第十一章图形识别与匹配.pptVIP

第十一章圖形識別與匹配 * 11.1 前言 11.2 統計圖形識別 11.3 模組式圖形識別 11.4 影像匹配 11.6 作業 * 假設有二類木頭，A和B，Ａ佔P(A)的比例而B佔P(B)的比例，P(A)+P(B)=1 。已知P(A)P(B)利用木頭的紋理 X 來評估該木頭的種類。 11.2 統計圖形識別 貝氏決策理論 圖11.2.1 P(X|A)和P(X|B)的分佈圖 * 我們有興趣的是給一個X值，該木頭屬於A或B的機率為何？依據貝氏法則， 此處 。 圖11.2.2 P(A|X)和P(B|X)的分佈圖 當 ， ，這時可判斷該木頭為 A，畢竟冒的風險較低。去掉 項，當 時，我們判斷該木頭為A 。 * 圖11.2.3 識別器示意圖 將紋理由一維擴充到 d 維而將樹木的種類由2種擴充到 c 種。 令第i類的識別器為 ，此處 X 代表木頭紋理向量 而 代表第 i 類木頭， 。 圖形識別器 如果 為最大值，我們將該木頭分類為 。 * 11.3 模組式圖形識別 假設在模型上共可抽取出 m 個特徵向量 ，而在影像 I上抽取出 n 個特徵向量 ，通常 。 存在一平移函數 T 將 F 移到影像的某個地方。 圖11.3.1 平移F 到 * 在一個固定的T下，F和 的特徵向量 、 為一配對，將距離函數記為 ，如此,定義聯合機率密度函數為 引入最大可能的觀念，我們得 模組匹配的精神就是在找一個T使得上式有最大值。上式中的 可定義為 * Harris corner 利用一個視窗在影像上的移動，可得到強度變化情形： 平面：往任何方向移動僅造成小變化 含一條邊：與邊平行的變化量小；反之則大 含角點或獨立點：往任何方向變化皆大 * 爲了捕捉視窗內子影像的灰階梯度變化，令 視窗作用到子影像的綜合灰階梯度變化之影響，可表示為 * 函數E是一種局部自我關聯的函數，矩陣M就是函數E的代表。矩陣M的兩個特徵值代表下列意義： 和 皆很小：代表視窗內為平滑區 和 中，一大一小：代表含一邊的區域 和 皆很大：代表含角點的區域 圖11.3.3 矩陣M的特徵值所代表的意義 * 影響值 R=det(M)-k*(trace(M))2 且 ：代表平滑區 ：代表含一邊的區域 R0：代表有角點的區域 利用以上方法可以將I和F內的所有角點找出來。 圖11.3.3 利用Harris方法找出角點集 * 11.4 影像匹配 形狀乃是該物體的多邊形外圍描述 (a) 魚外形 (b) 魚外形之多邊形描述 圖 11.4.1 魚外形及其多邊形描述 * 演化：兩段鄰近的邊合併成一段邊 　　　是二段邊　和　之間的夾角 　　為　的長度。 　　　的值愈小，表示　和　愈適合合併。 (a) 第一次演化 (b) 第二次演化 圖 11.4.2 演化 匹配 圖 11.4.3 待匹配的兩多邊形 可能的匹配組合 * 匹配花費(相似度的依據) (a) 長方形物件 (b) 斜率空間表示圖 圖 11.4.4 多邊形轉成斜率空間表示圖 將各個段落集的斜率空間表示圖建起來，並予以正規化。如此一來就可透過動態規劃法完成二多邊形物件匹配的工作了。 * 11.5 作業 作業一：寫一C語言以完成統計圖形識別的實作。 作業二：寫一C語言以完成影像匹配的實作。 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *