Univerzitet u Tuzli 

Fakultet elektrotehnike Tuzla 

 
 
 
 
 
 
 
 
 
 
 
 
 
Seminarski rad 
 
Klasifikacija rock-paper-scissors slika  
predmet: Prepoznavanje uzoraka 
 
 
 
 
 
Student: Irma Hadžić Profesor: dr.sc.Damir Demirović, vanr.prof. 
 
 
 
 
 
 
 
 
 
Tuzla, 18.4.2020 
 
 
Sažetak 
 
U  ovom  seminarskom  radu  obrađen  je  postupak  klasifikacije  rock-paper-scissors  slika. 
Rock-paper-scissors  je  poznata  igra  rukama  u  kojoj  igrač  pomoću  šake  pokazuje  jedan  od tri oblika, te 
na  osnovu  definisanih  pravila  i  suigračevog  oblika, dobija ili gubi. Cilj ovog istraživanje jeste da pomoću 
kompjuterske  vizije  i  na  osnovu  d​ataseta  koji  je  priložen  na  stranici  ​kaggle.com  prepoznaju  se,  te 
klasifikuju  oblici  koji  definišu  pomenutu  igru.  U  uvodu  je  opisan  koncept  igre  i  sam  pojam klasifikacije 
slika,  kao  i  njen  značaj,  te  kasnije  dijelovi  koji  učestvuju  u  samoj  klasifikaciji,  metode  klasifikacije, 
odnosno korištene biblioteke uz pomoć programskog jezika Python.   
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

2
Abstract 
 
This  paper describes the process of classification of rock-paper-scissors images. Rock-paper-scissors is 
a  well  known  hand  game  in  which  the  player  forms  one  of  three shapes with an outstretched hand and 
then  depending  on  the  opponent’s  shape  and  the rules, wins or loses. The goal of this research is image 
recognition  and  classification  of  the  shapes  in  the  mentioned  game  using  computer  vision and dataset 
from  ​kaggle.com​.  The  introduction  of  this  paper  describes  the  concept  of  the  game,  as  well  as  the 
concept  of  image  classification  and  its  purpose, just like parts that are used in the process, methods of 
classification, that is the libraries using the Python programming language.   

3
Sadržaj 
 
1  Uvod ……………………………………………………………………………………………………………………………………………….6 
1.1  Kamen-papir-makaze …………………………………………………………………………………………………………………..6 
1.2  Klasifikacija slika ………………………………………………………………………………………………………………………….7 
2 Dataset ​…………………………………………………………………………………………………………………………………………..9 
2.1 Opis d​ataseta …​ ……………………………………………………………………………………………………………………………..9 
2.2  Sadržaj d​ataseta …​ ………………………………………………………………………………………………………………………..9 
2.3 Format ​dataseta … ​ ………………………………………………………………………………………………………………………...9 
2.4 Korištene metode i biblioteke …………………………………………………………………………………………………….9 
3 Principal Component Analysis Visualization ……………………………………………………………………………10 
3.1 Uvod u PCA …………………………………………………………………………………………………………………………………..10 
3.2 Setup ​…………………………………………………………………………………………………………………………………………….10 
3.3 Istraživanje ​dataseta ​…………………………………………………………………………………………………………………..11 
3.4 PCA metoda ………………………………………………………………………………………………………………………………….13 
3.5 Principal component vectors ……………………………………………………………………………………………………..14 
3.6 Reprezentacija slika preko svojih vektora principalnih komponenata ………………………………….18 
4 Zaključak ……………………………………………………………………………………………………………………………………….28 
5  Literatura ……………………………………………………………………………………………………………………………………...29 
   

4
Popis slika  
 
Slika 1. ​
Prikaz međusobnog nadjačavanja oblika ………………………………………………………………………………………...6 
Slika 2. Pipeline klasifikacije slika ………………………………………………………………………………………………………………...7 
Slika 3. Različiti izgledi istih objekata usljed drugačijih uslova ……………………………………………………………....8 
Slika 4. Dijelovi slika iz korištenog d​ataseta​………………………………………………………………………………………………..9 
Slika 5. Importovanje biblioteka …………………………………………………………………………………………………………………..10 
Slika 6. Instaliranje ​rpscv​paketa ………………………………………………………………………………………………………………...11 
Slika 7. Kreiranje simboličkog linka ……………………………………………………………………………………………………………..11 
Slika 8. Importovanje modula i​mgproc … ​ ……………………………………………………………………………………………………..11 
Slika 9. Predprocesiranje slika ……………………………………………………………………………………………………………………..12 
Slika 10. Rezultati predprocesiranja …………………………………………………………………………………………………………….12 
Slika 11. Preoblikovanje i prikazivanje slike ………………………………………………………………………………………………...12 
Slika 12. Sadržaj niza y …………………………………………………………………………………………………………………………………...13 
Slika 13. Tekstualne oznake slika …………………………………………………………………………………………………………………..13 
Slika 14. Podešavanje transformera PCA ……………………………………………………………………………………………………...13 
Slika 15. Prikaz odstupanja komponenata …………………………………………………………………………………………………….14 
Slika 16. PCA komponente ………………………………………………………………………………………………………………………………15 
Slika 17. Preoblikovanje principalne komponente ………………………………………………………………………………………..15 
Slika 18. Niz srednjih vrijednosti ulaznih slika ……………………………………………………………………………………………..15 
Slika 19. Vizualiziranje srednje vrijednosti ulazne slike ……………………………………………………………………………...16 
Slika 20. Kod za iscrtavanje komponenata …………………………………………………………………………………………………...16 
Slika 21. Prvih 20 komponenata ……………………………………………………………………………………………………………………..17 
Slika 22. Sljedećih 20 komponenata ……………………………………………………………………………………………………………...18 
Slika 23. Transformacija originalne slike ……………………………………………………………………………………………………….18 
Slika 24. Rekonstrukcija originalne slike iz princ.komponenata ………………………………………………………………...19 
Slika 25. Funkcija za iscrtavanje slika …………………………………………………………………………………………………………….20 
Slika 26. Rezultati iscrtavanja sve tri slike ……………………………………………………………………………………………………21 
Slika 27. Funkcija za iscrtavanje pojedinačne faze rekonstrukcije ……………………………………………………………..22 
Slika 28. Dijelovi rezultata za oblik ‘paper’ …………………………………………………………………………………………………...24 
Slika 29. Dijelovi rezultata za oblik ‘rock’ ……………………………………………………………………………………………………...25 
Slika 30. Dijelovi rezultata za oblik ‘scissors’ ………………………………………………………………………………………………..27 
 
 
 
 
 
 
 
 

5
 1. Uvod  
1.1 Kamen-makaze-papir 

Kamen-makaze-papir  je  igra  u  kojoj  dva  igrača  koriste  isključivo  ruke.  Igrači  u  isto  vrijeme 
pokazuju  jedan  od  tri  oblika:  kamen,  makaze  ili  papir.  Kamen  pobjeđuje  makaze,  makaze  pobjeđuju 
papir,  papir  pobjeđuje  kamen.  U  slučaju  da  oba  igrača  bace  isti  znak  ostaje  neriješeno.  Izgovaranje 
fraze:  "kamen-makaze-papir",  za  vrijeme  koje  se  stisnutom  šakom  maše,  slijedi  pokazivanju  odabranog 
znaka.  Igra  se  igra  ili  iz  prve  pobijeđene  ili  do  određenog  broja  pobjeda  (najčešće  tri).  Ova  metoda  se 
često  koristi  kao  metoda  biranja  slična  bacanju  ​novčića  ili  ​kocke​.  Za  razliku  od  tih nasumičnih metoda 
kod  kamen-makaze-papir  se  može  uz  određenu  ​vještinu  i  uzastopno  pobjeđivati.  Te  vještine  bi  bile 
prepoznavanje nesvjesnog ponašanja i iskorištavanje istog (igrač konstantno baca iste obrasce itd.). 
 

 
Slika 1. ​Prikaz međusobnog nadjačavanja oblika 

6
1.2 Klasifikacija slika  

Klasifikacija  slika  predstavlja  proces  kompjuterske  vizije  u  kojoj  se  slika  može  klasifikovati 
prema  njenom  vizualnom  sadržaju.  Npr.,  algoritam  klasifikacije  može  reći  da  li  se  na  određenoj  slici 
nalazi  neki  konkretan  objekt.  Dok  je  detekcija objekata na slikama za čovjeka trivijalna stvar, precizna i 
pouzdana klasifikacija slika još uvijek predstavlja izazov u aplikacijama koje koriste kompjutersku viziju.  
Zadaća  problema  klasifikacije  slika  je  određivanje  ispravne  klase  iz  fiksnog  skupa  kategorija  za  svaku 
sliku  iz  ulaznog  skupa  podataka.  Problem  klasifikacije  jedan  je  od  glavnih  problema  u  području 
računalnog  vida,  te  se  njegovim  rješavanjem  otvara  širok  spektar  praktičnih  primjena.  Mnogi  problemi 
računalnog vida (prepoznavanje objekata, segmentacija) mogu se svesti na problem klasifikacije slika. 
 
 

 
 
Slika 2. Pipeline klasifikacije slika 
 
Klasifikacija  slika  je  nadgledani  proces  učenja  koji  se  sastoji  iz  sljedećih  koraka:  definiši  set  ciljnih 
klasa  (objekata koji se identifikuju na slikama) i treniraj model da ih prepozna koristeći označene testne 
slike  kao  ulaz.  Rana  kompjuterska  vizija  se  oslanjala  na  sirove  podatke  iz  piksela  kao  ulaz  u  model. 
Međutim,  sami  sirovi  podaci  iz  piksela  ne  proizvode  dovoljno  stabilnu  reprezentaciju  koja  bi obuhvatila 
sve  moguće  varijacije  objekta  koji  se  može  naći  na  slici.  Pozicija  objekta,  pozadina  iza  objekta, 
pozadinsko  osvjetljenje,  ugao  kamere  i  fokus  kamere,  svi  oni  mogu  proizvesti  fluktuacije  u  sirovim 
podacima  iz  piksela;  ove  razlike  su  dovoljno  značajne  da  ne  mogu  biti  prepravljene  čak  ni  uzimajući  u 
obzir prosjek RGB vrijednosti pojedinačnog piksela. 
Da  bi  se  objekti  modelovali  fleksibilnije,  klasični  modeli  kompjuterske  vizije  su dodali nove mogućnosti 
izvedene  iz  podataka  iz  piksela,  kao  što  su  histogrami  boja,  teksture  i  oblici.  Loša strana ovog pristupa 
jeste  to  što  je  inženjerstvo  sa  ove  strane  u  kojoj  se  moraju  predvidjeti  i  jasno  definirati  mnogi  mogući 
dijelovi  objekata,  te  izdvajanje  onih  koji  su  krucijalni,  jako  teško,  naporno  i  zahtijeva  mnogo  vremena  i 
truda.  Upravo  zbog  toga  što  su  određeni  dijelovi  objekata  morali  biti  definirani  veoma  precizno, 
izgradnja  modela  koje  će  vršiti  klasifikaciju  i  njegova  tačnost  uveliko zavisi od broja, te količine detalja 
objekata koji su predmet klasifikacije.  
 

7
  
 
Slika 3. Različiti izgledi istih objekata usljed drugačijih uslova  
 
 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

8
 2. Dataset 
2.1 Opis ​dataseta  
​

U  okviru  ovog  zadatka  korišten  je  d​ataset  sa  ​kaggle.com​.  D

​ataset  s​adrži  slike  oblika  šake  iz 
kamen-makaze-papir  igre.  Slike  su  slikane  kao  dio  projekta  u  kojem  je  razvijena  igra 
kamen-papir-makaze  koristeći  kompjutersku  viziju  i  mašinsko  učenje  na  Raspberry  Pi-u  (source  kod 
projekta h​ttps://github.com/DrGFreeman/rps-cv​)​. 
 
2.2 Sadržaj d​ataseta 

Dataset    sadrži  ukupno  2188  slika  i  to:  “Rock”  (726  slika),  “”Paper”  (710  slika)  i  “Scissors” 
(752  slike),  koje  odgovaraju  oblicima  korištenim  u  istoimenoj  igri.  Sve  slike  su  slikane  na  zelenoj 
pozadini sa relativno konzistentnim osvjetljenjem i balansom bijele svjetlosti. 
 
2.3 Format d​ataseta  
 
Sve  slike  su  RGB slike širine 300 piksela i visine 200 piksela u visokoj rezoluciji u ​png f​ormatu. 
Slike  su  razdvojene  u  tri  poddirektorija  imenovana  ‘rock’,  ‘paper’  i  ‘scissors’,  u  skladu  sa  njihovim 
respektivnim klasama. 

2.4 Korištene metode i biblioteke  

 
U  nastavku  će  biti  predstavljeno  i  malo  više  objašnjeno  rješenje  za  ovaj  zadatak,  uz  priloženi 
kod,  pojašnjenja  uz  određene  linije  koda,  glavne  karakteristike  korištenih  biblioteka,  kao  i  ishod  i 
tačnost  korištenog  metoda.  Konkretno  u  ovom  slučaju,  bit će razmatrani rezultati korištenjem P​rincipal 
Component Analysis Visualization​metoda. 
 

 
Slika 4. Dijelovi slika iz korištenog d​ataseta   

9
 

3. Principal Component Analysis Visualization 

3.1 Uvod u PCA 
 
Pri  datim  kolekcijama  tačaka  u  dvodimenzionalnom, trodimenzionalnom ili višedimenzionalnom 
prostoru,  “najviše  odgovarajuća”  linija  je  ona koja minimizira prosječnu kvadratnu distancu od tačke do 
linije.  Sljedeća  koja  se  smatra  ovakvom  se  bira  sličnim  procesom  uzimajući  u  obzir  prethodnu  liniju. 
Ponavljajući  ovaj  proces,  dolazi  se  do  ortogonalne  baze  u  kojoj  su  različite  individualne  dimenzije 
podataka  nepovezane.  Ovi  osnovni  vektori  su  nazvani  p​rincipal  components,  a​  povezane  procedure 
principal component analysis (PCA)​. 
Ovaj  kernel  predstavlja  vizualizaciju  PCA  metoda  koji  je  korišten  kao  reduktor  dimenzija  u 
rock-paper-scissors igri korištenjem kompjuterske vizije i mašinskog učenja na Raspberry PI projektu.  
Cilj  je  razviti  intuiciju  značenja  PCA-a  primijenjenog  na  slike,  za  razliku  od  prezentovanja  matematički 
rigorozne definicije PCA.   
 
3.2 ​Setup 

Prvo se importuju potrebne biblioteke.  

 

 
Slika 5. Importovanje biblioteka  
 
Zatim  se  klonira  i  instalira  ​rpscv  paket  iz  projekta  Rock-Paper-Scissors  sa  repozitorija  na  GitHub-u 
DrGFreeman/rps-cv​). Ovaj paket sadrži ​imgproc ​modul sa funkcijama za predprocesiranje slika. 
(​

10
 Slika 6. Instaliranje ​rpscv​paketa 
 
Nakon  toga,  kreira  se  simbolički  link  ​img  u  trenutnom  direktoriju  koji  pokazuje na direktorij koji sadrži 
dataset  ​slike.  Prethodno  instalirani  modul  zahtijeva  da  slike  budu  dostupne  na  ovoj  lokaciji.  Zatim, 
importujemo modul i​mgproc ​iz ​rpscv​paketa.  
 

 
Slika 7. Kreiranje simboličkog linka  
 

 
Slika 8. Importovanje modula ​imgproc 
 
3.3 Istraživanje ​dataseta  

Koristimo  ​generateGrayFeatures  f​unkciju  iz  i​mgproc  ​modula  kako  bi  učitali  sliku  X  i  oznake  y. 
Ova  funkcija  predprocesira  slike  tako  što  ukloni  zelenu  pozadinu  i  vrati  niz  g​rayscale  ​slika  zajedno  sa 
vektorom oznaka slika.  

11
 Slika 9. Predprocesiranje slika 
 
Analizirajući rezultat, odnosno vektore slika i oznaka, vidimo sljedeće:  
 

 
Slika 10. Rezultati predprocesiranja  
 
U  d​atasetu  se  nalazi  2188  slika.  Niz  X  sadrži  sve  slike,  koje  su  predstavljene  kao  vektor  od  60000 
piksela.  Oni  odgovaraju  200  x  300  pikselima  originalnih  slika  u  poravnatoj  formi.  Možemo  uzeti  bilo 
koju  sliku  iz  X  niza,  preoblikovati  je  u  njene  originalne  dimenzije  i  prikazati  koristeći  p​yplot  imshow 
funkciju. 

Slika 11. Preoblikovanje i prikazivanje slike  

 

12
Niz y sadrži oznake koje su povezane sa slikama i enkodirane su kao cijeli brojevi.  
 

 
Slika 12. Sadržaj niza y 
 
Tekstualne  oznake  koje  korespondiraju  cjelobrojnim  oznaka  iz  niza  y  sadržane  su  u 
improc.utils.gesturesTxt r​ječniku. 
 

 
Slika 13. Tekstualne oznake slika  
 
3.4 PCA metoda 

Da  bi  se  izvela  PCA,  koristimo  PCA  transformer  iz  Scikit-Learn  d​ecomposition  m
​ odula.  Za  ovu 
demostraciju,  uzet  ćemo  da  ekstraktujemo  prvih  40  principalnih  komponenata.  Pri  korištenju  PCA  kao 
reduktora  dimenzija  u  ​pipelineu  mašinskog  učenja,  broj  principalnih  komponenata  za  ekstraktovanje je 
parametar  koji se može podesiti zajedno sa ostalim modelnim hiperparametrima. Nakon definisanja PCA 
transformera, podešavamo ga da odgovara nizu vektora slika X. 

Slika 14. Podešavanje transformera PCA  

 
Principalne  komponente  su  ortogonalni  vektori,  u  originalnom  prostoru  slika,  gdje  prva  komponenta 
predstavlja  osu  maksimalnog  odstupanja  podataka,  druga  komponenta  predstavlja  drugu  osu 
maksimalnog  odstupanja,  itd.,  a  sve  u  cilju  smanjenja  vrijednosti  očekivanog  odstupanja.  Odnosu 

13
očekivanog odstupanja (očekivano_odstupanje/totalno odstupanje) svake komponente se može pristupiti 
preko explained_variance_ratio atributa PCA objekta.  

Slika 15. Prikaz odstupanja komponenata 

 
Možemo  vidjeti  na  grafiku,  da  prvih  40  principalnih  komponenata  objašnjavaju  više  od  80%  ukupnog 
odstupanja,  a  prvih  5  komponenata  objašnjavaju  više  od  50%  ukupnog  odstupanja.  Kako  se  broj 
komponenata povećava, odstupanje objašnjeno od strane pojedinačne komponente se smanjuje. 
 
3.5 Principal component vectors 

Proračunate  principalne  komponente  su  dostupne  preko  atributa  components_  podešenog  PCA 
objekta. 

14
  
Slika 16. PCA komponente 
 
Kao  što  smo  definisali,  niz  sadrži  40  komponenata  gdje  je  svaka  predstavljena  kao  vektor  dimenzije 
60000. Niz principalnih komponenata uvijek sadrži isti broj komponenata kao broj slika u nizu slika. 
To  znači da možemo vizualizirati komponente na isti način na koji vizualiziramo ulazne slike. Pogledajmo 
prvu principalnu komponentu koja je preoblikovana na dimenzije 200 x 300. 
 

Slika 17. Preoblikovanje principalne komponente 

 
PCA  transformer  takođe  proračunava  i  srednju  vrijednost  svih  ulaznih  slika  i  ona  je  dostupna  preko 
mean_ atributa PCA objekta. 

 
Slika 18. Niz srednjih vrijednosti ulaznih slika 
 
Kao  što  je  i  očekivano,  niz  ima  istu  veličinu  kao  i  niz  ulaznih  slika,  te  niz  ulaznih  komponenata. Samim 
time, možemo vizualizirati srednju vrijednost nakon preoblikovanja na dimenzije originalne slike. 

15
  
Slika 19. Vizualiziranje srednje vrijednosti ulazne slike 
 
Sada, iscrtat ćemo svih 40 vektora principalnih komponenata kao slike. 
 

 
Slika 20. Kod za iscrtavanje komponenata  

16
  
Slika 21. Prvih 20 komponenata 

17
  
Slika 22. Sljedećih 20 komponenata 
 
Iscrtavanje  komponenata  pokazuje  da  prve  komponente  rezultiraju  relativno  jednostavnim  oblicima. 
Kako se broj komponenata povećava, oblici nastali iz njih postaju sve više i više kompleksni. 

3.6 Reprezentacija slika preko svojih vektora principalnih komponenata 

Pri  korištenju  PCA  kao  sredstva  za  redukciju  dimenzija,  želimo  da  enkodiramo  svaku  sliku  kao 
vektor  manjih  dimenzija  od  originala.  Ovaj  vektor  korespondira  faktorima  kojima množimo pojedinačnu 
principalnu  komponentu  da  bi  predstavili originalnu sliku. Prvo, koristimo metod transform PCA objekta 
da bi transformisali vektor originalne slike u korespondirajuću reprezentaciju principalne komponente.  

Slika 23. Transformacija originalne slike 

 

18
Naš  transformisano  niz  X_pca  sad  predstvalja  svaku  sliku  kao vektor dimenzija 40. Samim tim, smanjili 
smo dimenzija oblika sa 60000 na 40, što predstvalja redukcioni faktor od čak 1500x. Možemo uzeti 40 
koeficijenta  iz  ovog  vektora  kako  bi  množili  40  principalnih  komponenata.  Ovo  korespondira  produktu 
transformisanog  ulaznog  vektora  slika  sa  vektorom  principalnih  komponenata.  Sad  možemo  dodati  i 
PCA vektor srednjih vrijednosti i dobiti sliku rekonstruisanu iz principalnih komponenata. 

Slika 24. Rekonstrukcija originalne slike iz princ.komponenata 

 
Uzmimo  sad  tri  slike,  po  jednu  za  svaku  klasu,  i  prikažimo  originalnu  sliku,  transformisanu  sliku  i 
rekonstruisanu  sliku  iz  principalnih  komponenata.  Definišemo  funkciju  koja  će  primijeniti  isto 
iscrtavanje na sve tri slike i pozovimo je. 

19
  
Slika 25. Funkcija za iscrtavanje slika 
 

20
  

 
Slika 26. Rezultati iscrtavanja sve tri slike 
 
Sada  kreiramo  funkciju  koja  će  iscrtati  svaku  pojedinačnu  fazu  principalne  komponente  u progresivnoj 
rekonstrukciji slika. Ova funkcija uzima kao argument indeks slike u nizu koja se treba iscrtati. 

21
Slika 27. Funkcija za iscrtavanje pojedinačne faze rekonstrukcije 

22
Sada primijenimo funkciju na svaku sliku za svaku klasu pojedinačno i pogledamo rezultate. 

23
  
Slika 28. Dijelovi rezultata za oblik ‘paper’ 

24
  

 
Slika 29. Dijelovi rezultata za oblik ‘rock’ 
 

25
  

26
  
Slika 30. Dijelovi rezultata za oblik ‘scissors’ 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

27
 4. Zaključak 
Vidjeli  smo  kako  Principal  Component  Analysis  ekstraktuje  set  ortogonalnih  vektora 
principalnih  komponenata  iz  niza  ulaznih  slika.  Ovi vektori imaju isti oblik kao i originalne slike i samim 
time,  mogu  biti  vizualizirani  na  isti  način  kao  ulazne  slike.  Prvi  vektori  principalnih  komponenata 
predstavljaju  relativno  jednostavne  uzorke  i  objašnjavaju  većinu  odstupanja  u  ​datasetu​ ,  za  razliku  od 
kasnijih  vektora  principalnih  komponenata  koji  predstavljaju  uzorke  povećane  kompleksnosti  i  manjeg 
dijela odstupanja u cijelom d​atasetu.  
Vidjeli  smo  da  visokodimenzionalni  vektori  ulaznih  slika  mogu  biti  transformisani  u  manje  vektore  iste 
dužine  kao  vektori  principalnih  komponenata.  Ovi  vektori  predstavljaju  koliko  je  udio  principalne 
komponente  zastupljen  u  slici.  Ovi  vektori  smanjenih  dimenzija  mogu  biti  korišteni  kao  vektori  oblika 
koji predstavljaju originalne slike u nadziranom ili nenadziranom modelu mašinskog učenja. 
Na  kraju,  vidjeli  smo  kako  možemo  koristiti  srednju  vrijednost  slika,  zajedno  sa  linearnom 
superpozicijom  vektora  principalnih  komponenata  da  bi  nadoknadili  aproksimacije  originalnih  slika. Da 
bi  to  dobili,  koeficijenti  iz  vektora  smanjenih  dimenzija  su  korišteni  da  bi  množili  svaku  pojedinačnu 
principalnu  komponentu,  te  suma  njih  se  dodaje  na  srednju  vrijednost.  Izvršavanje  ove  linearnu 
superpozicije  omogućilo  nam  je  da  progresivno  razvijemo  intuiciju  o  značenju  koeficijenata 
transformiranog vektora ulaznih oblika. 
 
   

28
 5. Literatura 
1. https://en.wikipedia.org/wiki/Rock_paper_scissors 
2. https://www.kaggle.com/drgfreeman/principal-component-analysis-visualization 
3. https://www.kaggle.com/drgfreeman/rockpaperscissors 
4. https://en.wikipedia.org/wiki/Principal_component_analysis 

29