RECONNAISSANCE DE FORMES IAR-6002
Download
Report
Transcript RECONNAISSANCE DE FORMES IAR-6002
RECONNAISSANCE DE
FORMES
IAR-6002
Extraction des caractéristiques
Introduction
Extraction
des caractéristiques
Introduction
L’extraction
consiste à trouver un espace des
caractéristiques de dimension d à partir d’un
espace original de D caractéristiques
La compression de l’information est accomplie
par la projection des caractéristiques originales
dans un espace de dimension inférieure et ce en
éliminant la redondance de l’information
Cette projection prend la forme:
x = A(y)
Introduction
Processus
de projection de l’ensemble des
caractéristiques originales dans un autre espace
de caractéristiques de dimension inférieure
Introduction
Si
la fonction de projection A est linéaire, nous
cherchons alors un extracteur de caractéristiques
où A est une matrice D X d, permettant la projection d’un vecteur y (dimension D) sur un vecteur x
(dimension d) et dont la forme est:
x A
T
y
Extraction des caractéristiques
Analyse
en composante principale
– Ce type de méthode est aussi appelée
• Transformée discrète de Karhunen-Loève
• Transformée de Hotelling
• Transformée en vecteurs propres
– Cette méthode permet de déduire une transformation linéaire permettant d’éliminer la corrélation
entre les composantes d’un vecteur de variables
aléatoires
Extraction des caractéristiques
Analyse
en composante principale
– Si nous avons une population (n observations) de
vecteurs aléatoires (D dimensions) de la forme:
y1
y
2
y
C
yD
• Avec comme vecteur moyenne
n
1
m y E y yi
n i 1
• Avec une matrice de covariance
y
E y mx y m y
T
1 n
yi yiT m y mTy
n i 1
Extraction des caractéristiques
Analyse
en composante principale
– Si nous avons une matrice A définissant une transformation linéaire pouvant générer un nouveau
vecteur x à partir d’un vecteur y par:
x A( y m y )
– A est construite de telle façon que ses rangées
sont les vecteurs propres de Cy
Extraction des caractéristiques
Analyse
en composante principale
– Le vecteur x est aléatoire de moyenne 0 (mx = 0)
– La matrice de covariance de x découle de:
1
C x AC y AT
0
• Le vecteur x est donc
0 composé de variables
aléatoires non corrélées
D • est la variance de x
k
k
– La transformation A élimine donc la corrélation entre
les composantes du vecteur y
Extraction des caractéristiques
Analyse
en composante principale
– Cette transformation est aussi réversible:
1
yA xA x
T
• A est symétrique
Extraction des caractéristiques
Diminution
de la dimension du vecteur y
– Nous pouvons réduire la dimension du vecteur y de
D-M (nombre de caractéristiques) en ignorant les
vecteurs propres correspondant aux D-M plus
faibles valeurs propres
– Si nous avons la matrice B de M X D (M < D)
découlant de l’élimination des D-M rangées inférieures (classée en ordre croissant d’importance) de A
Extraction des caractéristiques
Réduction
de la dimension du vecteur y
– En guise de simplification nous supposons que m =
0
– Le vecteur x transformé est alors donné par:
xˆ By
– Le vecteur y est reconstitué approximativement par:
yˆ B xˆ
T
Extraction des caractéristiques
Réduction
de la dimension du vecteur y
– L’erreur quadratique moyenne de l’approximation
est:
D
MSE i
i 1
DM
i 1
i
D
i M 1
i
Extraction des caractéristiques
Recherche
des valeurs et vecteurs propres
– Cherchons les valeurs et les vecteurs propres associés
à une matrice Cy (matrice variance-covariance)
– Si nous avons une matrice Cy de D x D nous pouvons
écrire
C y v v
–
Où v est un vecteur propre de Cy et une valeur propre
de Cy
Extraction des caractéristiques
Recherche
des valeurs et vecteurs propres
– Si nous avons une matrice Cy de D x D nous pouvons
écrire
C y v v
C y v Iv
(C y I )v 0
– Par définition, pour que soit une valeur propre il faut
que la solution v de la dernière équation soit non nulle.
Pour que v soit non nulle il faut que
C y I 0
Extraction des caractéristiques
Recherche
des valeurs et vecteurs propres
– Si nous considérons un cas d’ordre 3, nous obtenons
c11
C y I c21
c31
c12
c22
c13
c23
c32
c33
0
– Le déterminant donne
c11 (c22 )( c33 ) c23c32
c12 c21 (c33 ) c23c31
c13 c21c32 (c22 )c31 0
3 b2 2 b1 b0 0
Extraction des caractéristiques
Recherche
des valeurs et vecteurs propres
– Lorsque nous avons les valeurs propres, nous les
substituons une à une dans
(Cy-I) v = 0
pour trouver les vecteurs propres v
Extraction des caractéristiques
Recherche
des valeurs et vecteurs propres
– Exemple
2
6
Cy
2
2
0 1
6.854
2 v1
0.146
0.918
A
0.333
0.217
0
1
1
0.918
0.333
0.217
v 0.667 v 0.634
0
.
392
2
3
0.067
0.667
0.742
0.392
0.067
0.667
0.667
0.634
0.742
1
C x AC y AT
0
0
0
2
0
0 6.854
0
0
3 0
0
2
0
0
0
0.146
Extraction des caractéristiques
(principes)
Extraction des caractéristiques
(exemple en télédétection)
Extraction des caractéristiques
(exemple en télédétection)
Extraction des caractéristiques
(exemple en télédétection)
3210
1 931.4
118.5
2
83.88
64.00
D
13.40
• Les 2 premières composantes contribuent pour 94 %
de la variance totale