1 / 42

Fraktální dimen ze

Fraktální dimen ze. Definice frakt ální ( vnitřní ) dimen ze a jej í aplikace v datab ázích. David Hoks za. Obsah. Topologick á dimen ze Hausdorffova dimenze Frakt ální dimen ze (FD) Výpočet FD v O(n) Aplikace při selekci atributů Výpočet FD pomocí box -counting

ursala
Download Presentation

Fraktální dimen ze

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. 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 • y = y0 + kt • TD = 1 • Funkce • x = sin(t)*log(t) • y = cos2(t) • z = t • TD = 1 • 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 = 1.261895

  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 atributůFDR – 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 • 5D Sierpinského trojúhelník • 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, www.root.cz

More Related