Stáhnout prezentaci
Prezentace se nahrává, počkejte prosím
1
Definice fraktální (vnitřní) dimenze a její aplikace v databázích
Fraktální dimenze Definice fraktální (vnitřní) dimenze a její aplikace v databázích David Hoksza
2
Obsah Topologická dimenze Hausdorffova dimenze Fraktální dimenze (FD)
Výpočet FD v O(n) Aplikace při selekci atributů Výpočet FD pomocí box-counting Aplikace při detekci očí v obrázku
3
Topologická dimenze (TD)
Geometricky hladké objekty Počet parametrů popisujících objekt Pevně definovaným vztahem lze popsat libovolný bod objektu Celočíselná TD nezávisí na dimenzi prostoru, kde je daný objekt umístěn Vlastnosti tělesa nezávislé na měřítku
4
Příklady TD Přímka Funkce Libovolná hladká plocha y = y0 + kt
x = sin(t)*log(t) y = cos2(t) z = t Libovolná hladká plocha Kruh, trojúhelník, n-úhelník TD = 2
5
Hausdorffova (fraktální) dimenze (FD)
Neceločíselná Udává úroveň členitosti objektu Délka břehu ostrova Zmenšování měřítka => růst délky Zabírá více místa než hladká křivka Větší než topologická
6
Měření FD (1) Úsečka Úsečku rozdělíme na N dílů Měřítko: s = 1/N
Pro FD platí: NsD = 1 NsD = 1 logNsD = log 1 logN + logsD = 0 Dlogs = - logN D = (-lognN)/logs D = logN/log(1/s) D = logN/log(1/s) = lognN/logN = 1
7
Měření FD (2) Čtverec s = 1/N2
D = logN/log(1/s) = logN/log(N2) = 1/(1/2) = 2
8
Měření FD (3) Kochova křivka 5 iterací křivky
9
Měření FD (3) Kochova křivka 3 x zjemnění => 4 x délka
s = 1/3 => N = 4 D = logN/log(1/s) = log4/log3 =
10
“Vnořená” a “Vnitřní” Dimenze
“Embedding” (vnořená) dimenze (ED) datasetu je dimenze jeho adresového prostoru. Počet atributů datasetu “Intrinsic” (vnitřní) dimenze (ID) je dimenze prostorového objektu reprezentovaného datasetem, nezávisle na prostoru, do kterého je vnořen.
11
Vlastnosti ID a ED Vzájemně nezávislé atributy => ED == ID
Polynomiální korelace snižuje ID o jednotku Ostatní korelace můžou jinak (i o zlomek) Obvykle ID z dat není zřejmá ID určuje počet atributů potřebných k charakterizaci datasetu
12
Zobecněná Hausdorffova fraktální dimenze (1)
Rozdělme E-dimenzionální prostor do hyperkrychlí o hraně r. Budiž N(r) počet buněk obsahující alespoň 1 bod. Potom fraktální dimenze D0 je definována jako: Vhodné z matematického hlediska (nekonečný počet bodů)
13
Hausdorffova fraktální dimenze pro konečné množiny
Datasety nemají nekonečně mnoho bodů => definujeme pouze pro jistý úsek Pro množinu sebepodobných bodů v rozsahu rozlišení r z (r1,r2) je Hausdorffova dimenze D0 pro tento rozsah:
14
Zobecněná Hausdorffova dimenze pro konečné množiny
Existence zobecněné definice existuje nekonečně mnoho definic Pro množinu sebepodobných bodů v rozsahu rozlišení r z (r1,r2) je zobecněná Hausdorffova dimenze Dq definována:
15
Korelační fraktální dimenze ( vnitřní dimenze)
r – velikost pole Cr,i - počet bodů v i-tém poli velikosti r
16
FD při selekci atributů
Datová sada o N atributech Ne všechny stejně důležité Detekce existence závislosti Odstranění závislých atributů
17
FD pro selekci - koncept
Zjištění “fraktální dimenze” datasetu Zjištění atributů, které FD málo ovlivňují Odstranění atributů
18
FD pro selekci - koncept
Obvykle data v tabulce Sloupce == vlastnosti Řádky == body Tabulka == body v E-dimenzioním prostoru, kde |E| = |sloupce| Obvykle atributy vyjadřují číselné hodnoty => těžko vyjádřitelný primární klíč => indexování podle celé množiny atributů => “prokletí dimenzionality”
19
Fractal Dimension Algorithm (1)
Počítá v čase O(N*E*R) E-dimenzionální prostor Mřížka s buňkami o velikosti r Cr,i - počet bodů v i-tém poli velikosti r S(r) = suma(Cr,i2) Získání fraktální dimenze Spočítat S(r) s různými hodnotami r a spočítat směrnici výsledné přímky Vytvořena multiúrovňová struktura pro počítání S(r) <Cr,i,p>, kde p je ukazatel do další úrovně pro danou buňku Kazdá úroveň obsahuje S(r) pro hodnotu r=r/2 z předchozí úrovně Struktura je vytvářena v hlavní paměti => omezení její velikosti
20
Fractal Dimension Algorithm (2)
Množina 5-ti bodů v 2D
21
Fractal Dimension Algorithm (3)
22
Algorimus pro selekci atributů
FD (=D) <= ED (=E) Existuje D neodvoditelných atributů (D <= E) => existuje (E-D) odvoditelných atributů Získat Eliminovat Parciální fraktální dimenze (pD) Korelační fraktální dimenze datasetu bez bez jednoho či více atributů.
23
Algorimus pro selekci atributů FDR – Fractal Reduction Algorithm
Spočítaní FD celého datasetu Spočítání pD s každým odebraným atributem Vybrání atributu s minimálním rozdílem pD od FD datasetu Odebrání atributu Iterativně opakovat Př.: atributy {a,b,c} c=a+b
24
FDR
25
Datasety pro testování
Sierpinsky5 5D Sierpinského trojúhelník a=x,b=y,c=a+b,d=a2+b2,e=a2-b2 Hybrid5 a=x,b=y,c=f(a,b),d=random1,e= random2 Měna 6-ti dimenzionální dataset normaliyovaných kurzů měny z 01/02/87-01/28/97 a=Hong Kongský dolar, b=Japonský jen, c=US dolar, d=Německá marka, e=Francouzský frank, f=Britská libra Eigenfaces 11000 vekotrů obličeje z projektu Informedia 16 dimenzí
26
FD datasetů
27
Testování 450 MHz Pentium II 128 MB RAM Windows NT 4.0 C++
Počítání dimenze O(N) FDR Lineární vzhledem k N Kvadratická vzhledem k dimenzi prostoru
28
Testování – fraktální dimenze
29
Testování - FDR
30
Lokace páru očí v obrázku
3 úrovně detekce kandidátů na oko normalizace, FD, orientovaná FD, vytvoření dvojic FD hraničního obrázku, FD tváře, výstup
31
FD pomocí box-counting (1)
Počet kvádrů (box) pokrývající obrázek převedený do 3D 2D -> 3D x=x y=y z=“intenzita šedé barvy” Vytvoření mřížky obrázek IxI mřížka SxS buňky (i,j), kde 0<=i,j<r, r=spodní_celá_část(I/S) převod na krychli SxSxS’ maximální_intensita_šedé = G spodní_celá_část(G/S’) = spodní_celá_část(I/S)
32
FD pomocí box-counting (2)
Padne-li min a max intenzita šedé na buňce (i,j) do kostek k, resp. l, pak nr(i,j)=l-k+1, kde r=spodní_celá_část(I/S) celkový počet kostek potřebný k pokrytí povrchu: Nr=sumai,jnr(i,j) FD = směrnice přímky proložené jednotlivými hodnotami (log(Nr),log(1/r))
33
FD pomocí box-counting pro binární obrázek
2 hladiny – černá, bílá černá – obrázkový bod bílá – bod pozadí mřížka obrázek IxI mřížka SxS nr(i,j) = “počet obrázkových bodů v buňce” zbytek stejně jako pro šedou
34
FD v centru oka a jeho okolí
35
Detekce oka v obrázku “Údolí” – malá intenzita šedé
Kandidát na region oko (x,y), jestliže: f(x,y)<t1 , f(x,y)...obrázek tváře, t1…hranice Φv(x,y)>tv , Φv...údolí, tv…hranice vybrání kandidáta z každého regionu
36
Spárování kandidátů (1)
normalizace stupňů šedi (rozdílné světelné podmínky na každém z očí) stejná velikost stejná orientace místo square-box-counting se počítá s orintovanými kvádry horizontální fraktální dimenze FDh vertikální fraktální dimenze FDv Na rozdíl od ostatních textur se FDh a FDv duhovek výrazněji liší
37
Spárování kandidátů (2) Příklad FDh a FDv
38
Spárování kandidátů (3)
(x0,y0) ... lokace kandidáta levého oka (x1,y1) ... lokace kandidáta pravého oka Meye … průměrná FD regionu oka t1, t2, t3, t4 ... hranice
39
Verifikace párů (x,y) ... pozice regionu páru očí
Feye(x,y) … průměrná FD regionu páru očí Fface(x,y) … průměrná FD regionu tváře t5, t6 ... hranice (t5 = 0,038, t6 = 0,035) při překrytí regionů volíme minimum z: |Feye(x,y) – M’eye(x,y)| + |Fface(x,y) – M’face(x,y)|
40
Experimenty Použití MIT a ORL databáze obličejů
41
Získání ostatních vlastností
42
Literatura Fast feature selection using fractal dimension
Caetano Tranja Jr., Afma Traina, Leejay Wu, Christos Faloutsos Estimating the Selectivity of Spatial Queries Using the ‘Correlation’ Fractal Dimension Alberto Belussi, Christos Faloutsos Fractional Box-Counting Approach to Fractal Dimension Estimation Jie Feng, Wei-Chung Lin, Chin-Tu Chen Locating the eye in human face images using fractal dimensions K.-H.Lin, K.-M.Lam,W.-C.Siu Fraktály v počítačové grafice Pavel Tišnovský,
Podobné prezentace
© 2024 SlidePlayer.cz Inc.
All rights reserved.