图像识别与模式识别.ppt
《图像识别与模式识别.ppt》由会员分享,可在线阅读,更多相关《图像识别与模式识别.ppt(92页珍藏版)》请在三一文库上搜索。
1、图像(模式)识别概念,模式识别:对表征事物或现象的各种形式的(数值的,文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。什么是模式 (Pattern)?,“模式”是一个客观事物的描述,是指建立一个可用于仿效的完善的标本。,图像识别与模式识别,模式识别的研究内容 1)研究生物体(包括人)是如何感知对象的,属于认知科学的范畴 2)在给定的任务下,如何用计算机实现模式识别的理论和方法,典型模式识别系统 图像识别系统,人脸识别系统,8图像识别,8.1 概述模式可以定义为物体的描述。由于描述这个词的意义比较广泛,有人把它推广到图像
2、数据本身,因为图像数据也是相应事物的一种描述,只不过这样的描述不够抽象和简要而已。前章中我们已经讨论过图像的各种特征和描述的提取方法。因此,我们将模式解释为物体的较抽象的特征和描述。,模式可以是以矢量形式表示的数字特征;也可以是以句法结构表示的字符串或图;还可以是以关系结构表示的语义网络或框架结构等。对于上述三种类型的模式,必须分别使用不同的识别和推理方法:统计模式识别,句法模式识别和人工智能方法。,统计模式识别基本原理是:有相似性的样本在模式空间中互相接近,并形成“集团”,即“物以类聚”。主要方法有:决策函数法, k近邻分类法,支持向量机,特征分析法,主因子分析法等参考书籍:统计模式识别(A
3、ndrew R.Webb) Jain A K, Duin R P W, Jianchang Mao. Statistical pattern recognition: a review. Pattern Analysis and Machine Intelligence, 2000. 22(1) : 437.,句法(或结构)模式识别 基于形式语言理论的概念为基础。模式按其结构分解为子模式或模式基元,模式基元的连接关系以文法形式进行描述。,一个场景的示意图 场景结构的分析,模糊模式识别模糊集理论,Zadeh,1965模糊集理论在模式识别中的应用神经网络模式识别特点:具有信息分布式存储、大规模自适
4、应并行处理、高度的容错性以及学习能力缺点:实际应用中仍有许多因素需要凭经验确定,比如如何选择网络节点数、初始权值和学习步长等;局部极小点问题、过学习与欠学习问题等,特征选择 所要提取的应当是具有可区别性、可靠性、独立性好的少量特征。因此特征选择可以看作是一个(从最差的开始)不断删除无用的特征和组合有关联的特征的过程,直到特征的数目减少到易于驾驭的程度,同时分类器的性能仍能满足要求为止。,每类的每一个特征均值: 假设训练样本中有个不同类别的样本。令表示第类的样本数,第类中第个样本的两个特征分别记为和。每类的每一个特征均值:和注意:仅是两个值基于训练样本的估计值,而不是真实的类均值。,特征方差第类
5、的特征和特征的方差估值分别为: 和 在理想情况下同一类别中所有对象的特征值应该很相近。,特征相关系数第类特征和特征的相关系数估计为 它的取值范围为。如果=0,说明这两特征之间没有相关性;接近+1表示这两个特征相关性强;为-1表示任一特征都与另一特征的负值成正比。因此,如果相关系数的绝对值接近1,则说明这两个特征可以组合在一个特征或干脆舍弃其中一个。,类间距离一个特征区分两类能力的一个指标是类间距离,即类均值间的方差归一化间距。显然,类间距离大的特征是好特征。对特征来说,第类与第类之间的类间距为:,降维有许多方法可以将两个特征和合成为一个特征,一个简单的方法是用线性函数:由于分类器的性能与特征幅
6、值的缩放倍数无关,可以对幅值加以限制,如因此 其中是一个新的变量,它决定和在组合中的比例。,如果训练样本集中每一对象都对应于二维特征空间(即平面)中的一个点,上式描述了为所有到在轴(与轴成角)上的投影。显然应选取使得类间距最大的或者满足评价特征质量的其它条件的。,8.2 统计模式识别,8.2.1 基本概念这里我们讨论数字特征的识别。其前提是,假定我们所处理的模式每一个样本都表示为N维特征矢量,写为: 显然,特征矢量 可以表示为N维特征矢量空间 中的一个点,这样统计模式识别的概念及方法就可以在特征空间中予以研究。,基本概念,模式分类:根据识别对象的观测值确定其类别样本与样本空间表示:,类别与类别
7、空间:c个类别(类别数已知),决 策,把样本x分到哪一类最合理?解决该问题的理论基础之一是统计决策理论决策:是从样本空间S,到决策空间的一个映射,表示为 D: S - ,假设我们要把一个样本集合 分成M类 ;如上所述,该样本集合可以表示为N维特征空间 中的一个点集,它的分类问题表述为将该特征空间划分为M个子空间,每一子空间为一类,子空间中的样本点属于相应类别。这样,分类问题的关键就在于如何找到一个正确子空间划分,即划分子空间的界面。,下图为二维特征空间,三类问题。,决策区域与决策面(decision region/surface):,数学上,统计模式识别问题可以归结为:对一组给定的样本集合,找
8、出其最佳的分类判决函数 ,并作判决:若对所有的 均有: 则作判决:,因为处理的是分类问题,因此最佳的意义是分类误差最小。 由于求解最佳判决函数的出发点和途径不同,因此产生了各种不同的分类方法:判别函数方法贝叶斯分类器:判别函数表示为似然比,也称为最大似然率分类器或最小损失分类器集群分类方法:它几乎不需要有关待分样本的先验知识。,分类器是某种由硬件或软件组成的“机器”:计算c个判别函数gi(x)最大值选择,8.2.2 判别函数方法在很多分类问题中,往往必须知道待分样本的先验知识。这里假设我们已经知道判别函数的形式,剩下的问题是如何求判别函数的待定参量以及进行分类判决。诚然,由分类者随心所欲地选择
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 图像 识别 模式识别
链接地址:https://www.31doc.com/p-13516565.html