzy tymi podejsciami jest plynna. Wiekszosc
Podzial ze wzgledu na stosowana funkcje
tych klasyfikatorów UM, które przechowuja wiedze o klasach
przynaleznosci:
decyzyjnych (a nie o granicach pomiedzy nimi), moze byc
" podejscia z gotowa funkcja przynaleznosci,
widziana jako podejscie model-based. Przyklad: klasyfikator
minimalnoodleglosciowy, siec neuronowa typu RBF,
" podejscia wykorzystujace uczenie do wyksztalcenia
klasyfikator Bayesowski.
funkcji przynaleznosci,
Przestrzenie modeli: wektory cech, reprezentacje relacyjne,
Np.
reprezentacje grafowe, &
" modyfikowanie miary podobienstwa (np. uczenie
Metody oparte na modelu sa szczególnie przydatne gdy:
wag w odleglosciach edycyjnych),
liczba rozpoznawanych kategorii jest duza (np. identyfikacja)
" w przypadku rozpoznawania 3D nawet niewielka liczba kategorii
moze wymagac podejscia opartego na modelu (widoki),
rozpoznanie wymaga analizy struktur,
pozadana jest jawna reprezentacja wiedzy która jest w
posiadaniu systemu rozpoznajacego.
13 © Krzysztof Krawiec IDSS sroda, 24 marca 2004 14 © Krzysztof Krawiec IDSS sroda, 24 marca 2004
Klasyfikacja metod RO Klasyfikacja metod RO
Podzial ze wzgledu na wzajemne relacje W przypadku rozpoznawania obiektów 3D
przeplywu danych i przeplywu sterowania. rozpatruje sie podzial na:
rozpoznawanie  sterowane obrazem (ang. image- rozpoznawanie skupione na obiekcie (ang. object-
driven), centered recognition)
Znam (lub zakladam ze znam) model
rozpoznawanie  sterowane modelem (ang. model-
rozpoznawanego obiektu i zastanawiam sie czy
driven).
mógl on  wygenerowac taki widok.
podejscia hybrydowe: (wielokrotne) stawianie
rozpoznawanie skupione na widoku (ang. view-
hipotez odnosnie zawartosci obrazu i ich
centered recognition)
weryfikacja.
Analizuje widok (najczesciej rozkladajac go na
czesci) i z otrzymanej dekompozycji wnioskuje o
rozpoznawanym obiekcie).
15 © Krzysztof Krawiec IDSS sroda, 24 marca 2004 16 © Krzysztof Krawiec IDSS sroda, 24 marca 2004
4
Rozpoznawanie obrazów - wnioskowanie z informacji obrazowej
Zasada póznej interpretacji (wiazania) Inne podzialy
(ang. principle of least commitment) Proces rozpoznawania moze byc postrzegany jako
(potencjalnie równolegle) wieloetapowe wnioskowanie, na
które skladaja sie pewne akcje, z ewentualnymi lokalnymi
Algorithms should avoid making crisp decisions as long as
 petlami (wielokrotne stawianie hipotez i weryfikowanie
possible, since it is very difficult (if not impossible) to recover
ich).
from a wrong crisp classification (Marr 1982)
Akcje ukierunkowane (lokalne sprzezenie zwrotne w
Algorytmy powinny odwlekac podejmowanie jakosciowych
procesie rozpoznawania)
decyzji tak dlugo jak to sie tylko da.
detekcja
dopasowanie
Szczególnie istotne dla algorytmów/podejsc
przetwarzajacych dane w sposób wieloetapowy, w
Akcje nieukierunkowane (brak sprzezenia zwrotnego)
szczególnosci: rozpoznawanie obrazów.
polepszanie jakosci
filtrowanie
Marr, D. (1982) Vision, W.H. Freeman, San Francisco, CA.
17 © Krzysztof Krawiec IDSS sroda, 24 marca 2004 18 © Krzysztof Krawiec IDSS sroda, 24 marca 2004
5