小波与傅里叶分析基础图像处理电子书第九章.pptVIP

本章指导： 重点掌握图像匹配与识别技术的基本概念以及常用图像匹配与识别方法，如基于匹配的识别、统计模式识别、句法模式识别等，对模糊模式识别、人工神经网络识别和支持向量机识别等有初步了解。;9.1 模式与模式识别 9.2 基于匹配的识别技术 9.3 统计模式识别 9.4 句法模式识别 9.5 模糊模式识别方法 9.6 人工神经网络识别法 9.7 统计学习理论和支持向量机识别方法 9.8 小结;9.1模式与模式识别 ;9.1.2 模式识别系统 ;模式识别系统的基本构成;信息获取部分 为了使计算机能够对各种现象进行分类识别，首先利用各种输入设备将要识别对象的信息输入计算机。 通过测量、采样和量化，可以用矩阵或者向量来表示待识别对象的信息。这就是信息获取的过程。 ;特征提取和选择 由于待识别对象的数据量可能是相当大的，为了有效的实现分类识别，就要对原始数据进行某种变换，得到最能反映分类本质的特征。这就是特征提取和选择的过程。 决策分类 分类决策就是利用特征空间中获得的信息，对计算机进行训练，从而制定判别标准，用某种方法把待识别对象归为某一类别的过程。 ;9.1.3 模式识别方法的分类 ;模糊模式识别 模糊识别的理论基础是模糊数学(fuzzy math)。它根据人辨识事物的思维逻辑，吸取人脑的识别特点，将计算机中常用的二值逻辑转向连续逻辑。模糊识别的结果是用被识别对象隶属于某一类别的程度，即隶属度来表示的。 人工神经网络模式识别 人工神经网络研究源于对生物神经系统的研究。它将若干个处理单元(即神经元)通过一定的互连模型连结成一个网络，这个网络通过一定的机制(如误差后向传播)可以模仿人的神经系统的动作过程，以达到识别分类的目的。 ;句法结构模式识别 着眼于对待识别对象的结构特征的描述。将一个识别对象看成是一个语言结构，例如一个句子是由单词和标点符号按照一定的语法规则生成的，同样，一幅图像是由点、线、面等基本元素按照一定的规则构成的。 ;9.1.4 模式识别的应用;9.2 基于匹配的识别技术; 式中设样板所框出范围都是j,k从１到J,K计算，而(m,n)则为f(x,y)的MN小区中任一点，式中f1 (x,y)是f(x,y)在(m,n)点框出JK大小的f(x,y)区，当m,n改变时，可有哪些信誉好的足球投注网站到一个R(m,n)最大值即为样板配准或匹配的位置。 若图像和目标样板用f和w1向量表示，则相关计算为： 式中w1为w(j-m,k-n)形成的向量。 ;Ｎ;9.2.2 模板向量匹配; D(m,n)是被有哪些信誉好的足球投注网站到的图像场f(j,k)和样板w(n,j)差。规定一个最小向量差的阈值Ｔ，若 则说明在(m,n)位置上匹配，应该指出向量仅为J×K维。 SSDA法(Sequent Similiarity Detection A1gorithm)： SSDA法用下式计算图像f(x,y)在点(u,v)的非相似度m(u,v)作为匹配尺度，式中(u,v)表示的不是模板中心坐标，而是它左上角坐标。模板的大小为m×n。 ;如果在(u,v)处图像中有和模板一致的图案时，则m(u,v)值很小，相反则较大。 在模板和图像重叠部分完全不一致的场合下，如果在模板内的各像素与图像重合部分对应像素的灰度差的绝对值依次增加下去，其和就会急剧地增大。因此，在做加法的过程中，如灰度差的绝对值部分和超过某一阈值，就认为这位置上不存在和模板一致的图案，从而转移到下一个位置上计算m(u,v)。 还有一种把在图像上的模板移动分为粗检索和细检索两个阶段进行的匹配方法。;粗检索，它不是让模板每次移动一个像素，而是每隔若干个像素把模板和图像重叠，并计算匹配的尺度，从而求出对象物大致存在的范围。 细检索，在粗检索求出的范围内，让模板每隔一个像素移动一次，根据求出的匹配尺度确定对象物所在的位置。 ;9.2.3 特征匹配;最小距离分类器 该分类器基于对模式的采样来估计各类模式的统计参数并且完全由各模式类的均值和方差确定。 假定有w个类，并给出w个参考矢量(此处具体为均值量) ，在这里将每一个模式 用均值矢量 表示： ;可采用欧氏距离来确定两者之间的接近程度： 欧氏距离的最小值代表了模式的最佳匹配，所以只要 达到最小值，就将划为第 类。对此，继续对上式进行推导： 从而可得： 于是，可以将