1 Proces analizy i rozpoznawania. 2 Jak przygotować dwie klasy obiektów?

Slides:



Advertisements
Podobne prezentacje
Tworzenie stron internetowych
Advertisements

Klasyfikacja danych Metoda hierarchiczne
Statystyczna kontrola jakości badań laboratoryjnych wg: W.Gernand Podstawy kontroli jakości badań laboratoryjnych.
Analiza współzależności zjawisk
IV Tutorial z Metod Obliczeniowych
DYSKRETYZACJA SYGNAŁU
Zaawansowane metody analizy sygnałów
Przetwarzanie i rozpoznawanie obrazów
Przetwarzanie i rozpoznawanie obrazów
BUDOWA MODELU EKONOMETRYCZNEGO
HTML.
Jak mierzyć zróżnicowanie zjawiska? Wykład 4. Miary jednej cechy Miary poziomu Miary dyspersji (zmienności, zróżnicowania, rozproszenia) Miary asymetrii.
Analiza współzależności
ANALIZA STRUKTURY SZEREGU NA PODSTAWIE MIAR STATYSTYCZNYCH
Dr inż. Bożena Mielczarek
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Wpływ warunków na niewiadome na wyniki wyrównania.
Algorytm Rochio’a.
Niepewności przypadkowe
Przetwarzanie obrazów
Komputerowe wspomaganie medycznej diagnostyki obrazowej
Proces analizy i rozpoznawania
Paweł Kramarski Seminarium Dyplomowe Magisterskie 2
Prognozowanie na podstawie modelu ekonometrycznego
Korelacje, regresja liniowa
Rozkład normalny Cecha posiada rozkład normalny jeśli na jej wielkość ma wpływ wiele niezależnych czynników, a wpływ każdego z nich nie jest zbyt duży.
Analiza współzależności dwóch zjawisk
OPORNOŚĆ HYDRAULICZNA, CHARAKTERYSTYKA PRZEPŁYWU
Średnie i miary zmienności
Korelacja, autokorelacja, kowariancja, trendy
Element strukturalny Element strukturalny pewien element obrazu z wyróżnionym jednym punktem (tzw. Punktem centralnym)
Konstrukcja, estymacja parametrów
Analiza współzależności cech statystycznych
Wykład III Sygnały elektryczne i ich klasyfikacja
Komputerowe metody przetwarzania obrazów cyfrowych
KARTA RUCHOMEJ ŚREDNIEJ MA
Ekonometria „Jaki wpływ na wielkość sprzedaży mają wydatki na reklamę oraz wielkość zatrudnienia ?” Dagmara Płachcińska Nr albumu:
GŁOSOWA ŁĄCZNOŚĆ Z KOMPUTEREM
NIEPEWNOŚĆ POMIARU Politechnika Łódzka
1. ŁATWOŚĆ ZADANIA (umiejętności) 2. ŁATWOŚĆ ZESTAWU ZADAŃ (ARKUSZA)
Statystyka ©M.
Podstawy statystyki, cz. II
Różnicowanie się gimnazjów w dużych miastach
Regresja wieloraka.
Seminarium licencjackie Beata Kapuścińska
1 Analiza wyników sprawdzianu ‘2014 Zespół Szkolno-Przedszkolny w Krowiarkach – XI 2014 – XI 2014 Opracował: J. Pierzchała.
Metody odszumiania sygnałów
KARTY DŹWIĘKOWE.
Treści multimedialne - kodowanie, przetwarzanie, prezentacja Odtwarzanie treści multimedialnych Andrzej Majkowski.
Przedmiot: Ekonometria Temat: Szeregi czasowe. Dekompozycja szeregów
Przygotowanie do egzaminu gimnazjalnego
Analiza obrazu komputerowego wykład 5
Grafika i komunikacja człowieka z komputerem
Wykład drugi Szereg Fouriera Warunki istnienia
Przypomnienie: Przestrzeń cech, wektory cech
Statystyczna analiza danych w praktyce
Statystyczna analiza danych
Model ekonometryczny Jacek Szanduła.
Statystyczna analiza danych
Model trendu liniowego
ze statystyki opisowej
STATYSTYKA – kurs podstawowy wykład 13 dr Dorota Węziak-Białowolska Instytut Statystyki i Demografii.
Modele nieliniowe sprowadzane do liniowych
STATYSTYKA – kurs podstawowy wykład 11
Estymacja parametryczna dr Marta Marszałek Zakład Statystyki Stosowanej Instytut Statystyki i Demografii Kolegium Analiz.
Niepewności pomiarów. Błąd pomiaru - różnica między wynikiem pomiaru a wartością mierzonej wielkości fizycznej. Bywa też nazywany błędem bezwzględnym.
Jak mierzyć zróżnicowanie zjawiska?
Co do tej pory robiliśmy:
Przekształcenia morfologiczne
Zapis prezentacji:

1 Proces analizy i rozpoznawania

2 Jak przygotować dwie klasy obiektów?

3 Pierwsza klasa (obroty o 10 o ):

4

5

6 Z jaką rozdzielczością zapisywać bitmapy?

7 Inna klasa (obroty o 30 o ):

8

9 Wykresy współczynników:

10

11

12

13 Metryka Euklidesowa:

14 Do procesu rozpoznawania wybrano np. współczynnik W2 ρ 1 dla pierwszej klasy ρ 2 dla drugiej klasy ρ 1 < ρ 2 ? obiekt rozpoznawany

15 Jeżeli współczynników będzie więcej? ρ 1 dla pierwszej klasy ρ 2 dla drugiej klasy ρ 1 < ρ 2 ? obiekt rozpoznawany dwa współczynniki WiWi WjWj WiWi WjWj

16 Analiza i wybór cech kluczowych dla rozpoznawania obrazów medycznych : a) aorta prawidłowa, b) zwężenie naczynia, c) tętniak aorty. Tomografia komputerowa aorty brzusznej:

17 Realizacja programu : Wysegmentowany obiekt oraz jego obliczone parametry

18 Analiza cech : Jako cechy do klasyfikacji obrazów wybrano momenty M1, M2, M6 oraz M9. Pierwsze trzy służą do wstępnego podziału na dwie grupy: aorty w normie oraz naczynia ze zmianami patologicznymi. W drugim etapie aorty ze zmianami chorobowymi są przydzielane do jednej z dwóch pozostałych klas na podstawie momentu M9. Obrazy zostały podzielone na trzy klasy:  Klasa 1 – zdjęcia aort bez zmian patologicznych,  Klasa 2 – aorta z przewężeniem,  Klasa 3 – aorta miejscowo pogrubiona (tętniak).

19 Analiza cech cd:

20 Analiza cech cd:

21 Przykład klasyfikacji obiektu :

22 Wpływ rozmiaru okna filtrów na miary jakości obrazu przekształconego

23 Dla obrazu:

24 Wizualne odzwierciedlenia wpływu częstotliwości próbkowania obrazu rentgenowskiego na odwzorowanie odczytanego przekroju szczeliny stawowej z zapisanego cyfrowo radiogramu bez wykonanych dodatkowych przekształceń: 600 dpi 300 dpi 200 dpi 100 dpi

25 Przekrój obrazu stawu kolanowego poddanego filtracji medianowej, zapisywanego z rozdzielczościami odpowiednio: 600, 300, 200 oraz 100 dpi:

26 Średnia różnica: Średnia różnica między obrazem oryginalnym i przekształconym nieznacznie wzrasta przy zwiększaniu rozmiaru okna stosowanych filtrów.

27 Zawartość strukturalna: Stosunek sumy kwadratów obrazu oryginalnego do sumy kwadratów obrazu przetworzonego (zawartość strukturalna) również zmienia się nieznacznie.

28 Znormalizowana korelacja wzajemna: Minimalne wahania znormalizowanej korelacji wzajemnej.

29 Jakość korelacji: W jakości korelacji występują również niewielkie wahania.

30 Maksymalna różnica (szczytowy błąd bezwzględny): Maksymalna różnica między obrazem oryginalnym i przetworzonym wykazuje dość znaczne wahania szczególnie przy zmianie wielkości okna filtru z parzystej na nieparzystą.

31 Wierność obrazu: Wierność obrazu zmienia się w zakresie 0,1 % (dla filtru średniego o 0,3 %).

32 Błąd średnio- kwadratowy:

33 Szczytowy błąd średnio- kwadratowy:

34 Normalizowany błąd bezwzględny:

35 Znormalizowany błąd średnio- kwadratowy:

36 Stosunek sygnału do szumu:

37 Współczynnik korelacji:

38 Odchylenie standardowe:

39 Można zauważyć, że stosowanie filtrów o oknach wielkości [n n], gdzie n jest parzyste znacznie pogarsza jakość filtracji (szczególnie dla filtru medianowego), co wynika z faktu, że w takich przypadkach pobierane zostają do analizy punkty nie z pełnego otoczenia przekształcanego punktu obrazu.

40 1.znormalizowana korelacja wzajemna, jakość korelacji, wierność obrazu oraz stosunek sygnału do szumu wykazują największe wartości dla n nieparzystego z malejącym trendem zmian; 2.natomiast parametry z grupy błędów średniokwadratowych takie jak: średnia różnica, zawartość strukturalna, maksymalna różnica, błąd średniokwadratowy, szczytowy błąd średniokwadratowy oraz znormalizowany błąd średniokwadratowy przyjmują największe wartości dla n parzystego z rosnącym trendem zmian. Przy stosowaniu powyższych parametrów można zauważyć dwa trendy: Z pierwszej grupy najbardziej czułym wydaje się być stosunek sygnału do szumu, zaś z drugiej maksymalna różnica.

41

42 Analizować można również wpływ wielkości okna stosowanych filtrów na odwzorowanie profilu przekroju stawu kolanowego: Profile badanego stawu przy wielkości okna filtrów [3 3]

43 Profile badanego stawu przy wielkości okna filtrów [5 5]

44 Profile badanego stawu przy wielkości okna filtrów [9 9]

45 Profile badanego stawu przy wielkości okna filtrów [19 19]