[Ψηφιακή Επεξεργασία Εικόνας] - Εργασία 3η 2018

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

[Πληροφορίες Καθηγητών]

Πληροφορίες Καθηγητών

[christina_]

Απορίες και ανακοινώσεις σχετικά με την 3η εργασία.

Ημερομηνία υποβολής 2/7

[georgettaki]

Για την δεύτερη συνάρτηση που πρέπει να υλοποιήσουμε, εκεί που λέει στην εκφώνηση "clusterIdx: Οι ετικέτες που δείχνουν σε πιο cluster ανήκει ο κάθε κόμβος του γράφου"  και  "Το nx1 διάνυσμα labels που επιστρέφει η ρουτίνα περιέχει τις ετικέτες των clusters
στις οποίες ανήκουν τα δείγματα εισόδου" . Εννοεί ότι το labels και το clusterIdx ταυτίζονται; Κι αν όχι τι μεσολαβεί από το labels στο clusterIdx ;

[nckaranik]

Εγώ δεν χρησιμοποίησα καθόλου τα yi, δεν κατάλαβα πώς ακριβώς μπορώ να τα χωρέσω στις διαστάσεις.
Τα αποτελέσματά μου για το demo 1 ήταν:

clusterId2 =      1      1      1      1      2      2      2      2      1      1      1      1

clusterId3 =      1      1      1      1      2      2      2      2      3      3      3      3

clusterId4 =      2      4      2      2      4      3      3      3      1      1      1      1

Δεν έχω την παραμικρή ιδέα τι σημαίνουν, το 4 μου χάλασε όποιες ελπίδες για μοτίβο.

[malamasn]

Η kmeans παίρνει ως oρίσματα έναν πίνακα nxk, που για μας είναι ο πίνακας με στήλες τα ιδιοδιανύσματα του affinity matrix και το πλήθος των cluster. Το n = πλήθος των pixel της εικόνας που είναι ίσο και με την κάθε διάσταση του affinity mat και το k = πλήθος cluster.
Όταν λέει yi, εννοεί ότι για κάθε στοιχείο η kmeans χρησιμοποιεί περισσότερες από μια τιμές για να υπολογίσει το cluster του κάθε pixel (αν και στην πραγματικότητα το ιδιοδιάνυσμα με την μικρότερη ιδιοτιμή είναι περιττό γιατί έχει ίσες τιμές σ όλα τα στοιχεία του). Αλλά το γραφει και ως υποσημείωση ότι για λόγους ευκολίας το βάζουμε.
Η kmeans δίνει τελικά το clusterIdx που είναι ένας πίνακας στήλη nx1 που περιέχει τις ετικέτες για τα pixel. Κάθε pixel, (διαβάζοντας την εικόνα σειριακά και όχι 2Δ) ανήκει σε μια ομάδα που στη δείχνει το label.

nckaranik χρησιμοποίησες την rng(1);

[Ap.Mor.]

Για τα demo3b και demo3c μπορεί κάποιος να εξηγήσει πως θα σπάσουμε την εικόνα σε 2;
Βασικά,το δυαδικό δέντρο που μας λέει τι θα περιέχει πρακτικά και πως θα ενοποιήσουμε όλα αυτά τα clusters που θα προκύψουν;

[georgettaki]

Ευχαριστώ πολύ για την απάντηση. Και μία άλλη διευκρίνηση : εκεί που λέει "Ουσιαστικά η μετρική assoc(A; V ) είναι το άθροισμα όλων των βαρών μεταξύ των κόμβων που ανήκουν στην ομάδα Α (ή έχουν ετικέτα 1) προς όλους τους κόμβους του γράφου (V)." Εννοεί προς το πλήθος όλων των κόμβων του γράφου; Και αντίστοιχα αν είναι assoc(Α,Α) , προς το πλήθος των κόμβων που έχουν label =1 ;

[malamasn]

Ευχαριστώ πολύ για την απάντηση. Και μία άλλη διευκρίνηση : εκεί που λέει "Ουσιαστικά η μετρική assoc(A; V ) είναι το άθροισμα όλων των βαρών μεταξύ των κόμβων που ανήκουν στην ομάδα Α (ή έχουν ετικέτα 1) προς όλους τους κόμβους του γράφου (V)." Εννοεί προς το πλήθος όλων των κόμβων του γράφου; Και αντίστοιχα αν είναι assoc(Α,Α) , προς το πλήθος των κόμβων που έχουν label =1 ;

Όχι προς το πλήθος, αλλά προς το αθροισμα των βαρών. Κάθε assoc δηλαδή ειναι ένας λόγος από αθροίσματα. Το (Α,Α) ή το (Α,ν) είναι αμα το σκεφτείς πάνω στον γράφο από που ξεκινάει και που καταλήγει κάθε σύνδεση που μετράς το βάρος της, δηλαδή ξεκινάς από κόμβο του Α και καταλήγεις σε κόμβο του Α για την πρώτη περίπτωση.

[georgettaki]

Όχι προς το πλήθος, αλλά προς το αθροισμα των βαρών. Κάθε assoc δηλαδή ειναι ένας λόγος από αθροίσματα. Το (Α,Α) ή το (Α,ν) είναι αμα το σκεφτείς πάνω στον γράφο από που ξεκινάει και που καταλήγει κάθε σύνδεση που μετράς το βάρος της, δηλαδή ξεκινάς από κόμβο του Α και καταλήγεις σε κόμβο του Α για την πρώτη περίπτωση.

Ρε συ, απλά μάλλον κάτι δεν καταλαβαίνω, γιατί με αυτή την λογική μου φαίνεται ότι το assoc(A,A) θα μας βγάζει ένα, από την στιγμή που θα έχω ίδιο άθροισμα σε αριθμητή και παρονομαστή... Αν μπορείς πες μου τι διαφορετικό θα έχουν ο αριθμητής και ο παρονομαστής στην περίπτωση του assoc(Α,Α).

[georgettaki]

Ρε συ, απλά μάλλον κάτι δεν καταλαβαίνω, γιατί με αυτή την λογική μου φαίνεται ότι το assoc(A,A) θα μας βγάζει ένα, από την στιγμή που θα έχω ίδιο άθροισμα σε αριθμητή και παρονομαστή... Αν μπορείς πες μου τι διαφορετικό θα έχουν ο αριθμητής και ο παρονομαστής στην περίπτωση του assoc(Α,Α).

Τελικά αυτό που κατάλαβα είναι ότι το assoc(A,A) είναι το άθροισμα των βαρών μεταξύ (των κόμβων με ετικέτα Α - των κόμβων με ετικέτα Α)  και ότι το assoc(A,V) είναι το άθροισμα των βαρών μεταξύ (των κόμβων με ετικέτα Α - των κόμβων με ετικέτα V,δηλαδή όλους τους κόμβους). Επομένως το κάθε assoc δεν αντιστοιχεί σε κλάσμα αλλά ένα άθροισμα. Και ότι οι παράμετροι του assoc δηλώνουν τί ετικέτα θα έχουν οι κόμβοι μεταξύ των οποίων θα λάβουμε υπόψη το βάρος και θα το αθροίσουμε. Γι αυτό μπερδεύτηκα πριν. Γιατί ανέφερε την λέξη "προς" στην εκφώνηση και εγώ κατάλαβα κλάσμα.

[arisss]

Στον σχολιασμο των αποτελεσματων ή στην συγκριση στο 3ο ερωτημα, ξερετε τι θελει να του δειξουμε?

[Ap.Mor.]

Στον σχολιασμο των αποτελεσματων ή στην συγκριση στο 3ο ερωτημα, ξερετε τι θελει να του δειξουμε?

Αν εννοείς τα αποτελέσματα του demo3a φαντάζομαι πως πρέπει να δείξουμε πόσα και ποια clusters βρήκε η κάθε διαδικασία πάνω σε κάθε εικόνα.
Μπορείς να φτιάξεις νέες εικόνες με βάση τα clusters και την αρχική  και να συγκρίνεις ποια διαδικασία έκανε καλύτερη δουλειά.

[arisss]

Αν εννοείς τα αποτελέσματα του demo3a φαντάζομαι πως πρέπει να δείξουμε πόσα και ποια clusters βρήκε η κάθε διαδικασία πάνω σε κάθε εικόνα.
Μπορείς να φτιάξεις νέες εικόνες με βάση τα clusters και την αρχική  και να συγκρίνεις ποια διαδικασία έκανε καλύτερη δουλειά.

Οταν λεμε να φτιαξω νεες εικονες? παιρνω απο τα clusters που ανηκει το καθε pixel, μετα αυτο πως το χρησιμοποιω για να φτιαξω εικονα?

[Ap.Mor.]

Οταν λεμε να φτιαξω νεες εικονες? παιρνω απο τα clusters που ανηκει το καθε pixel, μετα αυτο πως το χρησιμοποιω για να φτιαξω εικονα?

Μπορείς να κάνεις ένα logical πίνακα που δείχνει κάθε cluster και μετά να τον πολλαπλασιάσεις στοιχείο-στοιχείο με την αρχική εικόνα.
Αν για παράδειγμα clustID είναι ο πίνακας που δείχνει σε ποιο cluster ανήκει κάθε pixel.

Code:

I1=clustID==1                    %Για το 1ο cluster
image1=Image.*I1
I2=clustID==2                    %Για το 2ο cluster
image2=Image.*I2

Έτσι κάνεις μια εικόνα που σου δείχνει πληροφορία στο segment ενώ στα υπόλοιπα στοιχεία 0.

[Ap.Mor.]

Η παραπάνω διαδικασία ίσως είναι λίγο προβληματική για τα segments που έχουν μαύρο αλλά δεν βρήκα κάτι καλύτερο

[arisss]

Η παραπάνω διαδικασία ίσως είναι λίγο προβληματική για τα segments που έχουν μαύρο αλλά δεν βρήκα κάτι καλύτερο

Έγινε, ευχαριστώ για την διευκρίνηση.