Interface para classificação de dados por máquinas de vetores de suporte

Abstract

In this project the Pattern Recognition Problem is approached with the Support Vector Machines (SVM) technique, a binary method of classification that provides the best solution separating the data in the better way with a hiperplan and an extension of the input space dimension, as a Machine Learning solution. The system aims to classify two classes of pixels chosen by the user in the interface in the interest selection phase and in the background selection phase, generating all the data to be used in the LibSVM library, a library that implements the SVM, illustrating the library operation in a casual way. The data provided by the interface is organized in three types, RGB (Red, Green and Blue color system), texture (calculated) or RGB + texture. At last the project showed successful results, where the classification of the image pixels was showed as been from one of the two classes, from the interest selection area or from the background selection area. The simplest user view of results classification is the RGB type of data arrange, because it’s the most concrete way of data acquisition

Neste projeto o problema do Reconhecimento de Padrões é abordado com a técnica de Máquinas de Vetores de Suporte (Support Vector Machines - SVM), um método de classificação binário que fornece a melhor solução separando os dados de maneira ótima a partir da obtenção de um hiperplano e de uma extensão da dimensão do espaço de entrada do problema, sendo uma técnica de Aprendizado de Machina. O sistema objetiva classificar duas classes de pixels escolhidos pelo usuário na interface nas fases de seleção de interesse e seleção de fundo, gerando todos os dados a serem utilizados na biblioteca LibSVM, uma biblioteca que implementa a técnica de Máquinas de Vetores de Suporte, ilustrando o funcionamento da biblioteca de uma maneira casual. Os dados fornecidos pela interface são organizados de três maneiras: RGB (Sistema de Cores baseado na combinação linear de Vermelho, Verde e Azul), textura (calculado) e RGB + textura. Por fim, o projeto apresentou resultados satisfatórios, onde a classificação dos pixels da imagem foram mostrados como sendo de uma das duas classes, da classe da área de interesse ou da classe da área de fundo. Os resultados mais facilmente identificáveis de maneira visual pelos usuários são os que usam somente os dados de RGB, já que esta é a forma mais concreta de aquisição de dados