Példák jellemzőkre: - minden pixelérték egy jellemző pl. neurális hálózat esetében csak kis képekre, nem invariáns sem a megvilágításra, sem a geom.

Hasonló dokumentumok
Minták automatikus osztályba sorolása a mintát leíró jellemzők alapján. Típusok: felügyelt és felügyelet nélküli tanuló eljárások

Az objektum leírására szolgálnak. Mire jók? Sokszor maga a jellemző az érdekes: Tömörítés. Objektumok csoportosítására

11. Alakzatjellemzők. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (

6. Modell illesztés, alakzatok

KÉPFELDOLGOZÁS. 10. gyakorlat: Morfológiai műveletek, alakjellemzők

8. Pontmegfeleltetések

Térbeli transzformációk, a tér leképezése síkra

Koordináta-geometria feladatgyűjtemény

Transzformációk síkon, térben

Koordináta-geometria feladatok (emelt szint)

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Transzformációk. Grafikus játékok fejlesztése Szécsi László t05-transform

Él: a képfüggvény hirtelen változása. Típusai. Felvételeken zajos formában jelennek meg. Lépcsős

Egyenes mert nincs se kezdő se végpontja

Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Számítási feladatok a Számítógépi geometria órához

Koordináta-geometria feladatgyűjtemény (A feladatok megoldásai a dokumentum végén találhatók)

BME MOGI Gépészeti informatika 18. Grafika, fájlkezelés gyakorló óra. 1. feladat Készítsen alkalmazást az = +

Egy (k) küszöb esetén [0, 1] intenzitástartományt feltételezve (v 2 v 2 ):

Kétdimenziós alakelemzés. Digitális képelemzés alapvető algoritmusai. Alakelemzés feladatai. Kétdimenziós alakelemzés tárgyai. Csetverikov Dmitrij

Lényege: valamilyen szempont szerint homogén csoportok képzése a pixelekből. Amit már ismerünk:

Transzformációk. Szécsi László

Lineáris algebra zárthelyi dolgozat javítókulcs, Informatika I márc.11. A csoport

Matematika 11 Koordináta geometria. matematika és fizika szakos középiskolai tanár. > o < szeptember 27.

Vektorterek. =a gyakorlatokon megoldásra ajánlott

Geometria 1 összefoglalás o konvex szögek

Koordinátageometriai gyakorló feladatok I ( vektorok )

Láthatósági kérdések

NULLADIK MATEMATIKA ZÁRTHELYI

4. Jellemző pontok kinyerése és megfeleltetése

Képfeldolgozás. 1. el adás. A képfeldolgozás m veletei. Mechatronikai mérnök szak BME, 2008

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Érettségi feladatok Koordinátageometria_rendszerezve / 5

Programozási technológia I. 1. beadandó feladatsor

Koordinátageometria. , azaz ( ) a B halmazt pontosan azok a pontok alkotják, amelynek koordinátáira:

b) Ábrázolja ugyanabban a koordinátarendszerben a g függvényt! (2 pont) c) Oldja meg az ( x ) 2

Intelligens közlekedési rendszerek (ITS)

a b a b x y a b c d e f PSZT/PSZSZT 1.) Az ábrán e, f egyenesek párhuzamosak. Számítsd ki a hiányzó adatokat!

IV. Felkészítő feladatsor

Totális Unimodularitás és LP dualitás. Tapolcai János

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK EMELT SZINT Koordinátageometria

Számítógépes Grafika mintafeladatok

Koordináta geometria III.

VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja

Infobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Megoldások

Példa keresztmetszet másodrendű nyomatékainak számítására

Érettségi feladatok: Koordináta-geometria 1/5

11. gyakorlat Sturktúrák használata. 1. Definiáljon dátum típust. Olvasson be két dátumot, és határozza meg melyik a régebbi.

Robotok inverz geometriája

Digitális képfeldolgozás gyakorlat, Nappali tagozat 2018/2019 őszi félév, Beadandó feladat

0-49 pont: elégtelen, pont: elégséges, pont: közepes, pont: jó, pont: jeles

Írjon olyan programot a standard könyvtár alkalmazásával, amely konzolról megadott valós adatokból meghatározza és kiírja a minimális értékűt!

2. Adott a valós számok halmazán értelmezett f ( x) 3. Oldja meg a [ π; π] zárt intervallumon a. A \ B = { } 2 pont. függvény.

Skaláris szorzat: a b cos, ahol α a két vektor által bezárt szög.

2014/2015. tavaszi félév

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények

Koordináta-geometria feladatok (középszint)

Gráfok, definíciók. Gráfok ábrázolása. Az adott probléma megoldásához ténylegesen mely műveletek szükségesek. Ábrázolások. Példa:

Hajder Levente 2017/2018. II. félév

Robotika. Kinematika. Magyar Attila

2) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont)

10. Differenciálszámítás

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Programozás 7.o Az algoritmus fogalma (ismétlés)

INFORMATIKA javítókulcs 2016

Algoritmizálás és adatmodellezés tanítása beadandó feladat: Algtan1 tanári beadandó /99 1

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Geometria III.

BME MOGI Gépészeti informatika 6.

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények

CAD-ART Kft Budapest, Fehérvári út 35.

Készítette:

5. Gyakorlat. struct diak {

Egybevágósági transzformációk. A geometriai transzformációk olyan függvények, amelyek ponthoz pontot rendelnek hozzá.

Matematika III előadás

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Megoldások

NULLADIK MATEMATIKA szeptember 13.

MATEMATIKA ÉRETTSÉGI május 8. EMELT SZINT

Tartalom Keresés és rendezés. Vektoralgoritmusok. 1. fejezet. Keresés adatvektorban. A programozás alapjai I.

Növényvédő szerek A B C D

x = cos αx sin αy y = sin αx + cos αy 2. Mi a X/Y/Z tengely körüli forgatás transzformációs mátrixa 3D-ben?

Képrekonstrukció 9. előadás

Pontfelhő létrehozás és használat Regard3D és CloudCompare nyílt forráskódú szoftverekkel. dr. Siki Zoltán

Függvények Megoldások

First Prev Next Last Go Back Full Screen Close Quit

Keresés és rendezés. A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán

Felvételi tematika INFORMATIKA

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények

Bevezetés a programozásba I.

Kérdés Lista. A Magyarországon alkalmazott rajzlapoknál mekkora az oldalak aránya?

Nagy András. Feladatok a koordináta-geometria, egyenesek témaköréhez 11. osztály 2010.

Deutsche Telebank besorolása

Vektorgeometria (1) First Prev Next Last Go Back Full Screen Close Quit

Adatbányászati szemelvények MapReduce környezetben

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

Kvadratikus alakok gyakorlás.

BME MOGI Gépészeti informatika 7.

Gyakorló feladatok javítóvizsgára szakközépiskola matematika 9. évfolyam

Átírás:

Lépések 1. tanító és teszt halmaz összeállítása / megszerzése 2. jellemzők kinyerése 3. tanító eljárás választása Sok vagy kevés adat áll-e rendelkezésünkre? Mennyi tanítási idő/memória áll rendelkezésre? Lineárisan szeparálhatók-e az osztályok? Milyen típusú jellemzőink vannak ( nominális (pl.: férfi/nő), ordinális (betegség stádiuma: 1, 2, 3, 4), intervallum (pl.: súly, magasság) Mennyire hajlamos túltanulni az algoritmus? 4. Előkészítés tanításhoz Szükség lehet a jellemzők normalizálására Szükség lehet a hiányzó adatok pótlására Szükség lehet a dimenziószám redukálására ( a túlzottan hasonló jellemzők eltávolítására, az osztályt legjobban leíró jellemzők kiválasztására. Pl. PCA) 5. Tanítás 6. Tesztelés

Példák jellemzőkre: - minden pixelérték egy jellemző pl. neurális hálózat esetében csak kis képekre, nem invariáns sem a megvilágításra, sem a geom. trf-ekere - alakleírók csak ha megfelelően tudod szegmentálni az objektumot, vagy annak releváns részletét - textúraleírók momentumok, Hu momentumok (invariáns a skálázásra, forgatásra) HOG jellemzők ( hisztogram of Oriented Gradients) Haar szerű jellemzők

Töltsd le a képeket (a kép osztályonként van tárolva =>a kép mappája a címke): https://arato.inf.unideb.hu/szeghalmy.szilvia/kepfeld/img/tanitas.zip https://arato.inf.unideb.hu/szeghalmy.szilvia/kepfeld/img/tablak.zip Minden egyes könyvtárra: Olvasd fel az összes képet Nyerj ki képről M darab jellemzőt (válassz önállóan, majd a végén összevetjük az eredményeket) Mentsd ki a jellemzőket egy jellemzok.csv nevű fájlba: soronként: címke,jellemző_0,jellemző_1,,jellemző_m-1 <címke>: a kép könyvtára (számként)

A tanításhoz döntési fát használunk Okok: 1. nem a jellemző vektorok távolsága alapján dolgozik (nem gond, ha nagyon eltérő jellemzők vannak) 2. nem akarunk itt aludni (viszonylag gyors lesz a felépítés) Tanító eljárások használatához szükséges include fájl: ml.hpp Olvassuk fel az előző progi által mentett jellemző fájlt TrainData* TrainData::loadFromCSV(adatfájl, vanfejlec, cimke_idx); adatfájl: a csv fájl neve elérési úttal (a példánkban "jellemzok.txt) vanfejlec: 0 vagy 1. Ha 1, akkor a fájl első sorát kihagyja az olvasásnál (a példánkban 0) cimke_idx: melyik oszlopban áll a jellemzők osztálya (a példánkban 0)

Állítsd be, hogy a minták közül mennyit használjunk a tanításhoz, mennyit a teszteléshez ( az értéket nyugodtan változtasd, ha akarod ): data->settraintestsplitratio(0.5f); Válassz paramétereket DTrees::Params par; par.maxdepth = 6; par.minsamplecount = 20; par.cvfolds = 0; Hozzd létre egy döntési fa osztályt: Ptr<Dtrees> dtree = DTrees::create(p); Építsd fel a fát: model->train(data); //maximális mélység //egy levélnél hány minta kell minimum //keresztvalidáláshoz képzett csoportok Ellenőrizd a tanítás sikerességét/sikertelenségét: dtree->calcerror(data, tanító_vagy_teszt, cimkek); tanító_vagy_teszt: true/false cimkek: noarray() vagy Mat típusú változó. Mentsd el a modellt: dtree->save("dtree_model.xml");

Általában külön programban használjuk fel, ezért beolvasnánk a modellt (most nem kell, hiszen már létezik a fa) : Ptr<DTrees> dtree = StatModel::load<DTrees>("dtree_model.xml"); Olvass fel egy vagy több képet, és számítsd ki a jellemzőket. Tárold el egy CV_32FC1-es mátrixban. Minden sor egy objektum jellemzőt tartalmazza, a korábbi sorrendnek megfelelően. Egyetlen kép és 7 darab jellemző esetén a tárolásra használt mátrix: Mat sample(1, 7, CV_32F); A felolvasott modellel becsültesd meg a címkét: int cimke = (int)(dtree->predict(sample) + 0.5); (ha több mintával dolgoztál, akkor egy mátrixot is adj át, melyben visszakapod a becsült címkéket) Jelenítsd meg a kapott értéket

Kiindulási pont: a leírni kívánt objektum Például: körvonal, maszk, maszk alatti képrész Terület: contourarea(kontúr, orientáció); Kerület: arclength(kontúr, zárt-e); Befoglaló téglalap: boundingrect(kontúr); Minimális területű befoglaló téglalap: RotatedRect minarearect(kontúr); Befoglaló ellipszis: RotatedRect fitellipse(kontúr) Befoglaló kör: minenclosingcircle(inputarray kontúr, Point2f& kp, float& sugar);

konvex burok kerülete konvexitás = objektum kerülete cv::convexhull(contour, convhull, false, true ); cirkularitás = terület vagy 4π terület kerület 2 kerület 2 (körre maximális) kompaktság = kerület2 terület vagy 4 terület π átmérő vagy 4π terület átmérő átmérő = max d(p, q) p,q C ekvivalensköratmerő = 2 terület π C: kontúr szálhossz = 0.25(kerület + kerület 2 16 terület) szálszelesség = 0.25(kerület kerület 2 16 terület) excentricitás = főtengely hossza melléktengely hosza Tengelyek meghatározása pl. a befoglaló ellipszis alapján vagy a leghosszabb obj-n belüli szakaszt véve főtengelynek, és arra merőleges leghosszabbat melléktengelynek.

OpenCV-ben Moments m = moments( kép/kontúr, bináris-e?); //bináris-e a kép (kontúrnál alap) Bináris-e: NEM I(x,y) a világosságkód érték, x, y a kép koordinátái Bináris-e: IGEN x, y csak az objektumpontok koordinátái, I (x,y) = 1-nek tekintve Jellemzők: m.mpq, ahol pq: 00, 10, 01, 11, 20, 02, 21, 12, 30, 03 A p+q-adrendű térbeli (geometriai) momentum számítása m pq = x y x p y q I(x, y) Súlypont számítása: C(x, y) = m 10 m 00, m 01 m 00 (Bináris képnél a koordináták átlaga, szürkeskálásnál az intenzitásértékkel súlyozott átlaga)

OpenCV-ben Moments m = moments( kép, bináris-e); //bináris-e: maszk vagy kép Bináris-e: NEM I(x,y) a világosságkód érték, x, y a kép koordinátái Bináris-e: IGEN x, y csak az objektumpontok koordinátái, I (x,y) = 1-nek tekintve Jellemzők: m.mupq, ahol pq: 11, 20, 02, 21, 12, 03, 30 A p+q-adrendű centrális momentum számítása mu pq = (x x ) p (y y) q I(x, y) x y

OpenCV-ben Moments m = moments( kép, bináris-e); Bináris-e: NEM I(x,y) a világosságkód érték, x, y a kép koordinátái Bináris-e: IGEN x, y csak az objektumpontok koordinátái, I (x,y) = 1-nek tekintve Jellemzők: m.nupq, ahol pq: 11, 20, 02, 21, 12, 30, 03 A p+q-adrendű normalizát centrális momentum számítása mu pq nu pq = 1 + (p + q)/2 mu pq a p+q-ad rendű centrális momentum

OpenCV-ben Moments m = moments( kép, bináris-e); double hu[7]; HuMoments humoments(m, hu); //bináris-e: maszk vagy kép //momentumok tárolására //HU momentumok számítása Normalizált centrális momentumokból számolhatók Affin transzformációkra invariáns (skálázás, forgatásra, ) (digitális világ: az eredeti és az elfogatott/skálázott obejektum HU momentumai különbözhetnek) A tulajdonságaiból következően hasznos pl. ha a felismerendő alakzat forgatás invariáns ne használd, ha a felismerendő alakzatnak fontos a mérete, orientációja