Trabalho Prático 1

Identificação de Imagens por Visão Computacional

Programação de Baixo Nível

04/2018

1 Resumo

Figura 1 Processo de identificação de imagens por Aprendizado de Máquina

• Carregar uma imagem;
• Gerar um conjunto de atributos a partir dos pixels da imagem;
• Gravar os atributos de cada imagem em uma linha de um arquivo CSV;
• Repetir as etapas anteriores para todas as imagens disponíveis, gravando os atributos no mesmo CSV.

2 Carregar uma imagem

Figura 2 Exemplo de cores codificadas em RGB

3 Gerar um conjunto de atributos a partir dos pixels da imagem

3.1 Histogramas de níveis de cinza

Figura 3 Geração de um histograma de níveis de cinza

Figura 4 Simplificação de um histograma de níveis de cinza

3.2 Matrizes de Co-ocorrência de Níveis de Cinza

Figura 5 Exemplos de MCO

Figura 6 Exemplos de MCO normalizadas

• Energia: $$E=\sum_{i,j=0}^{levels-1}P_{i,j}^{2}$$
• Entropia: $$\sqrt{E}$$
• Contraste: $$\sum_{i,j=0}^{levels-1}P_{i,j}(i-j)^{2}$$
• Variância: $$\sum_{i,j=0}^{levels-1}P_{i,j}(i-j)$$
• Homogeneidade: $$\sum_{i,j=0}^{levels-1}P_{i,j}\left[\frac{P_{i,j}}{1+(i-j)^{2}}\right]$$

3.3 Preparação das imagens para o cálculo das MCOs

for(x=0; x<Largura x++)
{
  for(y=0; y< Altura; y++)
  {
     Cor[x][y] = Cor[x][y]/(255/QTD_TONS);
  }
}

4 Gravar os atributos de cada imagem em um arquivo CSV

4.1 Geração do CSV de Treino

NOME,Media,Desvio,Curtose,Mediana,QTD1,QTD2,QTD3,Classe
Grass1,4,3.749,-1.211,2.5,18,8,10,Grama
Grass2,3,2.564,1.003,3.0,8,3,5,Grama
Grass3,9,2.018,0.876,1.5,10,4,10,Grama
Sand1,2,1.5,2.564,2.4,2,4,4,Areia
Sand2,3,1.5,1.104,1.5,1,10,7,Areia
Sand3,1,1.5,-1.876,0.5,1,7,10,Areia

4.2 Geração do CSV de Teste

NOME,Media,Desvio,Curtose,Mediana,QTD1,QTD2,QTD3
Grass15,2,3.44,-1.211,1.5,8,18,0,Grama
Sand18,1,3.4,0.003,5.3,2,5,4,Areia

5 Executar o script Python que realiza a classificação

python Classificador.py Treino.csv Teste.csv

#!/usr/bin/env python
import sys
import numpy as np
import pandas as pd
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import cross_val_score
from sklearn.metrics import accuracy_score

if len(sys.argv) != 3:
    print('Requeridos 2 argumentos: arquivo de treino e arquivo de teste')
    sys.exit(1)

# Lê os arquivos
treino = pd.read_csv(sys.argv[1])
teste = pd.read_csv(sys.argv[2])
atributos = np.asarray(treino.columns)
if not np.array_equal(atributos, teste.columns):
    print('Os arquivos possuem atributos distintos')
    sys.exit(1)

# O primeiro argumento é o identificador
id = atributos[0]
# Os outros, exceto o último, são os preditivos
preditivos = atributos[1: - 1]
# E que o atributo alvo é o último
alvo = atributos[-1]
print('Atributo identificador:', id)
print('Atributos preditivos:', ', '.join(preditivos))
print('Atributo alvo:', alvo)
print('Numero de registros de treino:', len(treino))
print('Numero de registros de teste:', len(teste))

# Treino do classificador
clf = MLPClassifier(hidden_layer_sizes=[30, 10], max_iter=500)
clf.fit(treino[preditivos], treino[alvo])

# Teste
respostas = clf.predict(teste[preditivos])
for i, reg in teste.iterrows():
    identificador = reg[id]
    classe_real = reg[alvo]
    classe_predita = respostas[i]
    resposta = 'ACERTOU' if classe_real == classe_predita else 'ERROU'
    print('%s, classe real: %s, classe predita: %s. %s!' %
          (identificador, classe_real, classe_predita, resposta))

print('-------------------------------------')
acc = accuracy_score(teste[alvo], respostas, normalize=True) * 100
print('Acuracia: %0.2f%%' % acc)

6 Tarefas

• Criar um programa que gere, para cada imagem do dataset disponível abaixo, o conjunto de atributos descritos na Tabela 3;
• Dividir os dados gerados em dois arquivos. Um para treino e outro para teste;
• Rodar o classificador, fornecendo como entrada os arquivos gerados.

• Projeto exemplo para ler a imagem
• Dataset com as imagens
• Script Python para classificação
• Exemplos de arquivos de treino e teste (já prontos)

7 Avaliação

• Os trabalhos são em duplas ou individuais. A pasta do projeto deve ser compactada em um arquivo .zip e este deve ser submetido pelo Moodle até a data e hora especificadas.
• Não envie .rar, .7z, .tar.gz - apenas .zip.
• O código deve estar identado corretamente (o Code::Blocks faz isso automaticamente).
• A nota do trabalho depende da apresentação deste no laboratório, na data marcada. Trabalhos entregues mas não apresentados terão sua nota anulada automaticamente. Durante a apresentação será avaliado o domínio da resolução do problema, podendo inclusive ser possível invalidar o trabalho quando constatada a falta de conhecimento sobre o código implementado.
• A cópia parcial ou completa do trabalho terá como conseqüência a atribuição de nota ZERO ao trabalho dos alunos envolvidos. A verificação de cópias é feita inclusive entre turmas.
• A cópia de código ou algoritmos existentes da Internet também não é permitida. Se alguma idéia encontrada na rede for utilizada na implementação, sua descrição e referência deve constar no artigo.