Zdraystvuyte!

मेरे विचार में, मैं अपनी राय में, बहुत मूल्यवान सामग्री इकट्ठा कर चुका हूं, जिसे मैं आपके साथ साझा करना चाहता हूं। मुझे लगता है कि कुछ के लिए यह अत्यंत महत्वपूर्ण और उपयोगी होगा, हो सकता है कि मेरी उपलब्धियां आपको समय बचाएंगी, जिस स्थिति में मुझे खुशी होगी। और इसलिए बिंदु के करीब। Habré में पहले से ही डेटा क्लस्टरिंग एल्गोरिदम का अच्छा अवलोकन है । सिद्धांत को विस्तार से माना जाता है, लेकिन कोई व्यावहारिक परिणाम नहीं हैं, हमेशा की तरह अभ्यास उतना आसान नहीं है जितना लगता है। इसलिए, मैं आपका ध्यान वास्तविक परिणामों, समस्याओं और उनके समाधानों पर लाना चाहता हूं जो क्लस्टरिंग के दौरान हुए थे (अधिक सटीक, विभाजन, क्योंकि क्लस्टरिंग ऑब्जेक्ट एक स्थिर छवि है)। कट के तहत सेगमेंटेशन और डिजिटल इमेज प्रोसेसिंग दोनों होंगे। मैं आपसे विनती करता हूँ ...

चलिए शुरू करते हैं

सबसे पहले, प्रक्षेपवक्र नियोजन कार्य के लिए एक उपमा के रूप में उत्पन्न हुई समस्या का संक्षिप्त विवरण: मोबाइल रोबोट के कैमरे का उपयोग करके प्राप्त एक स्थिर छवि है:







इस छवि को बाधाओं (दृश्य) के साथ एक पर्यावरण के रूप में माना जा सकता है, जो विभिन्न रंगों और आकारों की वस्तुओं का संग्रह है, और यह पहले से ज्ञात नहीं है कि कौन सी वस्तु उपयोगी (लक्ष्य) है और जो एक बाधा (हस्तक्षेप) है। यह भी माना जाता है कि छवि में प्रत्येक वस्तु (बाधाओं, पृष्ठभूमि और सड़क की सतह) को उसके रंगों द्वारा वर्णित किया गया है - मुख्य विशेषता जिसके द्वारा इसे वर्गीकृत किया जा सकता है। इसलिए आपको छवि में दर्शाई गई किसी भी वस्तु का चयन करने में सक्षम होना चाहिए।



मैं आपको संक्षेप में याद दिलाता हूं कि डेटा क्लस्टरिंग क्या है, सामान्य तौर पर, क्लस्टर एनालिसिस (डेटा क्लस्टरिंग) किसी दिए गए नमूने (ऑब्जेक्ट्स) के सब्मिट को क्लस्टर में विभाजित करने का कार्य है, ताकि प्रत्येक क्लस्टर में समान ऑब्जेक्ट्स हों, और अलग-अलग क्लस्टर की ऑब्जेक्ट्स अनिवार्य रूप से हों। अलग थे। क्लस्टरिंग कार्य सांख्यिकीय प्रसंस्करण से संबंधित है, साथ ही शिक्षक के बिना शिक्षण कार्यों की एक विस्तृत श्रेणी के लिए। क्लस्टर विश्लेषण एक बहुआयामी सांख्यिकीय प्रक्रिया है जो वस्तुओं के नमूने के बारे में जानकारी युक्त डेटा एकत्र करता है और फिर वस्तुओं को अपेक्षाकृत सजातीय समूहों (क्लस्टर) (क्यू-क्लस्टरिंग, या क्यू-तकनीक, क्लस्टर विश्लेषण स्वयं) में व्यवस्थित करता है। एक क्लस्टर एक सामान्य संपत्ति की विशेषता तत्वों का एक समूह है, क्लस्टर विश्लेषण का मुख्य लक्ष्य नमूना में समान वस्तुओं के समूहों को खोजना है।



और यह क्यों जरूरी है और बिना गुपचुप आप रह सकते हैं? इसके अलावा, किसी ने भी रोशन नहीं किया है, मैं इस अवधारणा के उद्देश्य से घूंघट को हटाने की कोशिश करूंगा।

1. एक क्लस्टर संरचना की पहचान करके डेटा को समझना। समान वस्तुओं के समूहों में नमूने को विभाजित करना प्रत्येक क्लस्टर (विभाजन और रणनीति को जीतना) के लिए एक अलग विश्लेषण विधि लागू करके आगे की डेटा प्रोसेसिंग और निर्णय लेने को सरल बनाना संभव बनाता है।
2. डेटा संपीड़न। यदि प्रारंभिक नमूना अत्यधिक बड़ा है, तो आप प्रत्येक क्लस्टर से सबसे विशिष्ट प्रतिनिधियों में से एक को छोड़कर इसे कम कर सकते हैं।
3. नवीनता का पता लगाने एटिपिकल ऑब्जेक्ट्स का चयन किया जाता है जो किसी भी क्लस्टर में संलग्न नहीं किया जा सकता है।

पहले मामले में, वे समूहों की संख्या को छोटा करने का प्रयास करते हैं। दूसरे मामले में, प्रत्येक क्लस्टर के भीतर वस्तुओं की एक उच्च डिग्री सुनिश्चित करना अधिक महत्वपूर्ण है, और संभव के रूप में कई क्लस्टर हो सकते हैं। तीसरे मामले में, किसी भी क्लस्टर में फिट नहीं होने वाली व्यक्तिगत वस्तुएं सबसे बड़ी रुचि हैं। इन सभी मामलों में, श्रेणीबद्ध क्लस्टरिंग को लागू किया जा सकता है, जब बड़े समूहों को छोटे लोगों में विभाजित किया जाता है, जो बदले में छोटे से भी विभाजित होते हैं, आदि ऐसे कार्यों को वर्गीकरण की समस्याएं कहा जाता है। एक वर्गीकरण का परिणाम एक पेड़ की तरह पदानुक्रमित संरचना है। इसके अलावा, प्रत्येक ऑब्जेक्ट को उन सभी समूहों को सूचीबद्ध करने की विशेषता है, जो आमतौर पर बड़े से छोटे तक होते हैं। समानता-आधारित टैक्सोनॉमी का एक उत्कृष्ट उदाहरण जीवित चीजों की द्विपद नामावली है, जिसे 18 वीं शताब्दी के मध्य में कार्ल लिनिअस द्वारा प्रस्तावित किया गया था। बड़ी संख्या में वस्तुओं पर जानकारी व्यवस्थित करने के लिए ज्ञान के कई क्षेत्रों में इसी तरह के सिस्टमैटिबिलिटी बनाए जाते हैं।



हमारे पास अभी के लिए पर्याप्त सिद्धांत हैं, आइए समस्या पर वापस आते हैं, अब जब किसी ने खुद को शब्द से परिचित कर लिया है, तो किसी ने इसे अपने सिर में ताज़ा कर लिया है, और किसी ने इसे पूरी तरह से याद किया है, हम समस्या को हल करेंगे। समाधान के लिए k- साधन क्लस्टरिंग विधि का उपयोग किया गया था, क्योंकि इस विधि में क्लस्टर की संख्या के बारे में प्रारंभिक मान्यताओं की आवश्यकता नहीं है। इस विधि का उपयोग करने के लिए, आपके पास क्लस्टर की सबसे अधिक संभावना संख्या के बारे में एक परिकल्पना होनी चाहिए। एल्गोरिथ्म का सामान्य विचार: अवलोकन समूहों के दिए गए निश्चित संख्या k को क्लस्टर में मैप किया जाता है ताकि क्लस्टर में औसतन (सभी चर के लिए) एक दूसरे से जितना संभव हो सके। तस्वीरों के प्रशंसकों के लिए और "उंगलियों पर समझाने" के प्रयास के साथ (दो के बराबर समूहों की संख्या):

K- साधन एल्गोरिथ्म के मुख्य लाभ:

• उपयोग में आसानी;
• उपयोग की गति;
• एल्गोरिथ्म की समझ और पारदर्शिता।

K- साधन एल्गोरिथ्म के नुकसान:

• एल्गोरिथ्म आउटलेर्स के लिए बहुत संवेदनशील है जो औसत को विकृत कर सकता है। इस समस्या का एक संभावित समाधान एल्गोरिथ्म का एक संशोधन का उपयोग करना है - के-माध्य एल्गोरिथ्म;
• एल्गोरिथ्म बड़े डेटाबेस पर धीरे-धीरे काम कर सकता है। इस समस्या का एक संभावित समाधान डेटा नमूना का उपयोग करना है।

व्यावहारिक कठिनाइयों और उनके समाधान

मैं तुरंत कहना चाहता हूं कि गणित के गणित के पैकेज मैटलैब में सब कुछ किया गया था (कार्यान्वयन का वर्णन एक अलग व्यापक लेख है)। शुरुआत में दिखाई गई मूल छवि के लिए के-साधन लागू करने पर, हमें निम्नलिखित खंडित छवि मिलती है:







यह देखा जा सकता है कि अधिकांश समूहों में स्पष्ट सीमाएं नहीं हैं, एक-दूसरे को ओवरलैप करते हैं। दोनों आंकड़ों की तुलना करते हुए, यह नोटिस करना मुश्किल नहीं है कि एक सामान्य क्लस्टर में इकट्ठा करने के लिए atypical ऑब्जेक्ट दिखाई दिए ("दाग" दीवार और फर्श पर), जो वांछनीय (बल्कि वास्तविक कार्य के लिए आवश्यक) हैं। यह इस तथ्य के कारण है कि एल्गोरिथ्म आउटलेर्स के लिए बहुत संवेदनशील है जो औसत को विकृत कर सकता है और प्रारंभिक छवि प्रसंस्करण करने के लिए आवश्यक है ।



बहुत चर्चा के बाद पहली बात जो मेरे दिमाग में आई, वह थी मीडियम इमेज फिल्टरिंग, जो इमेज डिटेल्स को संरक्षित करते हुए शोर को प्रभावी ढंग से हटाने का एक उपाय है जो बाद की मान्यता के लिए महत्वपूर्ण हैं। इस समस्या को हल करने की जटिलता काफी हद तक शोर की प्रकृति पर निर्भर करती है। नियतात्मक विकृतियों के विपरीत, जिन्हें मूल छवि के कार्यात्मक परिवर्तनों द्वारा वर्णित किया गया है, यादृच्छिक प्रभावों का वर्णन करने के लिए योजक, आवेग और गुणात्मक शोर मॉडल का उपयोग किया जाता है। और अब हम सिद्धांत में आसानी से गोता लगा लेंगे।



सबसे आम प्रकार का हस्तक्षेप यादृच्छिक जोड़ शोर है, जो सांख्यिकीय रूप से सिग्नल से स्वतंत्र है। एडिटिव शोर मॉडल का उपयोग तब किया जाता है जब सिस्टम आउटपुट या रूपांतरण के कुछ चरण में सिग्नल को उपयोगी सिग्नल और कुछ यादृच्छिक सिग्नल के योग के रूप में माना जा सकता है। योजक शोर मॉडल में अच्छी तरह से फिल्म अनाज के प्रभाव, रेडियो इंजीनियरिंग प्रणालियों में उतार-चढ़ाव के शोर, एनालॉग-टू-डिजिटल कन्वर्टर्स आदि में मात्रा का शोर का वर्णन किया गया है। Additive गाऊसी शोर को सामान्य वितरण के साथ मूल्यों के प्रत्येक छवि पिक्सेल के अतिरिक्त और शून्य माध्य मान के साथ विशेषता है। ऐसा शोर आमतौर पर डिजिटल छवि निर्माण के चरण में दिखाई देता है। छवियों में मुख्य जानकारी वस्तुओं की आकृति है। क्लासिक लीनियर फिल्टर प्रभावी रूप से सांख्यिकीय शोर को हटा सकते हैं, लेकिन छवि में छोटे विवरणों के धुंधलापन की डिग्री स्वीकार्य मूल्यों से अधिक हो सकती है। इस समस्या को हल करने के लिए गैर-रेखीय विधियों का उपयोग किया जाता है, उदाहरण के लिए, पेरोन और मलिक के अनिसोट्रोपिक प्रसार, द्विपक्षीय और त्रिपक्षीय फिल्टर पर आधारित एल्गोरिदम। इस तरह के तरीकों का सार स्थानीय अनुमानों का उपयोग करना है जो छवि में समोच्च निर्धारित करने के लिए पर्याप्त हैं, और ऐसे क्षेत्रों को कम से कम हद तक सुचारू करते हैं। आवेग शोर को एक निश्चित या यादृच्छिक मूल्य के मूल्यों के साथ छवि में पिक्सेल के भाग को बदलने की विशेषता है। छवि में, ऐसा शोर अलग-अलग विपरीत बिंदुओं जैसा दिखता है। आवेग शोर एक टेलीविजन कैमरा से छवियों के लिए इनपुट डिवाइस के लिए विशिष्ट है, रेडियो चैनलों के माध्यम से छवियों को प्रसारित करने के लिए सिस्टम, साथ ही छवियों को प्रसारित करने और संग्रहीत करने के लिए डिजिटल सिस्टम के लिए। आवेग शोर को दूर करने के लिए, रैंक आँकड़ों के आधार पर एक विशेष वर्ग के nonlinear फ़िल्टर का उपयोग किया जाता है। इस तरह के फिल्टर का सामान्य विचार पल्स की स्थिति का पता लगाना है और इसे अनुमानित मूल्य के साथ प्रतिस्थापित करना है, जबकि छवि के शेष पिक्सेल को बदल दिया गया है।



यदि छवि में शोर आवेगपूर्ण है और मीडियम इमेज फ़िल्टरिंग सबसे प्रभावी है, तो ज़ीरो की पृष्ठभूमि के खिलाफ चरम मूल्यों के सीमित सेट का प्रतिनिधित्व करता है। माध्य फ़िल्टर को लागू करने के परिणामस्वरूप, झुकाव वाले खंड और छवियों में चमक मूल्यों में तेज बदलाव नहीं होते हैं। यह विशेष रूप से छवियों के लिए एक बहुत ही उपयोगी संपत्ति है, जिस पर मूल जानकारी ले जाते हैं। शोर चित्रों के माध्य फ़िल्टरिंग के साथ, वस्तुओं के आकृति को सीधे चौरसाई करने की डिग्री फ़िल्टर एपर्चर के आकार और मुखौटा के आकार पर निर्भर करती है। छोटे एपर्चर आकारों में, विपरीत छवि विवरण बेहतर संरक्षित हैं, लेकिन आवेग शोर को कुछ हद तक दबा दिया जाता है। बड़े एपर्चर आकारों के साथ, विपरीत मनाया जाता है। चौरसाई एपर्चर के आकार का इष्टतम विकल्प समस्या के समाधान और वस्तुओं के आकार की बारीकियों पर निर्भर करता है। छवियों में अंतर (तेज चमक सीमाओं) को संरक्षित करने के कार्य के लिए यह विशेष महत्व है।

खैर, अब आप परिणाम दिखा सकते हैं







सब कुछ अच्छा हो गया, लेकिन निर्णय वहाँ नहीं रुकने और लगभग एक गलती से एक फोटोग्राफिक छवि को संसाधित करने के लिए एक तकनीकी तकनीक पर ठोकर खाई, जो हमें तानवाला संक्रमण (अनस्पर्श मास्किंग) के विपरीत को बढ़ाकर अधिक से अधिक तीक्ष्णता के प्रभाव को प्राप्त करने की अनुमति देता है। यह ध्यान रखना महत्वपूर्ण है कि अनस्पर्श मास्किंग वास्तव में छवि को तेज नहीं करता है। यह इमेज प्रोडक्शन के विभिन्न चरणों में खोए गए विवरण को पुनर्प्राप्त नहीं कर सकता है (जब शूटिंग, स्कैनिंग, आकार, मुद्रण)। Unsharp मास्किंग उन क्षेत्रों में छवि के स्थानीय विपरीत को बढ़ाता है जहां शुरू में रंग के परिवर्तनों में तेज बदलाव मौजूद थे। इसके लिए धन्यवाद, छवि नेत्रहीन रूप से तेज है।



यदि स्पष्ट रूप से, तो माध्य फ़िल्टरिंग और अनशरप मास्किंग के बाद, ऐसी तस्वीर होगी:







अच्छा, अब चलो प्रदर्शन करते हैं और तुलना करते हैं कि क्या हुआ और क्या बन गया:







जैसा कि आप देख सकते हैं, क्लस्टर्स की संख्या तुरंत कम हो गई और अब उनके पास स्पष्ट सीमाएं हैं, हम मान सकते हैं कि समस्या हल हो गई है, यह केवल छवि में एक वस्तु का चयन करने के लिए एक उपकरण की पेशकश करने के लिए बनी हुई है।

वस्तुओं का चयन करें। अंतिम चरण

जब क्लस्टर विश्लेषण किया जाता है, तो आप छवि में लक्ष्य ऑब्जेक्ट के निर्देशांक निर्धारित कर सकते हैं। इस क्लस्टर के लिए, उन्हें बाइनरी इमेज (मास्क) द्वारा दर्शाया जाता है, जिस पर प्रत्येक पिक्सेल के मान सशर्त रूप से एन्कोडेड होते हैं (0 - बैकग्राउंड या बैकग्राउंड, 1 - फोरग्राउंड), यानी हाइलाइटिंग बॉर्डर्स के साथ सेगमेंटेशन। उदाहरण के लिए, एक हरे रंग का ऑब्जेक्ट मास्क होगा







आपका ध्यान देने के लिए धन्यवाद, मुझे आशा है कि यह आपके लिए उपयोगी था।