III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

More documents

Recommendations

Info

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.tores de características, são comparados. Por fim,são feitas considerações sobre o uso de tal arquiteturaem aplicações reais.Nas seções seguintes, este trabalho é detalhado e,por fim, os resultados e conclusões são apresentados.2. MateriaisAs imagens das laranjeiras foram adquiridas em diferentesdias e horários durante a época em que as frutasestavam maduras. A resolução destas imagens éde2.048×1.536 pixels. Um conjunto de 658 imagens formao banco de imagens, que é dividido em três grupos: umquemostraasárvores desde o solo até o topo, outro quemostra apenas folhas e frutos e outro que mostra as fileirasde árvores, o solo e o céu. Estes três tipos de imagenssão ilustradas pela figura 1.então, estes histogramas são unidos em um único vetorde características. Este vetor é capaz de representaro segmento de forma adequada, entretanto ele não retéma informação cromática.Os histogramas, neste trabalho, são formados por256 categorias para cada uma das componentes do espaçode cores, assim a informação contida em cadacomponente não é perdida. Esta abordagem difere daadotada por [9], que define números de categorias diferentespara cada uma das componentes do espaço decores, o que acaba privilegiando alguma componenteem detrimento das demais.Os espaços de cores adotados foram o HSV e o RGB:o HSV faz distinção entre a informação cromática ea quantidade de luz, o que torna este espaço de coresmais robusto a situaçõesdesombrasereflexos;jáo RGB possibilita comparar o desempenho dos classificadorescom ambos os tipos de vetores de características.4. Conjuntos de treinamento e de testeFigura 1. Tipos de imagens usadas neste trabalho.Os algoritmos usados neste trabalho foram implementadospara o software de computação numérica Octave.Alguns dos algoritmos foram implementados emC++ como módulos de expansão do Octave. As funçõesde densidade de probabilidade (fdp) foram estimadascom o algoritmo de Figueiredo-Jain [5] implementadono toolbox desenvolvido por Paalanen et al. [12].Também, os classificadores bayesianos são implementadoscom este toolbox. Os PMC foram construídas, treinadase testadas com os módulos para o Octave da bibliotecaFann (fast artificial neural network).3. Características dos segmentosO uso das cores como característica é bastante comumem sistemas agrícolas de VC, pois estas podem caracterizaradequadamente os objetos de interesse, comopor exemplo, as frutas [10, 15, 1, 14].Neste trabalho, o descritor de cores adotado éohistograma.O cálculo do histograma das cores, onde sãoconsideradas as três componentes, é muito custoso, poisa quantidade de cores é muito grande, quando as componentessão representadas por 256 níveis. Entretanto,épossível calcular o histograma de cada componenteseparadamente, o que é computacionalmente simples,Foram escolhidos segmentos de 40 imagens. Estessegmentos foram classificados manualmente nas classesfrutas, céu e folhas, que representam os principaiselementos da cena. Os vetores de características foramcalculados a partir da informação contida em cada pixeldo segmento. Então, estes vetores foram separadosem dois conjuntos. Um conjunto para o treinamentoe outro para teste dos classificadores. O conjunto deteste é composto por 839 vetores selecionados aleatoriamente.Diferentes conjuntos de treinamento foram criadosapartirdapartição do conjunto original. Somente, osvetores mais próximos à centróide da sua classe forammantidos nos novos conjuntos. Foram considerados vetorespróximos à centróide, os vetores que distam umaporcentagem da distância euclidiana entre o vetor maisdistante desta classe e a centróide da mesma classe. Asporcentagens usadas são 20%, 30%, 50%, 70% e 100%.Onúmero de vetores em cada classe para cada umdos conjuntos de treinamento é apresentado nas tabelas1 e 2 para o caso RGB e HSV, respectivamente.5. Extração e normalização das característicasAPCA(principal components analysis – análise decomponentes principais) éumatécnica que faz umatransformação linear no espaço de característica demodo a obter-se características não correlacionadas.Também, épossível com esta técnica reduzir o númerode dimensões deste espaço.193
WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.Conjunto Frutas Folhas Céu Total20% 1110 5602 35 674730% 1278 5997 117 739250% 1349 6283 225 785770% 1363 6297 261 7921100% 1364 6297 275 7936Tabela 1. Número de vetores em cada classepara o caso RGB.Conjunto Frutas Folhas Céu Total20% 566 5405 31 600230% 1155 6029 89 727350% 1331 6277 209 781770% 1363 6297 255 7915100% 1364 6297 275 7936Tabela 2. Número de vetores em cada classeparaocasoHSV.Com o objetivo de avaliar a relação entre quantidadede dimensões e a taxa de classificações corretas,esta técnica foi adotada. Deste modo também, evita-sea “maldição da dimensionalidade”, a qual prejudica diretamenteos classificadores [6].Neste trabalho, a PCA foi feita em cada um dos conjuntosde treinamento e as matrizes de transformaçãoencontradas foram usadas para transformar os conjuntosde treinamento e de teste.6. Classificador baseado no perceptronmulticamadasClassificadores construídos com redes neurais artificiais(RNA) toleram ruídos, são rápidos, devido ao seubaixo custo computacional, e podem aprender superfíciesde decisão não-lineares [7]. O perceptron multicamadas(PMC) é uma das arquiteturas de RNA quepode ser usada como classificador de padrões, entretanto,o algoritmo padrão de treinamento, o backpropagation,é lento, ou seja, precisa de muitas iteraçõespara convergir. O treino do PMC pode ser mais rápidocom o algoritmo iRprop, um algoritmo adaptativode descida de gradiente que é acurado, robusto erápido [8].Neste trabalho, cada tipo de vetor de característicasé classificado por um PMC com topologia específica,onde o número de entradas coincide com com o númerode dimensões dos vetores de características. Então,são construídos PMC para cada conjunto de treinamento,onde estes PMC suportam vetores de característicasde duas até 20 dimensões, o que resulta em 190PMC. Todos os PMC têm 10 neurônios na camada escondidae três neurônios na camada de saída, tal quecada um destes representa uma das classes.Todos os PMC são treinados três vezes. O treinamentotermina quando o erro quadrático médio (EQM)émenorque0, 0001 ou o número de iterações é maiorque 200.000. Antes de cada treinamento, os vetores sãoembaralhados. A função de ativação dos neurônios éatangente hiperbólica, com parâmetro igual a 0, 9. Ospesos sinápticos são inicializados com valores aleatórios.Os demais parâmetros têm os valores padrão dabiblioteca Fann.As redes, obtidas após o treinamento, são usadaspara classificar os vetores do conjunto de teste. Cadavetor é apresentado para a rede e éatribuído para aclasse correspondente ao neurônio de saída que retornáo maior valor. A taxa de acertos de cada classificadoré calculada comparando-se os dados obtidos destecom os dados obtidos na classificação manual dos segmentos.Dentre os três treinamentos de cada uma dasredes, o que apresenta maior taxa de acertos é escolhido.7. Classificador baseado no teorema deBayesA abordagem estatística utiliza o teorema de Bayespara calcular o valor da probabilidade de um determinadovetor de características pertencer a uma classe.Isto possibilita a atribuição criteriosa a uma classe,quando a fdp e a probabilidade a priori modelam adequadamenteo conjunto de treinamento. Caso a fdp e aprobabilidade a priori não sejam conhecidas, estas devemser estimadas a partir do conjunto de treinamento.A fdp pode ser obtida através de técnicas paramétricasou não-paramétricas. As técnicas paramétricassão utilizadas quando é conhecida a fdp que originouo conjunto de treinamento, mas os parâmetros destanão são conhecidos e devem ser estimados. As técnicasnão-paramétricas são necessárias quando não existe conhecimentosuficiente que possa ser utilizado para determinara fdp ou quando a densidade do conjunto detreinamento assume uma função não conhecida, comoé o caso deste trabalho.As técnicas não-paramétricas podem ser baseadasem janelas ou em vizinhos mais próximos. Uma das dificuldadesé encontrar um tamanho de janela adequadopara todo o domínio do conjunto de treinamento. Osmétodos de vizinhos mais próximos não sofrem desteproblema, entretanto a quantidade de vizinhos tambémdeve ser determinada manualmente. Os dados aserem avaliados na estimativa de um ponto da fdp po-194
Page 1 and 2:
III Workshop de VisãoComputacional
Page 3 and 4:
Instituto de Biociências, Letras e
Page 5 and 6:
WVC 2007 - III Workshop de Visão C
Page 7 and 8:
ApresentaçãoA área de Visão Com
Page 10 and 11:
Automatic Pattern Recognition of Bi
Page 12 and 13:
WVC'2007 - III Workshop de Visão C
Page 14 and 15:
Page 16:
Page 19:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
Page 30 and 31:
Page 33 and 34:
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Page 55 and 56:
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154: WVC'2007 - III Workshop de Visão C
Page 203: WVC'2007 - III Workshop de Visão C
Page 255 and 256:
Page 257 and 258:
Page 259 and 260:
Page 261 and 262:
Page 263 and 264:
Page 265 and 266:
Page 267 and 268:
Page 269 and 270:
Page 271 and 272:
Page 273 and 274:
Page 275 and 276:
Page 277 and 278:
Page 279 and 280:
Page 281 and 282:
Page 283 and 284:
Page 285 and 286:
Page 287 and 288:
Page 289 and 290:
Page 291 and 292:
Page 293 and 294:
Page 295 and 296:
Page 297 and 298:
Page 299 and 300:
Page 301 and 302:
Page 303 and 304:
Page 305 and 306:
Page 307 and 308:
Page 309 and 310:
Page 311 and 312:
Page 313 and 314:
Page 315 and 316:
Page 317 and 318:
Page 319 and 320:
Page 321 and 322:
Page 323 and 324:
Page 325 and 326:
Page 327 and 328:
Page 329 and 330:
Page 331 and 332:
Page 333 and 334:
Page 335 and 336:
Page 337 and 338:
Page 339 and 340:
Page 341 and 342:
Page 343 and 344:
Page 345 and 346:
Page 347 and 348:
Page 349 and 350:
Page 351 and 352:
Page 353 and 354:
Page 355 and 356:
Page 357 and 358:
Page 359 and 360:
Page 361 and 362:
Page 363:
show all

III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?