ABSTRACT
Acronyms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347 20.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348 20.2 Image Reading/Writing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349 20.3 Conversion between Colour and Grayscale Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352 20.4 Feature Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
20.4.1 Local Level Feature Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354 20.4.2 Segment-Level Feature Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356 20.4.3 Global-Level Feature Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 358
20.5 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 359 Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 359 Glossary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361 Bibliography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362
RGB - Red, Green, Blue
IMMI - IMage MIning Extension
HSV - High Saturated Values
Applications
In general, data mining is the process of analysing data from different perspectives and summarizing it into useful information-information that, for example, can be used to increase revenue, cuts costs, or both, and so on. The most common approach in data mining is to mine information from structured data, i.e., the data is structured into tabular form, where each column has its own given meaning. In RapidMiner, most of the learning algorithms expect tabular data (Example Set) as an input.
