Požymių vaizduose išskyrimo ir klasifikavimo pagrindai

Ištrauka

Laboratorinis darbas
Požymių vaizduose išskyrimo ir klasifikavimo pagrindai

Pagrindinė darbo užduotis (6 balai):

Šiam darbui reikalingi duomenys yra archyve SSAP_LD6_duomenys.zip:
https://dl.dropbox.com/u/99505093/SSAP_LD/SSAP_LD6_duomenys.zip
1. Įkelkite į Matlab‘ą duotus obuolių ir kriaušių paveikslus (
imread).
2. Panaudodami duotas funkcijas kiekvienam paveikslui apskaičiuokite po dvi charakteristikas (požymius): spalvos indeksą (spalva_color) ir apvalumo įvertį (apvalumas_roundness). Apskaičiavus šiuos įverčius, kiekvienas iš paveikslų nuo šiol apibūdinamas požymių pora (požymių vektoriumi) [spalva; apvalumas].
3. Pavaizduokite gautas požymių poras požymių erdvėje: Dekarto koordinačių sistemoje sudėkite taškus, kurių x koordinatė yra spalvos indeksas, y koordinatė – apvalumas, o taško išvaizda priklauso nuo informacijos paveiksle
(pvz., kriaušes – žvaigždutėmis, obuolius – apskritimo tipo markeriais) (
plot, hold on). Jei gautame grafike
apskritimus nuo žvaigždučių būtų galima atskirti nubrėžiant tiesę, vadinasi įmanoma įkeltus vaizdus suskirstyti į dvi klases (kriaušės | obuoliai) pagal paskaičiuotus du požymius panaudojant perceptroną.
4. Sukurkite ir apmokykite perceptroną. Funkcija
perceptron (arba newp – priklausomai nuo Matlab Neural
Network Toolbox versijos) sukurkite vieno perceptrono tinklą. Paruoškite duomenis mokymui – viename masyve (matricoje) turi būti požymiai, kitame – kiekvieną požymių porą atitinkantis paveikslo indeksas (pvz., kriaušės – 0, obuoliai – 1). Apmokykite perceptroną.
5. Patikrinkite, ar apmokytas perceptronas geba teisingai klasifikuoti. Suklasifikuokite su apmokytu perceptronu
požymius ir pavaizduokite požymių erdvėje klasifikavimo rezultatus (analogiškai kaip 3-oje užduoties dalyje –
sudėkite stačiakampėje plokštumoje taškus, tik dabar juos žyminčių markerių išvaizda turi priklausyti nuo
perceptrono pateikto klasifikavimo rezultato, pvz. 0 – *, 1 – o). Ar dabar nubrėžtas grafikas toks pat kaip ir 3
dalyje? Jei ne – perceptronas blogai suklasifikavo požymius, todėl reikia jį apmokyti iš naujo.
6. Pavaizduokite, kaip perceptronas suklasifikuotų įvairias požymių poras. Šiam tikslui sugeneruokite požymių poras keisdami spalvą nuo mažiausios iki didžiausios ir apvalumą nuo mažiausios iki didžiausios reikšmės (čia mažiausia
ir didžiausia reikšmės gaunamos iš 2-oje užduoties dalyje apskaičiuotų požymių). Parinkite kitimo žingsnį tokį, kad intervale tilptų 10 reikšmių (iš viso turi būti sugeneruota 100 požymių porų). Suklasifikuokite šias požymių poras su prieš tai apmokytu perceptronu. Pavaizduokite klasifikavimo rezultatus stačiakampėje plokštumoje (kaip ir 5-oje užduoties dalyje).
7. Apmokykite kitą naujai sukurtą perceptroną, bet dabar pateikdami jam tik po dvi pavyzdžių poras iš obuolių ir kriaušių klasių. Šis perceptronas taip pat turi sugebėti teisingai klasifikuoti visus obuolių ir kriaušių paveikslus.

Papildoma darbo užduotis (2 balai): 
1. Papildomai įkelkite paprikos paveikslus ir paskaičiuokite tuos pačius požymius kaip ir anksčiau. Pavaizduokite,
kaip požymių erdvėje išsidėstę trijų klasių objektai. Sukurkite sudėtingesnį dirbtinių neuronų tinklą –
daugiasluoksnį perceptroną – pasinaudodami Neural Network Start Matlab‘o įrankiu (komanda
nnstart) ir jame pasirinkdami Pattern Recognition App arba ją iš karto pasileisdami per
nprtool komandą. Grafinis įrankis leidžia
pasirinkti Inputs (masyvas su požymiais) ir Targets (masyvas su objekto klasės numeriu). Kitais žingsniais galima pasirinkti tinklo dydį ir paleisti jo mokymą, eksportuoti tinklo struktūrą.
2. Pagalvokite, kokį dar charakteringą požymį būtų galima išskirti vaizduose, kad požymių vektoriai būtų lengvai atskiriami. Turėdami kiekvienam objektui po 3 požymius, pavaizduokite juos trimatėje požymių erdvėje.