pgaussclassification

Synopsis

Description

L'opérateur pgaussclassification implémente une classification basée sur un modèle gaussien. L'idée. est de modéliser la distribution de chaque classe par une gaussienne,
puis pour un x donné de rechercher la classe qui maximise la probabilité de contenir x. Pratiquement, pgaussclassification cherche la classe i qui minimise:

                                                            
  f(x,i) = ln(det A(i)) + t(x - m(i)).A(i)-1.(x - m(i)) - ln(P(i)2)

• x est le vecteur de caractéristiques représentant l' à classifier ;
• A(i) la matrice de covariance associée à la classe i ;
• m(i) le vecteur de moyennes des caractéristiques de la classe i ;
• P(i) la probabilité a priori de trouver la classe i.

Paramètres

• La collection col_base doit contenir les paramètres de la formule ci-dessus.
  Si l'on suppose qu'il existe n classes et p caractéristiques par élément :
  • attr_base.moy est un tableau de n*p flottants contenant à l'indice [i*n+j] la moyenne de la (j+1)ième caractéristique de la (i+1) classe.
  • attr_base.det est un tableau de n flottants contenant à l'indice [i-1] la valeur de det(A(i)).
  • attr_base.inv est le tableau des matrices A^(-1); l'indice [k*p*p + i*p +j] correspond à la cellule (i+1,j+1) de la (k+1)ième matrice.
  (Ces trois 3 attributs peuvent être calculés avec l'opérateur parraycovarmat.)
  • attr_base.pap est le tableau des probabilités a priori pour chaque classe (un tableau de n flottants donc).
  (Ce dernier attribut peut-être omis, dans le cas où les classes sont équiprobables.)
• La collection col_in doit contenir les x à classifier, sous la forme d'attributs
  attr_in.1, attr_in.2, ..., attr_in.p,
  qui sont des tableaux contenant les caractéristiques de chaque élément à classifier.
• La collection col_out contient un tableau de Ushort, donnant la classe déterminée pour chaque de col_in.

Entrées

• col_base: une collection contenant les paramètres appris.
• col_in: une collection à classer.

Sorties

• col_out: une collection.

Résultat

Retourne SUCCESS ou FAILURE.

Exemples

Classification des bonbons de l'image jellybean.pan à partir d'un échantillon des différents types de bonbons stockés dans le dossier 'base' (Unix version):

# Learning
classes=1
for i in base/*.pan
do
    pim2array ind $i /tmp/tmp1 
    parray2array ind.1 Float /tmp/tmp1| parray2array ind.2 Float | parray2array ind.3 Float - a.pan
    parraycovarmat ind ind a.pan i-01.pan
    if [ -f base.pan ]
    then pcolcatenateitem i-01.pan base.pan base.pan
    else cp i-01.pan base.pan
    fi
    classe=`expr $classe + 1`
done
rm /tmp/tmp1

# Classification
pim2array ind jellybeans.pan a.pan
parray2array ind.1 Float a.pan| parray2array ind.2 Float | parray2array ind.3 Float - b.pan
pgaussclassification ind ind ind base.pan b.pan | parray2im $ncol $nrow 0 ind | pim2rg - out.pan

Voir aussi

Prototype C++