شروع پروژه از کجا؟ ویژگیهای تصویر

[hasting_m]

این موضوعیه که مثلا استاد بعد سالها برای پروژم داده!
برای درس شناسایی!
"در زمینه ویژگیهایی که از تصویر برای دسته بندی آن بکار می روند تحقیق کنید و یک نمونه را در متلب شبیه سازی کنید"
میشه کمک کنید از کجا شروع کنم؟؟
چه پستی برم؟؟اصلا یعنی چی؟این ترم پردازش تصویر هم دارم و گتابم گنزالز هست ازون چه فصلی مرتبطه؟؟
من هیچی بلد نیستم بگید

[hess]

پاسخ : شروع پروژه از کجا؟

سلام ..

در ایـن و ایـن پست؛ دو نوع بسیار مهم از ویژگیهایی که معمولا برای Classification یا طبقه بندی آبجکت ها استفاده میشن؛ نام برده شدند .. شاید این مطالب بتونن براتون مفید باشن .. موفق و سلامت و شاد باشید ..

[hasting_m]

پاسخ : شروع پروژه از کجا؟

سلام ..

در ایـن و ایـن پست؛ دو نوع بسیار مهم از ویژگیهایی که معمولا برای Classification یا طبقه بندی آبجکت ها استفاده میشن؛ نام برده شدند .. شاید این مطالب بتونن براتون مفید باشن .. موفق و سلامت و شاد باشید ..

سلام.خیلی ممنون.اون دو تا پست رو خوندم اما هیچی نفهمیدم.اینکهHOG،SIFTچیهست و چه ربطی به ویژگی ها دارند.این دو اصلاحی که نمیدونم چی هست،این دوتا از ویژگی ها اند؟
سوال بعدیم اینه که مگه ویژگی که برای دسته بندی تثویر به کار میبریم،به نوع تصویر بستگی نداره؟و در هر تصویری قابل انجام هست؟

[hess]

پاسخ : شروع پروژه از کجا؟

سلام ..

بسیار خوب .. یک بار باهم مرور کنیم از ابتدای ابتدا؛ که چه داریم؛ چه میخوایم و در نهایت چه کار میتونیم انجام بدیم .. در پله ی اول؛ چه چیزی براتون واضح نیست؟

[hasting_m]

پاسخ : شروع پروژه از کجا؟

سلام.ممنون از توجهتون
1)تا اینجا همینقدر میدونم که برای یک تصویر تو متلب یک ماتریس تشکیل میشه حالا ابعاد این ماتریس بنظرم ویژگی های تصویر(؟) باشند.
2)تا جایکه بهمون یاد میدادند همش fisher irrisرو مثال میزدند که فکر کنم 4تا ویژگی مثلا رنگ گلبرگ و طول و...داشت.همینها دیگه میشند بردار های ویژگی(؟)
بعد
3)حالا (در مورد سوالی که اخیر پرسیدم)اگر تصویر کلا یک شی دیگه باشه،مثلا تشخیص چهره ها مد نظر باشد،اصلا ویژگی ها کلا فرق میکنند(نسبت به مثلا مثال گلهای fisher irris)(؟)
4)حالا منظور این سوال استادم این هست که چه ویژگی هایی انتخاب کنیم بهتره؟
یا اینطور برداشت کردم وقتی بخواهیم داده ها رو دسته بندی کنیم،چه ویژگی هایی از تصویر رو انتخاب کنیم(؟؟)(اینجوری که باز بحث خود تصویر هم پیش کشیده میشه که اصلا تصویر،تصویر چی هست. که بخواهیم بعدش بررسی کنیم چه ویژگی هایی داره!

اینجور که من حدس میزنم باید ویژگیها به نوع(شکل)تصویر بستگی نداشته باشه و کاملا یک چیز ریاضی باشه(که بازم اونو نمیدونم)
*اینم بگم تو درس شناسایی استاد فقط روش های دسته بندی داده های fisher irris رو بهمون یاد میداد.از جمله بیزین.pca.KNN و...ما هم فقط داده های فیش ایریس رو با اون دسته بندی میکردی م و حساب میکردیم خطای این روش چقدره!همین و بس.
*در اصل سوال من همین"ویژگی"رو نمیفهمم. :sad:
خیلی بد گفتم بازم میرم مطالبی که بهمن91برام نوشته بودید رو بخونم شاید فهمیدم!

[eehadi]

پاسخ : شروع پروژه از کجا؟

با اجازه استاد حسام الدین.
سلام.
ویژگی باید مشخصات و صفاتی از یک شی ء باشه که به وسیله اون از شی ء متفاوت تشخیص داده بشه.
مثلاً فرض کنید که شما دو نوع میوه دارید: سیب و پرتقال و میخواین که اینها رو از هم تشخیص بدین، استفاده از اندازه (مساحت) احتمالاً نمیتونه باعث تفکیک این دو کلاس بشه چون دو کلاس در این ویژگی شباهت های زیادی دارند به این معنا که با دادن مساحت میوه نمیشه با احتمال خوبی گفت که سیب بوده یا پرتقال ولی رنگ این دو میوه کاملاً متفاوته پس میتونه ویژگی خوبی برای جداسازی این دو کلاس باشه، ممکنه رنگ میوه ها هم نزدیک به هم باشه و باعث مقداری خطا بشه پس در اینجا میشه بافت اونها رو هم در نظر گرفت، پرتقال بافت ناهموار داره ولی سیب بافتش هموارتره، در صورتی که یک ویژگی دیگه میوه ها رو هم در نظر بگیرید ممکنه خطای جداسازی باز هم کمتر بشه، مثلاً شکل، وزن، چگالی و ... . به اینها ویژگی گفته میشه، ویژگی ها میتونن همه از یک جنس نباشن مثلاً مساحت و رنگ ولی همه باید قابلیت تبدیل به مقادیر عددی رو داشته باشن تا بشه کار ریاضی باهاشون انجام داد حالا ممکنه یک ویژگی پیوسته باشه مثل مساحت یا گسسته باشه مثل تعداد.
این که چه ویژگی از شی ء مورد شناسایی استخراج بشه کاملاً به نوع مسأله و شی ء مورد شناسایی بستگی داره و علاوه بر نیاز به دانش قبلی، به آزمایش و خطا و ابتکار و منطق هم بستگی داره.
در ضمن همیشه ویژگی ها یک کیفیت فیزیکی نیستند مثلاً ممکنه ویژگی های آماری مثل میانگین و انحراف معیار یا تبدیل های ریاضی مثل فوریه، موجک (Wavelet) و ... هم استفاده بشه که نیاز به شناخت و درک این ابزارهای ریاضی داره.
بعد از مشخص شدن ویژگی(ها)، لازمه که اشیاء مورد شناسایی تفکیک یا جداسازی (classification) بشن/تشخیص داده بشن(recognition) که اینجا باید یک طبقه بند(کلاسیفایر) این کار رو به صورت خودکار انجام بده. نوع طبقه بند هم به مسأله و ویژگی ها بستگی داره. انواع مختلفی از کلاسیفایرها وجود دارن: بیزین، KNN، شبکه عصبی، آدابوست، SVM و ... .
حالا مفاهیمی هستن که بین مرحله استخراج ویژگی و طبقه بندی وجود دارن مثل ویژگی های فازی، کاهش ابعاد ویژگی ها (با روش هایی مثل PCA و ...) که فعلاً مهم نیستن و بدون نیاز به این مفاهیم هم میتونید کارتون رو انجام بدین ولی کمک گرفتن از این مفاهیم ممکنه بتونه باعث افزایش کارایی طبقه بندی از نظر دقت یا سرعت بشه.
امیدوارم واضح توضیح داده باشم، اگه سوالی هست در خدمتم.

[hasting_m]

پاسخ : شروع پروژه از کجا؟

سلام.خیلی ممنون یکم فهمیدم!
1)پس اینجوری دیگه بستگی داره image چی باشه که برا اساس اون ویژگی ها رو انتخاب کنیم!
پس سوال استادم در یک مورد و مثال خاص باید معنی داشته باشه
2)و همین طور ویژگی ها در حالت کلی برای همه تصاویر موجود معنی نداره!؟درسته؟
3)حالا این حرفای شما رو که فهمیددم پاسخ آقا حسامو پستاهای که ایشون لینک دادند ربطش به ویژگی ها چیه؟

[eehadi]

پاسخ : شروع پروژه از کجا؟

سلام.خیلی ممنون یکم فهمیدم!
1)پس اینجوری دیگه بستگی داره image چی باشه که برا اساس اون ویژگی ها رو انتخاب کنیم!
پس سوال استادم در یک مورد و مثال خاص باید معنی داشته باشه
2)و همین طور ویژگی ها در حالت کلی برای همه تصاویر موجود معنی نداره!؟درسته؟
3)حالا این حرفای شما رو که فهمیددم پاسخ آقا حسامو پستاهای که ایشون لینک دادند ربطش به ویژگی ها چیه؟

درسته نوع ویژگی به تصویر و مسأله بستگی داره. ویژگی هایی که جناب حسام الدین معرفی کردن یه سری از ویژگی های قوی هستن که توی کارهای مختلف استفاده
شدن. بهتره شما یک مقاله خوب انتخاب کنی و مبنای کارت رو اون مقاله قرار بدی. برای انتخاب مقاله هم میتونی به لینک های جناب حسام الدین مراجعه کنی.

[hess]

پاسخ : شروع پروژه از کجا؟

سلام ..

یک نکته ی خیلی کوتاه در کنار مطالب خوب بالا .. به صورت کلی؛ ویژگی ها به دو دسته ی مهم Appearance Features (ویژگی های ظاهری) و Descriptive Features (ویژگی های توصیف کننده) شناخته میشن .. توصیف کننده ها مثل "مترجمانی" هستن که از تصویر یک توصیف خاص ارائه میدن که درست مثل کدبندی کردن برخی خاصیت های تصویر هست (این کدها رو به عنوان خروجی بر میگردونن) .. برای مثال، یک توصیف کننده؛ همه ی دنیای خودش رو از زاویه ی شدت و جهت گرادیان و قسمت هایی که شدت رنگی تصویر در اونجاها به صورت محسوسی افت و/یا تقویت شده؛ میبینه و توصیف کننده ی دیگه این دنیا رو کاملا متفاوت و از زاویه ای دیگه .. SIFT و HOG دو نوع از ویژگی های توصیف کننده هستند که در موارد مختلفی امکان استفاده از اونها هست .. و در پایان یک درخواست: "جـنـاب" کیست؟! لطفا! :smile: .. موفق و سلامت و شاد باشید ..

[hasting_m]

پاسخ : شروع پروژه از کجا؟

. بهتره شما یک مقاله خوب انتخاب کنی و مبنای کارت رو اون مقاله قرار بدی. برای انتخاب مقاله هم میتونی به لینک های جناب حسام الدین مراجعه کنی.

ممنون جناب هادی.پس با این حساب باید برم یک مقاله بخونم.لینک آقای حسام منظورتون دو تا لینک این صفحه هست؟اونا که مقاله نبود!
میشه خودتون برای من بگین چه مقاله ای بخونم.اخه میخوام خیلی ساده و ابتدایی و مرتبط با موضوع باشه از صفر که چیزی بفهمم لاقل.

[hasting_m]

پاسخ : پاسخ : شروع پروژه از کجا؟

سلام ..

یک نکته ی خیلی کوتاه در کنار مطالب خوب بالا .. به صورت کلی؛ ویژگی ها به دو دسته ی مهم Appearance Features (ویژگی های ظاهری) و Descriptive Features (ویژگی های توصیف کننده) شناخته میشن .. توصیف کننده ها مثل "مترجمانی" هستن که از تصویر یک توصیف خاص ارائه میدن که درست مثل کدبندی کردن برخی خاصیت های تصویر هست (این کدها رو به عنوان خروجی بر میگردونن) .. برای مثال، یک توصیف کننده؛ همه ی دنیای خودش رو از زاویه ی شدت و جهت گرادیان و قسمت هایی که شدت رنگی تصویر در اونجاها به صورت محسوسی افت و/یا تقویت شده؛ میبینه و توصیف کننده ی دیگه این دنیا رو کاملا متفاوت و از زاویه ای دیگه .. SIFT و HOG دو نوع از ویژگی های توصیف کننده هستند که در موارد مختلفی امکان استفاده از اونها هست .. و در پایان یک درخواست: "جـنـاب" کیست؟! لطفا! :smile: .. موفق و سلامت و شاد باشید ..

آیا ویژگی هایی وجود دارند که به image خاص بستگی نداشته باشند و مثلا بشه برای همه تصاویر ازون ویژگی ها استفاده کرد؟
بعد یک سوال ویژگی های ظاهری چی هستند؟چه فرقی با توصیف کننده دارند؟

[hess]

پاسخ : شروع پروژه از کجا؟

سلام ..

این امکان وجود داره که از همه ی ویژگی ها؛ برای همه ی تصاویر استفاده کنیم .. امــا برخی مواقع؛ یک ویژگی خیلی ضعیف عمل میکنه در تصاویر یک کلاس (مثلا لیوان ها) و خیلی قوی عمل میکنه در تصاویر کلاس دیگه (مثلا صورت ها) .. اینکه چه موقع ضعیف و چه موقع قوی عمل میکنه رو تنها با آزمایش میتونیم متوجه بشیم .. راه استانداردی برای قضاوت دقیق و صد در صد وجود نداره در این حیطه .. همه چیز به آزمایش منتهی میشه در آخر .. منظور از ویژگی های ظاهری؛ ویژگی هایی مثل رنگ پیکسل ها؛ شدت روشنایی تصویر و از این خانواده ویژگی ها هستن .. تفاوتی هم که دارن با توصیف کننده ها این هست که اینها "همانی هستن که هستن" (--خیلی شهودی! --).. در استفاده ی از اونها نه تبدیلی لازم هست انجام بدیم؛ نه الگوریتم یا پیاده سازی پیچیده ای .. به مثال رنگ پیکسل ها فکر کنید .. رنگ پیکسل؛ همینی هست که هست؛ به سرعت میتونیم اطلاعات رنگی اون رو به دست بیاریم؛ بنابر این جزء دسته ی ویژگی های ظاهری تصویر طبقه بندی میکنیم اون رو .. موفق و سلامت و شاد باشید ..

آیا ویژگی هایی وجود دارند که به image خاص بستگی نداشته باشند و مثلا بشه برای همه تصاویر ازون ویژگی ها استفاده کرد؟
بعد یک سوال ویژگی های ظاهری چی هستند؟چه فرقی با توصیف کننده دارند؟

[hasting_m]

پاسخ : شروع پروژه از کجا؟

distinctive image feature s from scale invariant key points
این مقاله رو ازین جا پیدا کردم میشه نگاه بندازید مثلا این خوبه؟که شروع کنم بخونمش؟و به هدف میرسونه منو؟

[hess]

پاسخ : شروع پروژه از کجا؟

سلام ..

این مقاله؛ رفرنس اصلی SIFT هست و در پستی که این فایل ضمیمه شده؛ میتونید کد این مقاله رو هم دانلود و از اون استفاده کنید .. هدفتون اگه کار روی یکی از توصیف کننده ها (--همون "مترجم ها"ی تصاویر--) باشه، صد البته به اون میتونید برسید .. موفق و سلامت و شاد باشید ..

distinctive image feature s from scale invariant key points
این مقاله رو ازین جا پیدا کردم میشه نگاه بندازید مثلا این خوبه؟که شروع کنم بخونمش؟و به هدف میرسونه منو؟

[hasting_m]

پاسخ : پاسخ : شروع پروژه از کجا؟

سلام ..

این مقاله؛ رفرنس اصلی SIFT هست و در پستی که این فایل ضمیمه شده؛ میتونید کد این مقاله رو هم دانلود و از اون استفاده کنید .. هدفتون اگه کار روی یکی از توصیف کننده ها (--همون "مترجم ها"ی تصاویر--) باشه، صد البته به اون میتونید برسید .. موفق و سلامت و شاد باشید ..

پس برای این موضوع خودم چی پیدا کنم؟چجوری پیدا کنم آخه؟ :cry:
شما هم همین پیشنهادو داری که مقاله بخونم که به جواب پروژه برسم؟