„Graphische Datenverarbeitung und Bildverarbeitung“ Hochschule Niederrhein
Merkmale und Klassifikation
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
1
Einordnung in die Inhalte der Vorlesung • • • •
Einführung mathematische und allgemeine Grundlagen Hardware für Graphik und Bildverarbeitung Graphische Grundalgorithmen (Zeichnen graphischer Primitive, Methoden für Antialaising, Füllalgorithmen) • Bildaufnahme (Koordinatensysteme, Transformation) • Durchführung der Bildverarbeitung und -analyse • • • • • •
Fourier Transformation Bildrestauration Bildverbesserung (Grauwertmodifikation, Filterverfahren) Segmentierung Morphologische Operationen Merkmalsermittlung und Klassifikation
• Erzeugung von Bildern in der Computergraphik • • • • • •
Geometrierepräsentationen Clipping in 2D und 3D Hidden Surface Removal Beleuchtungsberechnung Shading Schattenberechnung
• Volumenrendering als Beispiel für die Nutzung beider Gebiete Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
2
Wiederholung wichtiger Begriffe • Erosion und Dilatation • Opening und Closing • Hit-or-Miss-Operatoren
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
3
16.1 Merkmale Die Klassifikation in Bildern erfolgt anhand von Merkmalen Merkmale können sein: -
Eigenschaften des Bildpunktes
-
Eigenschaften von Segmenten
Bildpunkt
Bounding Box eines Segments
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
4
Entwurf eines Erkennungssystems Aufgabe: Einteilung der Segmente eines Bildes in Klassen Problemanalyse
Merkmalsauswahl
Auswahl des Klassifikationsverfahrens
Qualitätsanalyse
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
5
Merkmale Merkmal: Skalar, das einen bestimmten Aspekt des Segments beschreibt • Merkmale des Segmentinneren • Merkmale des Segmentrandes • Merkmale über Abhängigkeiten zwischen benachbarten Segmenten Merkmalsvektor: lineare Anordnung von n quantitativen Merkmalen m = ( m1 , m2 ,.., mn )T Merkmalsraum: Zuordnung jedes Merkmals zu einer Achse des m n-dimensionalen Raumes 2
m = ( m1 , m2 , m3 )
m3
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
m1
6
Anforderungen an die Merkmale • Gute Unterscheidungsmöglichkeiten • Hohe Zuverlässigkeit • Unabhängigkeit • Geringe Anzahl Gewinnung von Merkmalen häufig heuristisch mit anschließender systematischer Auswahl geeigneter Merkmale Nutzung von normierten Merkmalen
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
7
Postulate der numerischen Klassifikation • Es steht eine repräsentative Stichprobe zur Verfügung. • Ein Muster besitzt Merkmale, die für seine Zugehörigkeit zu seiner Klasse charakteristisch sind. • Die Merkmale bilden für Muster einer Klasse einen einigermaßen kompakten Bereich im Merkmalsraum. Die Bereiche verschiedener Klassen sind getrennt.
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
8
16.2 Merkmale von Bildpunkten • Grauwerte, Farbwerte • Interessant für Segmentierung in mehrkanaligen Bildern, z.B. bilden Farbkanäle einen dreidimensionalen Merkmalsraum
Originalbild
Blauer Kanal
Grüner Kanal
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
9
16.3 Merkmale von Segmenten Grauwertmerkmale: mittlerer Grauwert, Streuung der Grauwerte, minimaler und maximaler Grauwert Texturmerkmale: Merkmale aus der Co-Occurence-Matrix, Merkmale aus dem Frequenzspektrum
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
10
Merkmale von Segmenten Einfache Formbasierte Merkmale: Flächeninhalt F, Umfang U, Ausdehnung des Segmentes entlang seiner Hauptachsen, Größe des kleinsten umschließenden Rechtecks, Flächendifferenz zwischen der Segmentfläche und ihrer konvexer Hülle, Kreisähnlichkeit ( (4Fπ)/U2)
Längste Diagonale
Bounding Box
Differenz zur konvexen Hülle
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
11
Merkmale von Segmenten Kettencode:
Berechnung von Krümmungsmerkmalen
Relativer Kettencode: Abweichung der Richtung um ein Vielfaches von 45° im Uhrzeigersinn (-) oder entgegengesetzt (+)
Fourierdeskriptoren:
− 2πi 1 L −1 L −1 an = x e ∑ m L − 1 m=1 nm
rn =
an + bn 2
2
− 2πi 1 L −1 L −1 bn = y e ∑ m L − 1 m=1 r wn = n r1 nm
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
12
Merkmale von Segmenten Topologische Merkmale: Sie ändern sich auch dann nicht, wenn sich die Form des Objekt verändert, solange es nicht „zerrissen“ oder „geklebt“ wird. Beispiele: • Anzahl der Löcher L • Anzahl C der verbundenen Teile eines Objekts • Eulerzahl: E=C-L
E=0 E=-1
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
13
16.4 Welche Merkmale sind geeignet? Merkmale dienen der Unterscheidung zwischen unterschiedlichen Segmenten. • Falls möglich, sollten Merkmale aus den vermuteten Objekteigenschaften abgeleitet werden. • Wenn n Objekttypen unterschieden werden sollen, dann muß das mdimensionale Histogramm des Merkmalsraums wenigstens n unterscheidbare Häufungspunkte enthalten. • Aus der Nähe im Merkmalsraum sollte auf Ähnlichkeit der Objekte geschlossen werden. • Die Unterscheidbarkeit nach Merkmalswerten nimmt nicht ab, wenn die Dimension des Merkmalsraums erweitert wird. • Je weniger Merkmale zur Unterscheidung notwendig sind, desto effektiver wird die Entscheidungsfindung sein.
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
14
16.5 Dimensionsreduktion im Merkmalsraum Klassifikation wird aufwendiger, je größer die Dimension des Merkmalsraumes ist. Vorhandene Information durch den höherdimensionalen Merkmalsraum wird reduziert Wann kann auf diese Information verzichtet werden? Wenn die Klassifizierung auch nach der Reduktion möglich ist.
Durchschnittliche Abweichung von der Richtung der größten Ausdehnung des Merkmals
Gesucht: • Richtung der größten Ausdehnung • durchschnittliche Abweichung davon
Kovarianz im Merkmalsraum
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
15
Kovarianzmatrix im Merkmalsraum Die Kovarianzmatrix C ist eine quadratische, symmetrische Matrix bestehend aus allen Varianzen und Kovarianzen zwischen Vektoren m(x1,...,xn) im n-dimensionalen Merkmalsraum: c11 C= cn1
c12 ... ... ... cnn
1 ⋅ ∑ (mi − mi )(m j − m j ) i, j M 1 M = ∑ mik mi k M =0
cij =
M: Anzahl der Trainingsdaten i,j: betrachtetes Merkmal Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
16
Eigenvektoren und Eigenwerte der Kovarianzmatrix Eigenvektoren e und Eigenwerte λ einer Matrix M sind diejenigen, für die gilt:
r r Me = λ e
r r ⇔ (M − λI )e = 0 ⇒ det (M − λI ) = 0
m1 Die Eigenwerte beschreiben die Varianz der Werte entlang der jeweiligen Achse Sortierung nach der Größe
Die zu den Eigenwerten korrespondierenden Eigenvektoren der Kovarianzmatrix beschreiben in absteigender Reihenfolge eine Reihe von senkrecht aufeinander stehenden Achsen durch den Schwerpunkt des Systems
m0
Karhunen-Loeve-Transformation Hauptachsentransformation Hotelling-Transformation
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
17
Hauptachsentransformation Praktische Berechnung: 1. Berechnung der Kovarianzmatrix C der Merkmalsvektoren m der Testdaten 2. Berechnung der Eigenwerte λ und Eigenvektoren e von C 3. Umordnen der Eigenwerte, so dass gilt: λ 0 ≥ λ 1 ≥ ... ≥ λ N −1 gleichfalls Umordnung der Matrix E der Eigenvektoren e 4. Falls ein Eigenwert λn =0 ist, kann die betreffende Hauptachse gestrichen werden. Falls ein Eigenwert λn nahe Null liegt, kann sie unter Informationsverlust gestrichen werden 5. Berechnung der neuen unkorrelierten Merkmale:
r r munkorr = mkorr ⋅ E
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
18
Hauptachsentransformation Resultat der Hauptachsentransformation: Dimensionsreduktion, Dekorrelation der Merkmale m2
mneu2
m1
Achtung!
mneu1
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
19
16.6 Merkmalsbasierte Klassifikation 30 25 20 Häufigkeit
15
10
5 0
Fläche
0
500
1000
1500
2000
Annahme: Wenn die Merkmale von Objekten aus unterschiedlichen Klassen sich unterscheiden, dann sollte dies im Merkmalsraum sichtbar sein Klassifikation: Entscheidungsfunktion auf den Merkmalsvektoren D(m1,...,mn) = i
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
20
Merkmalsbasierte Klassifikation Mehrdimensionaler Merkmalsraum 30
Zweidimensionale Verteilung
25 20
0 ,8
Häufigkeit
15
10
0
Fläche
0
500
1000
1500
2000
30
25
Exzentrizität
0 ,6
5
0 ,4
0 ,2
Häufigkeit
20 15
0
10 5 0
Fläche
0
Exzentrizität
0
0 ,2 .2
0 ,4 .4
0 ,6 .6
0 ,8 .8
1
200
400
600
800
1000
1200
Ziel: Cluster identifizieren, in denen sich die Merkmalsverktoren einzelner Klassen befinden
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
21
Varianten eines Klassifizierungssystems bekannte Stichprobe oder Clusteralgorithmus
unbekannter Merkmalsvektor
t Realisierungen ki der Klassen Ki, i=0,..,t-1
Verbesserung von kj
Minimum-Distance Bayes‘scher Klassifikator neuronale Netze ... ... Klassifizierung
zur Klasse Kj
Strategien der numerischen Klassifikation: • • • •
fest dimensionierte überwachte Klassifikation fest dimensionierte unüberwachte Klassifikation überwacht lernende Klassifikation unüberwacht lernende Klassifikation Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
22
16.6.1 Quadermethode Direkter Weg für zweidimensionale Merkmalsräume:
0 ,6 Exzentrizität
Die Grenzen der Cluster um ein Clusterzentrum werden interaktiv bestimmt.
0 ,8
0 ,4
0 ,2 Fläche
0 0
200
400
600
800
1000
1200
Linsen Pfeffer Sonnenblumenkerne
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
23
Quadermethode Sonnenblumenkerne
Linsen
Pfeffer
sonstiges Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
24
16.6.2 Minimum-Distanz-Klassifikator 0,8
Exzentrizität
0,6 0,4 0,2 Fläche
0 0
200
400
600
800
1000
1200
Jeder Merkmalsvektor wird demjenigen Cluster zugeordnet, zu dessen Zentrum er am nächsten liegt.
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
25
Algorithmus Gegeben: klassifizierte Stichprobe Vorgehensweise: 1. Berechne die Klassenmittelpunkte im Merkmalsraum für alle in der Stichprobe vorkommenden Klassen. 2. Berechne für zu klassifizierende Objekte anhand des ermittelten Merkmalsvektors den Abstand zu allen Klassenmittelpunkten. 3. Ordne das Objekt der Klasse zu, zu der der kürzeste Abstand auftrat.
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
26
16.6.3 kNN-Klassifikation (k-Nearest Neighbour Classification) Gegeben: klassifizierte Stichprobe Regel:
Ordne das Muster der Klasse zu, zu der sein nächster Nachbar auch gehört bzw. die Mehrzahl seiner k nächsten Nachbarn
Vorteil: Man erhält im allgemeinen relativ komplizierte nichtlineare Trennflächen Nachteil:hoher Speicher und Berechnungsaufwand kNN - Klassifikator
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
27
16.6.4 Klassifikationsfehler Merkmal 2
Merkmal 1
• •
Fehler 1. Art: Bereich, der zum Muster gehört, aber nicht in der Stichprobe erfaßt wurde Fehler 2. Art: Bereich, der nicht zum Muster gehört, aber in der Stichprobe erfaßt wurde Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
28
16.6.5 Clustering durch Agglomeration (Bottom-up, Merging) Annahmen: Die Anzahl der Cluster ist nicht bekannt. Distanz zum Cluster-Zentrum soll minimiert werden Gesucht:
Anzahl der Cluster und Lage der Cluster-Zentren
1. Schritt:
Jeder Merkmalsvektor bildet das Zentrum eines Clusters 2. Schritt: Suche die beiden am dichtesten liegende Clusterzentren und vereinige die beiden Cluster. Berechne ein neues Clusterzentrum
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
29
Clustering durch Agglomeration Wiederhole Schritt 2 solange, bis nur noch ein Cluster übrigbleibt. Speichere die Zusammenfassung der Cluster in einem Baum
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
30
Clustering durch Agglomeration Hierarchisches Clustering Verfahren: Auswahl der Anzahl der Cluster durch Wahl der Hierarchiestufe Resultat der vorletzten Stufe der Clustering-Hierarchie
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
31
16.6.6 Divisives Clustering Verfahren (Top-down, Splitting)
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
32
16.6.7 Partitional Clustering Annahmen:
Die Anzahl der Cluster ist in der Regel bekannt. Distanz zum Cluster-Zentrum soll minimiert werden
Gesucht:
Lage der Cluster-Zentren (kein Aufbau einer Hierarchie)
Initialisierung: Cluster-Zentren setzen (beliebig oder anhand von identifizierten Segmenten/Pixeln Iterationsschritt: Berechne für jeden Merkmalsvektor das am dichtesten liegende Clusterzentrum, klassifiziere es entsprechend, berechne neue Clusterzentren. Abbruchbedingung: keine Neu- oder Umklassifizierungen beim Iterationsschritt
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
33
Zusammenfassung Klassifikation •
Ziel einer Klassifikation ist die Zuordnung von Bedeutung anhand ausgewerteter Merkmale Quader-Methode, Minimum-DistanzKlassifikation, kNN-Klassifikation
•
Die Klassifikation ist umso einfacher, je geringer die Anzahl der Merkmale ist
•
Eine Merkmalsreduktion kann mit Hilfe der Karhunen-Loeve-Transformation erfolgen, wobei zu beachten ist, daß nur die Repräsentation aller Klassen, nicht aber die Trennbarkeit der Klassen optimiert wird.
•
Die Zuordnung nach Klassen kann auch durch einer Cluster-Analyse erfolgen.
•
Cluster sind Gebiet im Merkmalsraum, in denen eine Häufung von Merkmalsvektoren vorliegt.
•
Clustering-Verfahren können (müssen aber nicht) die Kenntnis der Anzahl der Klassen voraussetzen.
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
34
Stufen der Bildverarbeitung
Graphische DV und BV, Regina Pohle, 16. Merkmale und Klassifikation
35