Artificial Intelligence - هوش مصنوعی

Artificial Intelligence - هوش مصنوعی (http://artificial.ir/intelligence/)

- يادگيري ماشيني(Machine learning ) (http://artificial.ir/intelligence/forum74.html)

- - Sift و svm (http://artificial.ir/intelligence/thread12002.html)

فقط سوالی که من دارم اینه که
شاید نقاطی از یک تصویر سالم استخراج بشه که بردار ویژگی اونها (همون بردار 128 تایی) خیلی شبیه به بعضی نقاط در یک تصویر معیوب باشه. اینجا الگوریتم به مشکل نمیخوره؟!
چون تصاویر چوب سالم و معیوب دارای نواحی مشترکی با یکدیگر هستند یعنی بعضی نواحی تصاویر سالم و معیوب مثل هم هس و بنابراین نقاط استخراجی و بردارهای ویژگیشون با هم یکی میشه!!!
به نظرم بعد محاسبه نقاط و بردارهای ویژگی باید کارهای دیگه ای هم انجام بشه مثلا
برای تک تک نقاط در تصویر سالم فاصله اقلیدسی اونها(بردار 128تایی) با تک تک نقاط در تصویر معیوب محاسبه بشه و اگه فاصله کم بود یعنی این نقاط دارای ویژگگیهای مشابه هستن که باید حذف بشن. پس این نقاطو حذف میکنیم و با این نقاط عمل کلاسه بندیو انجام نمیدیم

نقل قول:

نوشته اصلي بوسيله mahdiii (پست 30119)

فقط نکته ای رو بگم که با pca میشه طول بردارو کاهش داد یعنی به جای اینکه هر نقطه با 128 عدد توصیف شود با طول کمتری مثلا 64 توصیف شود. این یک نکته اسم روششم pca sift هست

به نام خدا و با تشکر

با سلام و تشکر.
امکانش هست سایتی معرفی کنید که تابع pca-sift رو با matlab پیاده سازی کرده باشه....
من از سایت PCA-SIFT دانلود کردم ولی به زبان matlab نیست.

با تشکر.

منم همون سی پلاس پلاسشو دارم
اگه برین سمت opencv خیلی بهتره
چون بیشتر کدها تو این زمینه سی پلاس پلاس هس
نخیر آقای رها
الگوریتمهایی مانند pca برای کاهش تعداد ویژگی به کار میروند نه کاهش تعداد نقاط!!!

کاهش نقاط کلیدی

نقل قول:

نوشته اصلي بوسيله mahdiii (پست 30119)

همون طوری که اشاره شد شما اینجا به مختصات نقاط نیازی ندارین
چون مختصات نقاط به عنوان ویژگی برای شما محسوب نمیشن.
مثلا تو یه مساله با مختصات نقاط میشه دو کلاسو از هم جدا کرد. اونجا مختصات نقاط برامون مهمه و عامل تفکیک. ولی اینجا مختصات نقاط هیچ ربطی و هیچ کمکی در پیدا کردن و کلاسه بندی سطوح معیوب و سالم نمیکنه. اینجا برای ما استخراج ویژگیهایی پایدار و مستقل در تصاویر هست که برای هرنقطه همین بردار 128تایی همین کارو میکنه. این بردار با درنطر گرفتن یک پنجره مربعی -که به 4*4 زیر مربع تقسیم شده- اطراف اون نقطه استخراجی و محاسبه جهت و گرادیان در هر زیرمربع (360 درجه به هشت بازه تقسیم شده پس میشه 4*4*8=128) و ساخت یک بافت نگار 128تایی به دست اومده ، پس باید این نقاطو مثلا 100*128 از تصویر سالم اول استخراج شده و 128*50 از تصویر سالم بعدی و همین طور تا آخر. اینا مربوط به کلاس سطوح سالم هستن. هر نقطه در فضای 128 بعدی درنظرگرفته شده. پس تمام این نقاط 100 برای تصویر سالم اول، 50 برای تصویر سالم دوم و ... با برچسب سالم باید به svm داده بشه و برای تصاویر معیوب هم به همین صورت تمام نقاط با برچسب معیوب به svm داده میشه. مساله شما یه کلاسه بندی به دو کلاس سالم و معیوب در فضای 128 بعدی، با داشتن نقاط 128 بعدی با برچسب سالم و معیوب هست.
فقط نکته ای رو بگم که با pca میشه طول بردارو کاهش داد یعنی به جای اینکه هر نقطه با 128 عدد توصیف شود با طول کمتری مثلا 64 توصیف شود. این یک نکته اسم روششم pca sift هست
و برای اینکه تعداد نقاطتون کمتر بشه و نقاط برجسته تر و مهم تر از تصویر انتخاب بشن نه 1000 تا نقطه باید مقدار آستانه مربوط به الگوریتم sift رو تغییر بدین. الگوریتم sift پارامترهایی داره که با تنظیم اون میتونین نقاط استخراجی برجسته تر رو انتخاب کنین. بنابراین تعداد این نقاط کمتر میشه.

با سلام و تشکر از راهنمایی هایتان.
در بخشی از تابعی که من از sift دارم نقاط کلیدی را با استفاده از دستور زیر بدست می آورد. و سپس تعداد نقاط دو در متغیر num میریزد.

كد:

command = [command ' <tmp.pgm >tmp.key'];

eval(command);



% Open tmp.key and check its header

g = fopen('tmp.key', 'r');

if g == -1

    error('Could not open file tmp.key.');

end

[header, count] = fscanf(g, '%d %d', [1 2]);

if count ~= 2

    error('Invalid keypoint file beginning.');

end

num = header(1);

len = header(2);

به چه صورت میشه نقاط رو کاهش داد؟
آیا کاهش resolution پیشنهاد خوبیست؟ من این کار رو برای تصویری که نقاط کلیدی اش 1649 بود انجام دادم نقاط کلیدی اش 1104 شد..... و با تغییر سایز تصویر نقاط 604 شد......

با تشکر.

سلام مجدد
گویا شما مطالب منو نخوندید
من گفتم تابعی که نقاط ویژگی رو پیدا میکنه احتمالا با نام featuredetection
خطوط پایینو ببینید این برای الگوریتم surf هست که روشی مشابه با sift هست
اون مقدار آستانه ای که گفتم اینجا 1100 انتخاب شده با تغییر اون می تونین تعداد نقاط کم یا زیاد کنین
cv::SurfFeatureDetector detector( 1100 );
std::vector<cv::KeyPoint> keypoints1;
std::vector<cv::KeyPoint> keypoints2;
detector.detect(rgb1,keypoints1);
detector.detect(rgb2,keypoints2);
روشی که شما گفتین روش مناسبی نیس که با کم کردن رزولوشن تعداد نقاط رو کم کنین
چون این طوری دارین اطلاعات تصویرو دور میریزین. بهتره این کارو بسپارین به خود الگوریتم sift و با تنظیم پارامترهاش این کارو بکنین.
البته اگه تصویرتون دارای رزولوشن خیلی بالایی هست میتونین تصویرو کوچک کنین مثلا رزولوشن 2000*3000 خیلی زیاده و باعث کندی برنامتونم میشه رزولوشن مناسب حدود 640*480 یا 800*600 هست البته بسته به کاربردتون شاید دقت بالا و نیاز به تفکیک پذیری بالا داشته باشین اون موقع رزولوشن بالا نیاز هس

با سلام.
درسته متوجه شدم. من تو برنامه matlab دنبالش میگشتم پیدا نکردم. تو کدی که به c++ داشتم پیدا کردم..
متغیری هم به نام FVSIZE با مقدار 128 تعریف شده که فک میکنم مربوط به بردار ویژگی است.
با تشکر.

برنامه متلبشم این پارامترها رو داره!!!

با سلام.
راستش من یک کد sift دیگه هم به زبان matlab دارم از سایت Index of /~vedaldi/assets/sift/binaries دانلود کردم ولی وقتی اجراش می کنم این error رو میده:

كد:

??? Undefined function or method 'imsmooth' for input arguments of type 'double'.



Error in ==> gaussianss at 134

SS.octave{1}(:,:,1)  = imsmooth(I, ...



Error in ==> sift at 213

gss = gaussianss(I,sigman,O,S,omin,-1,S+1,sigma0) ;

نقل قول:

نوشته اصلي بوسيله raha_hakhamanesh (پست 30097)

به نام خدا
خب در حقیقت تفاوت های پردازش تصویر و بینایی کامپیوتر در چنین مواردی مشخص می شود.
شما نیاز ندارید به اینکه موقعیت نقاط را داشته باشید این روش مبتنی بر یادگیری است.

در واقع شما دارید نمونه هایی را به SVM می دهید که می گوید سطح مورد نظر دارای عیب است. وقتی می خواهید با SVM کار کنید باید نمونه ها را تفکیک کنید مثلا نمونه معیوب و نمونه سالم. خب پس دو ماتریس خواهید داشت ماتریس اول مربوط به نمونه های سالم و ماتریس دوم مربوط به نمونه های معیوب. که این ماتریس ها توسط یک توصیف کننده مثل SIFT تولید شده اند.

مثال:

كد:

A is a Matrix [1000, 128] of good surfaces

B is a Matrix[5000, 128] of bad surfaces

TestData = [A, B] 

TestLbl=[1 for A, -1 for B]
 

training_instance_matrix = TestData;

training_label_vector    = TestLbl;

 model = svmtrain(training_label_vector, training_instance_matrix, ['-t 0']);

       %==================================

testing_instance_matrix = TestData;

testing_label_vector    = TestLbl;

[predicted_label, accuracy, decision_values] = svmpredict(testing_label_vector, testing_instance_matrix, model);

با سلام مجدد.
ببخشید مگر تابع svmpredict روی تصاویر تست اعمال نمی شود... در تصاویر تست هم که ما می خواهیم تابع خودش تشخیص دهد تصویر معیوب است یا خیر پس LABEL را که ما نمی توانیم بدهیم... مگر خود این تابع نباید LABEL را برای ما مشخص کند؟؟؟؟؟ :confused::confused::confused: :2::2::2: