HALCON Website / HALCON Operator-Referenz / Klassifikation / Gaussian Mixture Models
KlassenKlassenKlassenKlassen | | | | Operatoren

classify_class_gmmT_classify_class_gmmClassifyClassGmmclassify_class_gmmClassifyClassGmmClassifyClassGmm (Operator)

Name

classify_class_gmmT_classify_class_gmmClassifyClassGmmclassify_class_gmmClassifyClassGmmClassifyClassGmm — Berechnen der Klasse eines Merkmalsvektors durch ein Gaussian Mixture Model.

Signatur

classify_class_gmm( : : GMMHandle, Features, Num : ClassID, ClassProb, Density, KSigmaProb)

Herror T_classify_class_gmm(const Htuple GMMHandle, const Htuple Features, const Htuple Num, Htuple* ClassID, Htuple* ClassProb, Htuple* Density, Htuple* KSigmaProb)

Herror classify_class_gmm(const HTuple& GMMHandle, const HTuple& Features, const HTuple& Num, HTuple* ClassID, HTuple* ClassProb, HTuple* Density, HTuple* KSigmaProb)

HTuple HClassGmm::ClassifyClassGmm(const HTuple& Features, const HTuple& Num, HTuple* ClassProb, HTuple* Density, HTuple* KSigmaProb) const

void ClassifyClassGmm(const HTuple& GMMHandle, const HTuple& Features, const HTuple& Num, HTuple* ClassID, HTuple* ClassProb, HTuple* Density, HTuple* KSigmaProb)

HTuple HClassGmm::ClassifyClassGmm(const HTuple& Features, Hlong Num, HTuple* ClassProb, HTuple* Density, HTuple* KSigmaProb) const

void HOperatorSetX.ClassifyClassGmm(
[in] VARIANT GMMHandle, [in] VARIANT Features, [in] VARIANT Num, [out] VARIANT* ClassID, [out] VARIANT* ClassProb, [out] VARIANT* Density, [out] VARIANT* KSigmaProb)

VARIANT HClassGmmX.ClassifyClassGmm(
[in] VARIANT Features, [in] Hlong Num, [out] VARIANT* ClassProb, [out] VARIANT* Density, [out] VARIANT* KSigmaProb)

static void HOperatorSet.ClassifyClassGmm(HTuple GMMHandle, HTuple features, HTuple num, out HTuple classID, out HTuple classProb, out HTuple density, out HTuple KSigmaProb)

HTuple HClassGmm.ClassifyClassGmm(HTuple features, int num, out HTuple classProb, out HTuple density, out HTuple KSigmaProb)

Beschreibung

classify_class_gmmclassify_class_gmmClassifyClassGmmclassify_class_gmmClassifyClassGmmClassifyClassGmm berechnet mit dem durch GMMHandleGMMHandleGMMHandleGMMHandleGMMHandleGMMHandle gegebenen Gaussian Mixture Model (GMM) die NumNumNumNumNumnum besten Klassen des Merkmalsvektors FeaturesFeaturesFeaturesFeaturesFeaturesfeatures und gibt die Klassen in ClassIDClassIDClassIDClassIDClassIDclassID und die zugehörigen Wahrscheinlichkeiten der Klassen in ClassProbClassProbClassProbClassProbClassProbclassProb zurück. Das GMM muss vor der Verwendung von classify_class_gmmclassify_class_gmmClassifyClassGmmclassify_class_gmmClassifyClassGmmClassifyClassGmm mit train_class_gmmtrain_class_gmmTrainClassGmmtrain_class_gmmTrainClassGmmTrainClassGmm trainiert werden.

classify_class_gmmclassify_class_gmmClassifyClassGmmclassify_class_gmmClassifyClassGmmClassifyClassGmm entspricht dem Aufruf von evaluate_class_gmmevaluate_class_gmmEvaluateClassGmmevaluate_class_gmmEvaluateClassGmmEvaluateClassGmm und der zusätzlichen Bestimmung der besten NumNumNumNumNumnum Klassen. Wie bei evaluate_class_gmmevaluate_class_gmmEvaluateClassGmmevaluate_class_gmmEvaluateClassGmmEvaluateClassGmm beschrieben, können die Ausgabewerte ClassProbClassProbClassProbClassProbClassProbclassProb des GMM als Wahrscheinlichkeiten des Auftretens der jeweiligen Klasse interpretiert werden. Im Normalfall, sollte es ausreichend sein, NumNumNumNumNumnum = 1 zu verwenden, um zu entscheiden, ob die Wahrscheinlichkeit der besten Klasse des Merkmalsvektors hoch genug ist. In manchen Anwendungen kann es aber auch interessant sein, die zweitbeste Klasse zu betrachten (NumNumNumNumNumnum = 2), insbesondere, wenn zu erwarten ist, dass sich die Klassen signifikant überlappen.

Die Parameter DensityDensityDensityDensityDensitydensity und KSigmaProbKSigmaProbKSigmaProbKSigmaProbKSigmaProbKSigmaProb sind bei evaluate_class_gmmevaluate_class_gmmEvaluateClassGmmevaluate_class_gmmEvaluateClassGmmEvaluateClassGmm beschrieben.

Parallelisierung

Parameter

GMMHandleGMMHandleGMMHandleGMMHandleGMMHandleGMMHandle (input_control)  class_gmm → HClassGmm, HTupleHTupleHClassGmm, HTupleHClassGmmX, VARIANTHtuple (integer) (IntPtr) (Hlong) (Hlong) (Hlong) (Hlong)

Handle des GMM.

FeaturesFeaturesFeaturesFeaturesFeaturesfeatures (input_control)  real-array → HTupleHTupleHTupleVARIANTHtuple (real) (double) (double) (double) (double) (double)

Merkmalsvektor.

NumNumNumNumNumnum (input_control)  integer → HTupleHTupleHTupleVARIANTHtuple (integer) (int / long) (Hlong) (Hlong) (Hlong) (Hlong)

Anzahl der zu bestimmenden besten Klassen.

Defaultwert: 1

Wertevorschläge: 1, 2, 3, 4, 5

ClassIDClassIDClassIDClassIDClassIDclassID (output_control)  integer(-array) → HTupleHTupleHTupleVARIANTHtuple (integer) (int / long) (Hlong) (Hlong) (Hlong) (Hlong)

Ergebnis der Klassifikation des Merkmalsvektors durch das GMM.

ClassProbClassProbClassProbClassProbClassProbclassProb (output_control)  real-array → HTupleHTupleHTupleVARIANTHtuple (real) (double) (double) (double) (double) (double)

Die a-posteriori-Klassenwahrscheinlichkeit.

DensityDensityDensityDensityDensitydensity (output_control)  real-array → HTupleHTupleHTupleVARIANTHtuple (real) (double) (double) (double) (double) (double)

Wahrscheinlichkeitsdichte des Merkmalsvektors.

KSigmaProbKSigmaProbKSigmaProbKSigmaProbKSigmaProbKSigmaProb (output_control)  real-array → HTupleHTupleHTupleVARIANTHtuple (real) (double) (double) (double) (double) (double)

Normalisierte k-Sigma-Wahrscheinlichkeit für den Merkmalsvektor.

Ergebnis

Sind die Parameterwerte korrekt, dann liefert classify_class_gmmclassify_class_gmmClassifyClassGmmclassify_class_gmmClassifyClassGmmClassifyClassGmm den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine Fehlerbehandlung durchgeführt.

Vorgänger

train_class_gmmtrain_class_gmmTrainClassGmmtrain_class_gmmTrainClassGmmTrainClassGmm, read_class_gmmread_class_gmmReadClassGmmread_class_gmmReadClassGmmReadClassGmm

Alternativen

evaluate_class_gmmevaluate_class_gmmEvaluateClassGmmevaluate_class_gmmEvaluateClassGmmEvaluateClassGmm

Siehe auch

create_class_gmmcreate_class_gmmCreateClassGmmcreate_class_gmmCreateClassGmmCreateClassGmm

Literatur

Christopher M. Bishop: „Neural Networks for Pattern Recognition“; Oxford University Press, Oxford; 1995.
Mario A.T. Figueiredo: „Unsupervised Learning of Finite Mixture Models“; IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 24, No. 3; March 2002.

Modul

Foundation

KlassenKlassenKlassenKlassen | | | | Operatoren
HALCON Operator-Referenz 12.0.2 Copyright © 1996-2016 MVTec Software GmbH