Einfuehrung_EFME_I dökümanı hakkında bilgi ve Türkçe açıklama

Tüm dökümanlar linkinden bu dosyaya ulaşabilirsiniz.
Tüm dökümanlar link:
http://www.filesonic.com/file/4035863644/viyana.us_eimdocs.rar


* * * Sayfa 2 :


içerik
Örüntü Tanıma nedir?
Örüntü Tanıma Uygulamaları
Görüntü işleme temel ilkeleri


Örüntü ; çoğunlukla uzaysal ve geometrik karaktere sahip, iki veya üç boyutlu bir nesne olarak düşünülebilir. Diğer bir ifadeyle örüntü, ilgilenilen varlıkla ilgili gözlenebilir veya ölçülebilir bilgilere verilen addır.


Örüntü 2. açıklama : http://matematikcifatih.tr.gg/.oe.teleme-ve-s.ue.sleme.htm


Türk Dil Kurumu'nun güncel sözlüğüne göre örüntü olay veya nesnelerin düzenli bir biçimde birbirini takip ederek gelişmesidir




* * * Sayfa 3 :
Görev: özellikleri (özellikler) dayalı desenleri (kalıpları) sınıflandırılması.
Belirli kalıp ve düzenliliklerin yapıya sahip izleyin. Örnekler:
yüzler
harfler
Hastanın kalp aktivitesi
Yayaların yörüngeleri (yörüngeler)


* * * Sayfa 4 : 
Uygulamada, ilginç desenleri kendi çalışma değil, bu örnekler üzerinde ölçümler.Verilenörnekler için:
Bir yüz resmi
Taranan mektup
EKG
Bir halk izleyici çıkışı


* * * Sayfa 5 :
Desenler özellikleri tarafından açıklanmıştır.
İnsanlar örneğin olabilir özelliklerine göre yaş ve vücut büyüklüğü gibi açıklanmıştır.
Belirli bir model için bir öznitelik üstlendiği gerçek değer bir özellik değeri olarak adlandırılır
(Claudia 17 yaşında ve 1.60 m boyunda).
Özellikler sık sık özellik vektörü kullanılır
(Özellik vektörler) örneğin, kombine
x = ( 17 1.60 )


* * * Sayfa 6 :
Bir örnek:
Bir balık fabrikasında otomatik olarak somon ve çipura arasında bir gri skala görüntü iletespit edilecek
İki sınıflı soru


* * * Sayfa 7 : 
Sistem aynı zamanda balık (deseni), aşağıdaki adımları başına operasyon sırasındageçmesi gerekir:
Ilk
Sensör ölçümü (örneğin, Photoshot)
Ikinci
Önişleme (örneğin, ses filtreleme)
Üçüncü
Segmentasyon, etiketleme
4
Özellik çıkarma (parlaklık, uzunluk)
5
sınıflandırma
6
işleme


* * * Sayfa 8 : 
Tasarım / sistemin uygulanması:
"Yeterli" çipura ve somon (sınıf başına yaklaşık 100 gibi) ölçülür.
Böylece doğru "etiketli" özelliği vektörleri (bu durumda -200 özellik vektörü) mevcuttur kendisınıfı ile "yeterli" dir.
Bu eğitim seti sistemi eğitmek için kullanılır.
Sistem daha sonra doğru (çoğalma sistemi) sınıflandırmak için eğitim kümesindeki olmayan balık bulunmuş olacak.


* * * Sayfa 10 :
Özellikleri örneğin olabilir Histogram ile görüntülenebilir:
Apsis-karakteristik değerler
Her biri için Ordinate-gözlenen frekansları


Karakteristik değer (ayrıca her sınıf için!)
İdeal olarak, farklı sınıfların histogramları (ya da küçük) çakışmaz


* * * Sayfa 11 :
Bu sağlar:
Çipura somon yerine uzundur. Bu özellik iki balık türleri arasında ayrım  tam algılamınızı sağlamaz.
Karakteristik parlaklık üst üste değil, daha az ölçüde, ancak bu özelliği sınıfa özelversiyonları da belirgin, hatasız sınıflandırma yapılabilir.


* * * Sayfa 12 :
Birçok özellik kombinasyonu genellikle daha iyi sonuçlara yol açar.Iki sınıf iki boyutlu özellikalanı (uzunluk / parlaklık) olarak zaten oldukça iyi ayrılır.
Sonraki sorun uygun bir sınıflandırma (model) seçmektir.
Basit bir doğrusal Sınıflandırıcı burada görülebilir.
Bu tabii ki bir pozisyonda içinde hataları iki sınıf üzerinde ayırt etmeye yarar.
* * * Sayfa 13 :


Bu sınıflandırıcı eğitim verilerin doğru bir sınıflandırma yapar, karmaşık bir karar sınırı pahasına.
ayrıca çok kötü genelleme yeteneğine sahip.
* * * Sayfa 14 :
Basit modeller için
zaten eğitim seti üzerinde kötü sonuçlara yol
Bu veri alt yapısını açıklamak için (uydurma altında) olamaz


* * * Sayfa 15 :
Karmaşık modellerde
detay ile açı çok duyarlıdır. Ilgili eğitim verisi ve açı seçimi.eğitim verileri rasgele ölçümhatası (gürültü).
kötü genelleme (overfitting) yol açabilir.


* * * Sayfa 16 :
Bir ikinci dereceden sınıflandırıcı "ılımlı karmaşıklık" örneği


* * * Sayfa 17 :
başlangıç
veri toplamak
özellikleri seçin( ön bilgi (Örn değişmezlik) )
modelinizi seçin
tren sınıflandırıcı
sınıflandırıcı değerlendirmek
son


* * * Sayfa 18 :
Örnek:
Kedi
özellik çıkarma
Özellik vektörü [0.1, 7.2, 2.3, 21.0]
Non-parametrik
yöntemleri
istatistiksel
yöntemleri
sinir
ağlar
sözdizimsel
yöntemleri
Sonuç / karar
{İnek, domuz, kedi, at}


* * * Sayfa 19 :
başka bir örnek
1936 yılında, RA Fisher süsen (Iris) 3 tip özellikleri 150 modelleri için 4 ölçüm aldı.
Bu rekor hala örüntü tanıma algoritmaları test etmek için kullanılır.


* * * Sayfa 21 :
Örüntü Tanıma Uygulamaları
Kişisel kimlik (biyometrik)
İçerik tabanlı Görüntü Alma
harf tanıma
Robotik ve hareket
Endüstriyel Muayene
Uzaktan algılama (uydu ve hava fotoğrafları)
Biyomedikal Uygulamalar


* * * Sayfa 23 :
biyometrik özellikler
En sık kullanılan:
parmak izi
el geometri
Yüz (optik ve kızılötesi)
iris
retina
imza
konuşma Tanıma


* * * Sayfa 24 :
tıbbi Uygulama
Hastalıklı doku Algılama (kolon = kalın bağırsak):


* * * Sayfa 25 :
Videolar linkinden bu konuyla alaka videolara ulaşabilirsiniz.
Videolar link:
http://www.filesonic.com/file/4035863664/viyana.us_videos.rar


* * * Sayfa 28 : ME Diğer uygulamalar
ses işleme
sinyal işleme
Bu derste dijital görüntü işleme örüntü tanıma uygulamaları odaklanın.
Bu nedenle, dijital görüntü hakkında bazı bilgilere ihtiyacımız var.
* * * Sayfa 29-30-31 :Görüntü işleme temelleriGörüntü işleme temel ilkeleri
Bir dijital görüntü nedir?
Resimleri farklı türleri nelerdir?
Hangi operatör görüntüler için yararlıdır?
* * * Sayfa 32-33-34-35-36 :Resim nedir?
İki boyutlu görüntü her pozisyon parlaklık (x, y) bağlayan bir fonksiyonudur.
Bir dijital görüntü nedir?
Sürekli görüntü bir bilgisayarda saklanamaz. İlk ayrı bir yaklaşım (örnekleme, nicemleme) olarak oluşturulması gerekir. İki boyutlu dijital görüntü bir matris her bir elemanı (x, y) değeri (n = 1) bir fonksiyon ya da bir vektör (n> 1) bağlar. Her öğesi Matrix bir piksel adı verilir.
görüntü sayısallaştırma
Bir dijital fotoğraf makinesi sürekli görüntü tarar. Bu nokta (piksel) bir dizi olarak temsil edilir.
her pikselin küçük bir pencerede renk veya parlaklık bir ortalamasıdır.
Dijital görüntülerin üç ana türü vardır:
* Binar(n=1) - f(x,y) , {0,1}
* gri değer(n=1) - f(x,y) , {0,1,....,N}
* renk(n=3) - f(x,y) , [{0,1,....,N}, {0,1,....,N}, {0,1,....,N}]
N değeri her pikselin kodlamak için kullanılan kaç bit bağlıdır.
* * * Sayfa 37-51 :
Görüntüler için Operatörler
histogram
kıvrım
filtre ortalama
kenar Algılama
Eşik operatör
histogram
Görüntüdeki her gri değeri frekans gösterir.
x-ekseni gri değerleri
gri değerine sahip piksellerin y ekseni sayısı
Evrişim filtresi çekirdekleri ve görüntüleri
Dijital görüntüler için, evrişim bir çekirdek hso ile N XM görüntü yazan:
0 ile ≤ x i <N ve 0 ≤ y j <M
hwird çoğu filtre çekirdek anılacaktır.
H şekli filtre etkisini belirler.
Gri skala görüntü ikili görüntü, eşik değeri (eşik)
Eşik operatör için kullanılır
Ikili bir görüntü içine gri skala görüntü uygulayın.
Bir eşik seçilmiş θwird.
Gwird oluşturulan bir ikili görüntüsü:
F her piksel (x, y) için
Histogram Eğer eşik seçim yardımcı olabilir.
Bir eşik bir hisse nesneleri ve arka plan bir görüntü kullanabilirsiniz
Bir özellik vektör sonra her nesne için oluşturulabilir.


son
Ilk
Ikili görüntü (bir eşik gibi) oluşturma.
Ikinci
Bağlı her piksel grup etiketleme sayısal bir etiket (etiketleme) verilir.
Üçüncü
A Piksel bağlı grup ilişkilidir
4
Bileşenleri (bileşen) ya da damla.
5
Her blob için özellikler çıkarımı.
6
Nitelik vektörü oluşturulması.
Etiketleme (etiketleme)
Ikili görüntü her blob bir etiket (label) atanır.
Bir damla her piksel (gri skala görüntü) bu etiketin değeri bir alır.
Sıfır değerine sahip pikseller arka plan bir parçasıdır.
Etiketi ile blob n daha sonra kolayca bir eşik ile elde edilebilir.
Kullanıcı Tahsise etiket görünür hale getirmek için sık sık her damla farklı bir renk ilişkilidir.


Özellik çıkarma (özellik çıkarma)
Özellikleri seçimi ya da hesaplama özellikleri için bir kural kümesi.
Hesaplanan özellikleri özellik vektörleri birleştirilir.
Özelliklere örnek: alanında, çevre, Euler sayısı, vs


* * * Sayfa 52-53 :
özet
Artık biliyoruz:
Örüntü tanıma nedir.
Ne örüntü tanıma kullanılır.
Dijital görüntü işleme özellikleri.