RECONOCIMIENTO DE PATRONES Domingo Mery Capítulo 1 Material de apoyo DEPARTAMENTO DE CIENCIA DE LA COMPUTACIÓN – UNIVERSIDAD CATÓLICA DE CHILE (2006)

Presentación del tema: "RECONOCIMIENTO DE PATRONES Domingo Mery Capítulo 1 Material de apoyo DEPARTAMENTO DE CIENCIA DE LA COMPUTACIÓN – UNIVERSIDAD CATÓLICA DE CHILE (2006)"— Transcripción de la presentación:

1 RECONOCIMIENTO DE PATRONES Domingo Mery Capítulo 1 Material de apoyo DEPARTAMENTO DE CIENCIA DE LA COMPUTACIÓN – UNIVERSIDAD CATÓLICA DE CHILE (2006)

2 Ejercicio en grupo En este ejercicio deberán identificar los objetos que están dentro de la bolsa de plástico. Por favor anote sus respuestas y una vez que pase a la siguiente Parte del ejercicio no cambie sus respuestas anteriores. Sea lo más específico que pueda en la identificación (ej: "hoja de eucalipto", en vez de "hoja de un árbol"). PARTE 1: SIN ABRIR LA BOLSA Mantenga la bolsa cerrada y use sólo las manos para tratar de identificar los objetos que están dentro de la bolsa: ¿Cuántos objetos hay? ¿Qué son los objetos? PARTE 2: CON LA BOLSA ABIERTA Y LOS OJOS CERRADOS Abra la bolsa e introduzca una mano (por favor cierre los ojos, sin hacer trampa!!!) y trate de identificar los objetos que están dentro de la bolsa. ¿Cuántos objetos hay? ¿Qué son los objetos? PARTE 3: VACIANDO LOS OBJETOS SOBRE LA MESA Saque con cuidado todos los objetos de la bolsa y póngalos encima de la mesa. Use los ojos y trate de identificar los objetos de la bolsa. ¿Cuántos objetos hay? ¿Qué son los objetos?

3 Un ejemplo práctico ¿cómo separar las mandarinas de las naranjas?

4 Un ejemplo práctico Medición del tamaño es una buena alternativa: (las mandarinas son más pequeñas) Área = 15.457 pixeles Área = 18.583 pixeles

5 Un ejemplo práctico Recolección de información: Naranja-0119.327Mandarina-0113.221 Naranja-0218.265Mandarina-0214.987 Naranja-0317.456Mandarina-0315.321 Naranja-0419.341Mandarina-0415.987 Naranja-0516.342Mandarina-0516.345 Naranja-0616.987Mandarina-0615.965 Naranja-0717.001Mandarina-0716.341 :19.056: Naranja-7515.900Mandarina-5013.439

6 Un ejemplo práctico Histogramas: área mandarinas naranjas 8.000 10.000 12.000 14.000 16.000 18.000 20.000

7 Un ejemplo práctico Línea de decisión: área mandarinas naranjas 8.000 10.000 12.000 14.000 16.000 18.000 20.000 naranjamandarina pixeles

8 Un ejemplo práctico La separación es buena pero no es perfecta

9 Un ejemplo práctico Línea de decisión: área mandarinas naranjas 8.000 10.000 12.000 14.000 16.000 18.000 20.000 naranjamandarina pixeles ¿Y si las mandarinas son mucho más caras que las naranjas? ?????

10 Un ejemplo práctico Línea de decisión: área mandarinas naranjas 8.000 10.000 12.000 14.000 16.000 18.000 20.000 naranjamandarina pixeles ¿Y si las mandarinas son mucho más caras que las naranjas?

11 Un ejemplo práctico Todas las mandarinas son clasificadas perfectamente … pero el costo es que hay varias naranjas mal clasificadas

12 Un ejemplo práctico Línea de decisión: área mandarinas naranjas 8.000 10.000 12.000 14.000 16.000 18.000 20.000 naranjamandarina pixeles ????? ¿Y si hay muchas más naranjas que mandarinas (y valen lo mismo)?

13 Un ejemplo práctico Línea de decisión: área mandarinas naranjas 8.000 10.000 12.000 14.000 16.000 18.000 20.000 naranjamandarina pixeles ¿Y si hay muchas más naranjas que mandarinas (y valen lo mismo)?

14 Un ejemplo práctico Todas las naranjas son clasificadas perfectamente … pero el costo es que hay varias mandarinas mal clasificadas

15 Un ejemplo práctico ¿Cómo mejorar el desempeño? Medición del color es una segunda alternativa: Verde = 23.6% Verde = 46% (las naranjas son más verdes)

16 Un ejemplo práctico Recolección de información: Naranja-0141.3Mandarina-0123.6 Naranja-0239.8Mandarina-0230.1 Naranja-0336.5Mandarina-0337.1 Naranja-0444.6Mandarina-0417.9 Naranja-0541.2Mandarina-0519.7 Naranja-0644.9Mandarina-0630.5 Naranja-0744.4Mandarina-0735.4 :: Naranja-7538.7Mandarina-5033.6

17 Un ejemplo práctico Histogramas: verde mandarinas naranjas 15 20 25 30 35 40 45%

18 Un ejemplo práctico Histogramas: verde mandarinas naranjas 15 20 25 30 35 40 45% naranjamandarina

19 Un ejemplo práctico Uso de dos características: verde área naranja mandarina

20 Un ejemplo práctico Uso de dos características: área verde

21 Un ejemplo práctico Uso de dos características: área verde

22 Un ejemplo práctico Uso de dos características: área verde SOBREENTRENAMIENTO!!

23 Diseñar un clasificador que separa las Y de la T. Use la siguiente transparencia para el entrenamiento y las sub-siguientes para las pruebas. Un ejemplo práctico

24 Y Y Y Y Y T T T T T T entrenamiento

25 Y T y t y T A X pruebas

26 T Y pruebas

27 Definiciones Procesamiento de imágenes: [+] Proceso mediante el cual se toma una imagen y se produce una versión modificada de esta imagen.

28 Definiciones Procesamiento de imágenes: [+] Proceso mediante el cual se toma una imagen y se produce una versión modificada de esta imagen.

29 Definiciones Análisis de imágenes: [+] Proceso mediante el cual a partir de una imagen se obtiene una medición, interpretación o decisión. La pieza tiene 7 fallas

30 Definiciones Análisis de imágenes: Interpretación El objeto es... Pre- procesamiento Adquisición Segmentación Imagen binaria camara objeto S R G B Medición. Area17.5 cm 2. Perimero15.1 cm. Rojo0.80. Verde0.65 Azul0.31 :

31 Definiciones Reconocimiento de patrones: [+] Asignación de objetos (patrones) a diferentes clases a partir de mediciones de los objetos. RITMO CARDIACO = 165 ppm EDAD = 45 años SEXO = F ALERTA = ON

32 Definiciones Computación gráfica: [+] Generación computacional de imágenes a partir de modelos.

33 Definiciones Computación gráfica: [+] Generación computacional de imágenes a partir de modelos. Depth map Simulation

34 Definiciones [+] Disciplina que desarrolla sistemas capaces de interpretar el contenido de escenas naturales. Visión por Computador:

35 Definiciones Adquisición de imagen Fotografía Rayos X Termografía objeto Restauración Filtros Segmentación Extracción de características Selección de características Detección Clasificación Mediciones Interpretación Procesamiento de imágenes Análisis de imágenes Sistema de Visión por Computador:

36 Definiciones objeto Matching Tracking Reconstrucción 3D (Calibración) Adquisición de imagen Fotografía Rayos X Termografía Restauración Filtros Segmentación Extracción de características Selección de características Detección Clasificación Mediciones Interpretación Procesamiento de imágenes Análisis de imágenes Análisis multi-vista Resultado Sistema de Visión por Computador: