Beruflich Dokumente
Kultur Dokumente
Bildanalyse
Mustererkennung
Prof. Dr. H. Burkhardt
Lehrstuhl fr Mustererkennung und
Bildverarbeitung
Institut fr Informatik
Albert-Ludwigs-Universitt Freiburg
H. Burkhardt, Institut fr Informatik, Universitt Freiburg
ME-I, Kap. 1
Inhalt
0. Vorbemerkungen
1. Einleitung und Anwendungsgebiete
2. Grundlagen der Mustererkennung
(quivalenzklassen, lageinvariante Merkmalsextraktion)
3. Lageinvariante Graubilderkennung
(Die Klasse CT, parallele Implementierung, zweidimensionale Erweiterung, Reaktion auf systematische und stochastische
Strungen, Clustereigenschaften)
4. Lageinvariante Konturbilderkennung
(Konturextraktion, Fourieranalyse, Fourierdeskriptoren fr die quivalenzklasse hnlicher und affiner Muster)
6. Optimale Merkmalsselektion
(Karhunen-Loeve Transformation)
ME-I, Kap. 1
(12)
H. Burkhardt. Transformationen zur lageinvarianten Merkmalgewinnung. VDIVerlag, 1979 (Im Sekretariat zum Selbstkostenpreis von 5 erhltlich).
H. Schulz-Mirbach. Anwendung von Invarianzprinzipien zur Merkmalgewinnung in
der Mustererkennung. Dissertation, TU Hamburg-Harburg, Feb. 1995. Reihe 10, Nr.
372, VDI-Verlag
S. Theodoridis und K. Koutroumbas. Pattern Recognition. Academic Press, 1999.
R.O. Duda, P.E. Hart und D.G. Stork. Pattern Classification (Second Edition). J.
Wiley, 2001.
J. Schrmann. Pattern Classification. J. Wiley, 1996.
W.I. Smirnov. Lehrgang der hheren Mathematik, Bd. II. Harri Deutsch, 1995.
R.C. Gonzalez und R.E. Woods. Digital Image Processing. Addison-Wesley, 1993.
C.M. Bishop. Neural Networks for Pattern Classification. Oxford University Press,
Oxford, 1995.
M. T. Hagan, H. B. Demuth und M. Beale. Neural Network Design. PWS Publishing
Company, 1996.
N. Cristianini und J. Shawe-Taylor. An Introduction to Support Vector Machines.
Cambridge University Press, 2000.
H. Burkhardt und S. Siggelkow. Invariant features in pattern recognition fundamentals and applications. In C. Kotropoulos and I. Pitas, editors, Nonlinear
Model-Based Image/Video Processing and Analysis, pages 269-307. John Wiley &
Sons, 2001
A.R. Webb. Statistical Pattern Recognition (Second Edition). John Wiley & Sons,
2002
ME-I, Kap. 1
Kapitel 1
Einleitung und Anwendungsgebiete
ME-I, Kap. 1
ME-I, Kap. 1
Bedeutungsklasse VW-Kfer
ME-I, Kap. 1
Bedeutungsklasse VW-Kfer
ME-I, Kap. 1
Kombinatorische
Fhigkeiten
Mensch
***
Maschine
***
Ziel ist nicht, den Menschen nachzuahmen, sondern man sucht nach mathematisch/technisch
realisierbaren Methoden (Flugzeug bildet nicht den Vogelflug mit Flgelschlag nach)
Zumal die menschliche Vorgehensweise weitgehend unerklrt ist (auer einfachen
Vorverarbeitungsschritten) so dient sie doch in wertvoller Weise mehr als Orientierung und
Motivierung (Existenzbeweis fr eine Lsung) denn als methodische Untersttzung.
ME-I, Kap. 1
Einfache Erkennungsaufgabe:
Klassifikation von Objekten
5
2
ME-I, Kap. 1
Flche
Umfang
10
10
10
10
13
16
11
5
2
ME-I, Kap. 1
10
Flche
4
Umfang
8
Farbe
schwarz
10
grn
10
blau
10
rot
10
gelb
13
schwarz
16
schwarz
11
schwarz
1
2
ME-I, Kap. 1
11
Eindimensionaler Merkmalsraum
Umfang
16
15
14
13
12
11
10
9
8
7
6
8
45 2 3
1
ME-I, Kap. 1
12
Zweidimensionaler Merkmalsraum
Umfang
16
15
14
13
12
11
10
9
8
7
6
8
4
3
1
Farbe
H. Burkhardt, Institut fr Informatik, Universitt Freiburg
ME-I, Kap. 1
13
Einfhrungsdemo: Handschrifterkennung
Objektraum
Musterraum
Sensor
(Tablett)
Normalisierung
von Position +
Scherung
Merkmalsraum
Bedeutungsraum
Klassifikator
Vorverarbeitung +
Merkmalsextraktion
Abtastung+Grennormalisierung
Merkmalsreduktion
ME-I, Kap. 1
14
ME-I, Kap. 1
15
ME-I, Kap. 1
16
3.
4.
5.
Medizinische Bildauswertung
ME-I, Kap. 1
17
ME-I, Kap. 1
18
7. Biologie
8. Kriminalistik
ME-I, Kap. 1
19
Digitalisierung
Kamera
Kontinuierliches
Muster
Objektraum R
Bildvorverarbeitung
Klassifikation
Digitales
Muster
Musterraum RP
Merkmalsextraktion
z.B.
Merkmalsraum RN
5122
200
20
Eindim. Bedeutungsraum ZK
ME-I, Kap. 1
20
Objektraum:
f(x) Vektorfunktion in Abhngigkeit einer vektoriellen
unabhngigen Variablen x
z.B. Farbe und Intensitt als Funktion von
2-3 Ortskoordinaten, oder: Betrag und Orientierung eines
elektromagnetischen Feldes als Funktion von Ort und Zeit
Musterraum:
f(x) hufig skalare Funktion
z.B. Graubild als Funktion von Ort und Zeit
beim Einsatz von Kameras i.a. Projektion einer 3D-Szene
in die Kameraebene (Zentral- oder vereinfacht:
Parallelprojektion)
oder: Tonaufzeichnung von Sprache oder Musik ber der
Zeit
H. Burkhardt, Institut fr Informatik, Universitt Freiburg
ME-I, Kap. 1
21
y Y
n
zZ
Sensor
X:
Z:
Objektraum
Musterraum
ME-I, Kap. 1
22
z = A(x) + n
(I)
x = C ( x)
H. Burkhardt, Institut fr Informatik, Universitt Freiburg
(II)
ME-I, Kap. 1
23
ME-I, Kap. 1
24
ME-I, Kap. 1
25
Strung n
x1
X
1.
2.
3.
y2
x2
x3
y1
x4
y3
y4
Y,Z
xX
x{xi}X
xEi{xi}X
ME-I, Kap. 1
26
y Y
n
zZ
Sensor
Gegeben z, gesucht x
ME-I, Kap. 1
27
0,9
0,1
A
y = 0,1
1,1
1, 2
Gegeben z, gesucht x
x liegt auf einem Hyperkubus!
ME-I, Kap. 1
28
2.
ME-I, Kap. 1
29
X3
X2
X1
ME-I, Kap. 1
30