基于C++MATLAB的图像识别技术仿真研究-重庆邮电大学图形识别毕业设计答辩.ppt

* 图像识别毕业设计 学生周易德 修德 博学 求实 创新 * 图像识别毕业设计 学生周易德 修德 博学 求实 创新 * 图像识别毕业设计 学生周易德 修德 博学 求实 创新 * 修德 博学 求实 创新 标题 小标题 姓名： 学号： 专业 * 图像识别毕业设计 学生周易德 * 图像识别毕业设计 学生周易德 修德 博学 求实 创新 * 修德 博学 求实 创新 标题 小标题 姓名： 学号： 专业 * 图像识别毕业设计 学生周易德 基于C++MATLAB的图像识别技术仿真研究 姓名：周易德 专业：电子信息工程 学号：2012214709 班级：0121208 图像识别技术 一个完整的图像识别系统包含三个部分： 图像预处理(图像到图像) 特征提取(图像到特征向量) 模式识别(特征向量到抽象含义) 图像识别是针对图像的模式识别。图像识别的目的是使得计算机拥有像人类一样能从图片中认识事物分析事物的能力。 图像预处理的目的就是将输入图像处理成输出图像，从而达到图像消噪、图像增强和图像恢复等目的。 需要注意的是我在这里将图像分割也归为预处理的一部分，图像分割输出的是原始图片的子集合。 原始图片 按行分割 分割结果 特征提取是对图像中的目标采取合适的数据结构来进行表达。图像识别中的特征提取就是一种图像表达技术。一般需要通过对识别对象的深入研究经验，选取特征；有时也可以通过图像压缩技术对图像进行特征提取。 模式识别是图像识别的核心技术。 模式广义的来讲就是一种完美的概念，是从某类事物中归纳总结出来的一种认识。 模式识别是让计算机像人脑一样，从千变万化的图像中识别出抽象的模式。 模式识别的核心是分类器设计。 基于最小错误的贝叶斯决策： 则 概率神经网络（PNN）是一种径向基神经元实现最小错误的贝叶斯决策的方法。 概率神经网络 概率神经网络 概率神经网络 样本点坐标 （2，1） （1，2） （3，3） （4，4） 类别标签 1 2 3 3 仿真实验 实验编号 D1 D2 D3 训练集 10000张 28x28 MNIST的训练集部分 10000张 28x28 MNIST的训练集部分 60000张 28x28 MNIST的训练集部分 测试集 10000张 28x28 MNIST的测试集部分 10000张 28x28 MNIST的测试集部分 10000张 28x28 MNIST的测试集部分 特征提取 横竖线交点 （横竖各6条交线外加两根对角线） SVD降维法 压缩到30维 AutoEncoder 784to100 100to50 模式识别 概率神经网络分类器 spread=0.20 概率神经网络分类器 spread=0.27 Softmax 正确率 76.2% 95.4% 96.0% 计算时间 27.60s 39.36s train Autoencoder1 810.883575 s trainAutoencoder2 174.059942 s. trainSoftmaxLayer 22.145107 s. D3使用了MATLAB 2015b 引入的Neural Network Toolbox。使用了两层AutoEncoder来压缩数据，一层Softmax来计算后验概率。 D3结果统计 完整图像识别系统的流图 典型输入 典型输出 一张包含多个数字的图片，例如下图。 文本： 0123 45 6789 ? 实验编号 F1 F2 F3 F4 F5 训练集 ORL人脸库前8人 每人取前3张 ORL人脸库前20人 每人取前5张 ORL人脸库40人 每人取前5张 ORL人脸库40人 每人取前5张 ORL人脸库40人 每人取前8张 测试集 ORL人脸库前8人 每人取前3张 ORL人脸库前20人 每人取前5张 ORL人脸库40人 每人取前5张 ORL人脸库40人 每人取前5张 ORL人脸库40人 每人取前2张 特征提取 SVD降维法 压缩到6维 SVD降维法 压缩到50维? SVD降维法 压缩到84维? SVD降维法 压缩到40维 SVD降维法 压缩到18维 模式识别 模板匹配 （临近法则） 模板匹配 （临近法则）? 模板匹配 （临近法则） PNN Spread=0.35 PNN Spread=0.24 正确率 96.4% 91.0% 82.5% 87.5% 96.3% 计算时间 0.05s 0.15s 0.49s 0.46s 0.77s 谢谢答辩组老师！ * 模式识别是图像识别的主要工具和核心难点。人类具有对各种事物和现象进行分析、描述和判断的能力，而模式识别就是使计算机拥有类似自动识别事物的能力。人类对模式的识别在生活中很常见，比如人类能对同类脸上的表情做出判断，像是炒股的人们凭借着市场各种指数和累计的经验能预测未来走势，又或是下棋的两个