Zu dieser Karteikarte gibt es einen kompletten Satz an Karteikarten. Kostenlos!
41
Wo findet die PCA in der BV Anwendung?
Die PCA kommt aus der Statistik. In der Bildverarbeitung und speziell in der Mustererkennung wird sie verwendet um z.B. einen hochdimensionalen Feature-Raum auf die aussagekräftigsten Feature zu reduzieren. Dabei ist ein linearer Zusammenhang der einzelnen Features zu einander bedeutend. Es kann herausgefilter werden welche Features weniger zur Aussage des Musters beitragen ... oder vielleicht sogar redunant sind.
Weiter Anwendungen:
Beispiel (Schiffe charakterisieren):
Betrachtet werden Artillerieschiffe des Zweiten Weltkriegs. Sie sind eingeteilt in die Klassen Schlachtschiffe, schwere Kreuzer, leichte Kreuzer und Zerstörer. Es liegen Daten für ca. 200 Schiffe vor. Es wurden die Merkmale Länge, Breite, Wasserverdrängung, Tiefgang, Leistung der Maschinen, Geschwindigkeit (längerfristig mögliche Höchstgeschwindigkeit), Aktionsradius und Mannschaftsstärke erfasst. Eigentlich messen die Merkmale Länge, Breite, Wasserverdrängung und Tiefgang alle einen ähnlichen Sachverhalt. Man könnte hier also von einem Faktor „Größe“ sprechen. Die Frage ist, ob noch andere Faktoren die Daten bestimmen. Es gibt tatsächlich noch einen zweiten deutlichen Faktor, der vor allem durch die Leistung der Maschinen und die Höchstgeschwindigkeit bestimmt wird. Man könnte ihn zu einem Faktor „Geschwindigkeit“ zusammenfassen.
=> Ein Schiff kann im wesentlich durch nur Zwei Faktoren beschrieben werden anstatt durch die komplette Anzahl der Merkmale
=> Speicherplatz/Rechenzeit sparen / Daten anschaulicher
Das Feature "Farbe" ist z.B. als Charakterisierungsmerkmal zur Bestimmung der Leistungsfähigkeit eines Schiffes insgesamt nicht geeignet und ist als Feature unbedeutend. Es hat keinen linearen Zusammenhang im Bezug zu anderen Schiffen (Farbe kann willkürlich sein).
Weiter Anwendungen:
- Bildkompression
- Farbnormalisierung (Color-Cluster-Rotation)
- Feature-Anzahl bei Data-Mining reduzieren
- Ausdehnung eines Objektes (z.B. Binärisiert)
- Clusteranalyse
- Farbbild: Größte Ausdehnung der Punktwolke im RGB-Würfel (z.B. "Rotstich")
Beispiel (Schiffe charakterisieren):
Betrachtet werden Artillerieschiffe des Zweiten Weltkriegs. Sie sind eingeteilt in die Klassen Schlachtschiffe, schwere Kreuzer, leichte Kreuzer und Zerstörer. Es liegen Daten für ca. 200 Schiffe vor. Es wurden die Merkmale Länge, Breite, Wasserverdrängung, Tiefgang, Leistung der Maschinen, Geschwindigkeit (längerfristig mögliche Höchstgeschwindigkeit), Aktionsradius und Mannschaftsstärke erfasst. Eigentlich messen die Merkmale Länge, Breite, Wasserverdrängung und Tiefgang alle einen ähnlichen Sachverhalt. Man könnte hier also von einem Faktor „Größe“ sprechen. Die Frage ist, ob noch andere Faktoren die Daten bestimmen. Es gibt tatsächlich noch einen zweiten deutlichen Faktor, der vor allem durch die Leistung der Maschinen und die Höchstgeschwindigkeit bestimmt wird. Man könnte ihn zu einem Faktor „Geschwindigkeit“ zusammenfassen.
=> Ein Schiff kann im wesentlich durch nur Zwei Faktoren beschrieben werden anstatt durch die komplette Anzahl der Merkmale
=> Speicherplatz/Rechenzeit sparen / Daten anschaulicher
Das Feature "Farbe" ist z.B. als Charakterisierungsmerkmal zur Bestimmung der Leistungsfähigkeit eines Schiffes insgesamt nicht geeignet und ist als Feature unbedeutend. Es hat keinen linearen Zusammenhang im Bezug zu anderen Schiffen (Farbe kann willkürlich sein).
Karteninfo:
Autor: JanBo
Oberthema: Digitale Bildverarbeitung
Thema: IPCV
Schule / Uni: Universität Koblenz-Landau
Ort: Koblenz
Veröffentlicht: 20.11.2010