Kontextuelle Bildklassifizierung: Visuelle Daten für eine effektive Klassifizierung verstehen

Von Fouad Sabry

Was ist kontextbezogene Bildklassifizierung?

Eine Klassifizierungsmethode, die auf den in Bildern enthaltenen Kontextinformationen basiert, wird als kontextbezogene Bildklassifizierung bezeichnet. Diese Methode fällt in die Kategorie der Mustererkennung in der Computer Vision. Ein „kontextueller“ Ansatz konzentriert sich auf die Beziehung zwischen den Pixeln, die sich in unmittelbarer Nähe zueinander befinden, was auch als Nachbarschaft bezeichnet wird. Die Klassifizierung der Fotos anhand der Kontextinformationen ist das Ziel dieses Ansatzes.

Wie Sie davon profitieren

(I) Einblicke und Validierungen zu folgenden Themen:

Kapitel 1: Kontextuelle Bildklassifizierung

Kapitel 2: Mustererkennung

Kapitel 3: Gaußscher Prozess

Kapitel 4: LPBoost

Kapitel 5: One-Shot-Lernen (Computer Vision)

Kapitel 6: Kleinste-Quadrate-Unterstützungsvektormaschine

Kapitel 7: Fraunhofer-Beugung Gleichung

Kapitel 8: Symmetrie in der Quantenmechanik

Kapitel 9: Bayesianische hierarchische Modellierung

Kapitel 10: Paden-Kahan-Teilprobleme

( II) Beantwortung der häufigsten öffentlichen Fragen zur kontextuellen Bildklassifizierung.

(III) Beispiele aus der Praxis für die Verwendung der kontextuellen Bildklassifizierung in vielen Bereichen.

Wer dieses Buch ist für

Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über Grundkenntnisse oder Informationen für jede Art kontextbezogener Bildklassifizierung hinausgehen möchten.

 

 

• Sprache: Deutsch
• Herausgeber: Eine Milliarde Sachkundig [German]
• Erscheinungsdatum: 4. Mai 2024

Buchvorschau

Kapitel 1: Kontextuelle Bildklassifizierung

Die kontextuelle Bildklassifizierung, ein Teilgebiet der Mustererkennung in der Computer Vision, ist eine Klassifikationstechnik, die auf kontextuellen Informationen in Bildern basiert. Der Begriff kontextuell weist darauf hin, dass diese Methode die Verbindung zwischen umgebenden Pixeln betont, die oft als Nachbarschaft bezeichnet werden. Das Ziel dieser Methode ist es, Fotos anhand von Kontextinformationen zu klassifizieren.

Ähnlich wie bei der Sprachverarbeitung kann ein einzelnes Wort mehrere Interpretationen haben, es sei denn, der Kontext wird bereitgestellt, und die einzigen informativen Teile sind die Satzmuster. Für Fotos gilt die gleiche Idee. Bestimmen Sie die Muster und ihre entsprechenden Bedeutungen.

Wie die folgende Abbildung zeigt, ist es äußerst schwierig, zu bestimmen, was das Bild darstellt, wenn nur ein kleiner Ausschnitt des Bildes angezeigt wird.

Mouth

Selbst wenn ein anderer Bereich des Bildes untersucht wird, bleibt das Bild unmöglich zu kategorisieren.

Left eye

Wenn wir jedoch den Kontext des Bildes verbessern, ist es sinnvoller, es zu erkennen.

Wie das Bild in seiner Gesamtheit unten zeigt, kann es praktisch jeder mit Leichtigkeit einordnen.

Während des Segmentierungsvorgangs reagieren Systeme, die keine Kontextinformationen verwenden, empfindlich auf Rauschen und Änderungen, was zu einer großen Anzahl falsch klassifizierter Bereiche führt, die häufig klein sind (z. B. ein Pixel).

Diese Methode ist widerstandsfähiger gegen Rauschen und große Änderungen als andere Methoden, da sie die Kontinuität der Segmente berücksichtigt.

Im Folgenden werden verschiedene Methoden für diese Strategie beschrieben.

Diese Methode ist recht erfolgreich an kleineren lärmverursachenden Orten. Und diese kleinen Zonen bestehen in der Regel aus wenigen oder einem einzigen Pixel. Diese Regionen erhalten die wahrscheinlichste Bezeichnung. Diese Strategie hat jedoch einen Nachteil. Die kleinen Regionen können auch von den richtigen Regionen im Gegensatz zu Rauschen erzeugt werden, in diesem Fall verschlechtert die Strategie die Klassifizierung sogar. Diese Methode wird in großem Umfang in der Fernerkundung eingesetzt.

Dabei handelt es sich um zwei Stufen der Klassifizierung:

Beschriften Sie jedes Pixel, und generieren Sie für jedes Pixel einen neuen Merkmalsvektor.

Verwenden Sie den aktualisierten Feature-Vektor und die Kontextinformationen, um die endgültige Beschriftung anzuwenden.

Anstatt einzelne Pixel zu verwenden, können benachbarte Pixel zu homogenen Bereichen kombiniert werden, die von Kontextdaten profitieren. Und versorgen Sie den Klassifikator mit diesen Bereichen.

In seltenen Fällen können die ursprünglichen Spektraldaten durch Kontextinformationen ergänzt werden, die von benachbarten Pixeln übertragen werden, oder sogar ersetzt werden. Diese Art von Vorverarbeitungstechniken wird häufig bei der Erkennung von strukturierten Bildern eingesetzt. Typische Methoden sind Mittelwerte, Varianzen, Texturbeschreibung usw.

Der Klassifikator weist den Pixeln Beschriftungen zu, indem er die Graustufe und die Pixelnachbarschaft (Kontextinformationen) verwendet. In diesem Fall handelt es sich bei den Daten um eine Kombination aus spektralen und geografischen Informationen.

Der Bayes-Minimum-Error-Klassifikator wird für die kontextuelle Klassifizierung von Bilddaten verwendet (auch bekannt als naiver Bayes-Klassifikator).

Zeigen Sie das Pixel an:

Ein Pixel wird als x_{0} bezeichnet.

Die Nachbarschaft jedes Pixels x_{0} ist ein Vektor und wird als {\displaystyle N(x_{0})} bezeichnet.

Die Werte im Nachbarschaftsvektor werden als  bezeichnet f(x_{i}) .

Jedes Pixel wird durch einen Vektor dargestellt.

{\displaystyle \xi =\left(f(x_{0}),f(x_{1}),\ldots ,f(x_{k})\right)}{\displaystyle x_{i}\in N(x_{0});\quad i=1,\ldots ,k}

Die Beschriftungen (Klassifikation) von Pixeln in der Nachbarschaft {\displaystyle N(x_{0})} werden als Vektor dargestellt

{\displaystyle \eta =\left(\theta _{0},\theta _{1},\ldots ,\theta _{k}\right)}{\displaystyle \theta _{i}\in \left\{\omega _{0},\omega _{1},\ldots ,\omega _{k}\right\}}

\omega _{s} Hier steht die zugewiesene Klasse.

Ein Vektor stellt die Beschriftungen in der Nachbarschaft {\displaystyle N(x_{0})} ohne das Pixel  dar x_{0}

{\displaystyle {\hat {\eta }}=\left(\theta _{1},\theta _{2},\ldots ,\theta _{k}\right)}

Die Nachbarschaft: die Größe der Nachbarschaft.

Es gibt keine Größenbeschränkung, aber es wird für jedes Pixel als relativ klein angesehen x_{0} .

Eine angemessene Größe der Nachbarschaft wäre 3 \times 3 4-Konnektivität oder 8-Konnektivität ( x_{0} ist rot markiert und in der Mitte platziert).

Community mit 4 Konnektivitäten, Community mit 8 Konnektivität

Die Berechnung:

Wenden Sie die minimale Fehlerklassifizierung auf ein Pixel an x_{0} , wenn die Wahrscheinlichkeit, dass eine Klasse \omega _{r} das Pixel präsentiert x_{0} , die höchste unter allen ist, und weisen Sie \omega _{r} sie dann als Klasse zu.

{\displaystyle \theta _{0}=\omega _{r}\quad {\text{ if }}\quad P(\omega _{r}\mid f(x_{0}))=\max _{s=1,2,\ldots ,R}P(\omega _{s}\mid f(x_{0}))}

Im Folgenden finden Sie eine Beschreibung der kontextabhängigen Klassifizierungsregel:, sie verwendet den Merkmalsvektor x_{1} anstelle von x_{0} .

{\displaystyle \theta _{0}=\omega _{r}\quad {\text{ if }}\quad P(\omega _{r}\mid \xi )=\max _{s=1,2,\ldots ,R}P(\omega _{s}\mid \xi )}

Verwenden Sie die Bayes-Formel, um die A-posteriori-Wahrscheinlichkeit zu berechnen {\displaystyle P(\omega _{s}\mid \xi )}

{\displaystyle P(\omega _{s}\mid \xi )={\frac {p(\xi \mid \omega _{s})P(\omega _{s})}{p\left(\xi \right)}}}

Gleich der Anzahl der Pixel in einem Bild ist auch die Anzahl der Vektoren.

Denn der Klassifikator verwendet einen Vektor, der jedem Pixel entspricht x_{i} , und der Vektor wird aus der Nachbarschaft des Pixels gebildet.

Die grundlegenden Verfahren zur kontextuellen Bildkategorisierung:

Berechnen Sie den Feature-Vektor \xi für jedes Pixel.

Berechnen Sie die Parameter der Wahrscheinlichkeitsverteilung {\displaystyle p(\xi \mid \omega _{s})} und {\displaystyle P(\omega _{s})}

Berechnen Sie die A-posteriori-Wahrscheinlichkeiten {\displaystyle P(\omega _{r}\mid \xi )} und alle Beschriftungen \theta _{0} .

Rufen Sie das Ergebnis der Bildklassifizierung ab.

Der Abgleich von Vorlagen ist eine Brute-Force-Anwendung dieser Strategie. Das Ziel ist es, eine Reihe von Vorlagen zu erstellen und dann nach kleinen Bildkomponenten zu suchen, die zu einer Vorlage passen.

Diese Technik ist rechenintensiv und ineffektiv.

Es pflegt während des gesamten Prozesses eine vollständige Liste von Vorlagen, und die Anzahl der möglichen Kombinationen ist unglaublich hoch.

Für ein m\times n Pixelbild kann es maximal Kombinationen geben {\displaystyle 2^{m\times n}} , was zu einer intensiven Berechnung führt.

Hierbei handelt es sich um eine Top-Down-Strategie, die allgemein als Tabellensuche oder Wörterbuchsuche bezeichnet wird.

Die Markov-Kette ist auch auf die Mustererkennung anwendbar. Die Pixel in einem Bild können als eine Reihe von Zufallsvariablen identifiziert werden, und dann kann die Markov-Kette niedrigerer Ordnung verwendet werden, um ihre Beziehung zu bestimmen. Der Ansatz behandelt das Bild als virtuelle Linie und verwendet eine bedingte Wahrscheinlichkeit.

Die Hilbert-Kurve kreuzt jedes Pixel, ohne zweimal zu einem von ihnen zurückzukehren, und behält eine kontinuierliche Kurve über das gesamte Bild bei. Es ist schnell und effektiv.

Die oben erwähnte Markov-Kette niedrigerer Ordnung und die raumfüllenden Hilbert-Kurven behandeln das Bild als Linienstruktur. Markov-Netze berücksichtigen jedoch die zweidimensionalen Informationen.

Der Abhängigkeitsbaum ist eine Methode zur Approximation von Wahrscheinlichkeitsverteilungen über Baumabhängigkeit.

{Ende Kapitel 1}

Kapitel 2: Mustererkennung

Der Prozess des automatischen Erkennens von Mustern und Gesetzmäßigkeiten in Daten wird als Mustererkennung bezeichnet. Statistische Datenanalyse, Signalverarbeitung, Bildanalyse, Informationsgewinnung, Bioinformatik, Datenkompression, Computergrafik und maschinelles Lernen sind nur einige der Bereiche, die von seinem Einsatz profitieren können. In den Bereichen Statistik und Ingenieurwesen hat die Mustererkennung ihren Anfang; Einige moderne Methoden der Mustererkennung beinhalten den Einsatz von maschinellem Lernen, das durch die wachsende Verfügbarkeit großer Datenmengen und die größere Rechenkapazität ermöglicht wird. Beide Aktivitäten können als zwei Seiten desselben Anwendungssektors betrachtet werden, und beide Aktivitäten haben im Laufe der letzten Jahrzehnte ein erhebliches Wachstum verzeichnet.

Das Training für Mustererkennungssysteme erfolgt häufig anhand von Daten, die als Training klassifiziert wurden. Wenn keine gekennzeichneten Daten verfügbar sind, können alternative Techniken verwendet werden, um Muster zu identifizieren, die zuvor nicht bekannt waren. Sowohl KDD als auch Data Mining legen einen größeren