《图像识别》PPT课件

（2）模式(pattern) A、事物所具有的时间或空间分布信息。（狭义） B、描绘子的组合。（更狭义）
精选ppt
5
一维信息：例如声音信号，腾格尔的歌声。 二维信息：例如图像信号，数字照相机拍摄的照片。 三维信息：CT重建图像。 多维信息：
精选ppt
6
（3）模式类(pattern class) 一个拥有某些共同特性的模式族。
j0 k0
j0 k0
精选ppt
19
3 基于误差平方和的模板匹配
J 1K 1
D (x,y) [f(xj,yk)t(j,k)2]
j 0k 0
4、特征模板匹配 5、 特征匹配
1
mj N xj xj
j 1,2,,W
Dj(x) xmj
j 1,2,,W
精选ppt
20
精选ppt
21
7.3 基于最小错误率贝叶斯决策理论
-------分类器设计 （4）分类器设计后，如何评价分类器？分类错误
率是多少？ -------分类器评价
精选ppt
14
模式
传感器 特征产生 特征选择
设计流程
分类器设计
分类器评价
精选ppt
15
4 模式识别方法的分类
（1）监督与非监督模式识别 A、监督模式识别
利用先验知识和训练样本来设计分类器。
B、非监督模式识别
第7章 图像识别
精选ppt
1
利用神经网络识别 实现图像分割
精选ppt
2
第7章 图像识别
7.1 概论 7.2 图像匹配 7.3 基于最小错误率贝叶斯决策理论 7.4 线性判别函数 7.5 人工神经网络
精选ppt
3
图像识别
运用模式识别的原理对图像对象进行分类的学问。
精选ppt
4
7.1 概论
1模式识别的基本定义 （1）模式识别(Pattern Recognition) 进行物体分类的学科。 举例：人日常生活中的模式识别
由多个特征组成的向量。 Ⅹ= (X1,X2,…,Xn)T
（3）分类器
把特征空间划分为不同类别区域的“机
器”。
精选ppt
18
7.2 图像匹配
1 定义 根据已知模式到另一幅图中寻找相应的模式。
2 基于相关的模板匹配
J1 K1
t(j,k) f(xj,yk)
R(x,y)
j0 k0
J1 K1
J1 K1
[f(xj,yk)]2 [t(j,k)]2
P(x=12|ω1)=0.15，P(x=12|ω2)=0.35
则：P(ω1, x=12)=0.15*0.4
P(ω2, x=12)=0.35*0.6 B、 P(ωj,x) =P(ωj | x) P(x)
C、贝叶斯公式
P(i x)P(xi)P(i) P(x) （后验概率
2
P(x)P(xj)P(j) (两类)时
B、特征形成：根据被识别的对象产生出一组基本 特征，它可以是计算出来的（当识别对象是波形或数字 图像时），也可以是用仪表或传感器测量出来的（当识 别对象是事物或某种过程时），这样产生的特征叫做原 始特征。
C、特征提取：原始特征的数量可能很大，通过映 射（或变换）的方法可以用低维空间表示样本，这个过 程叫做特征提取。映射后的二次特征是原始特征的线性 组合（通常是线性组合）。
1 贝叶斯公式
（1）概率：某事件发生的几率。
（2）先验概率
在实际的事件没有出现之前，我们所拥有的该 事件可能出现的概率。
举例：（1）扑克牌：大王，K。
（2）硬币：正面，反面。
（3）赌场押大小：
1000次：810次大，190次小。
1001次精选？ppt 1002次？…
22
问题：是否可以提高押对的概率，减少押错的概率？ 除先验概率外，必须利用其他的信息。
（3）类条件概率密度
细胞识别：正常细胞ω1 异常细胞ω2
P(x i )P(x1) P(x2)
光密度特征：x
x 条件概率密度分布
类条件概率密度p(x|ω)：
类别状态为ω时的x概率密度函数。
精选ppt
23
（4）贝叶斯公式
A、P(ωj,x) =P(x|ωj) P(ωj) （总体；类）
举例：P(ω1)=0.4，P(ω2)=0.6,
（5）分类决策
在特征空间水果（如苹果和桔子） 图像自动识别系统： 选择那些有效特征，可以把苹果和桔子有效地 区分开来？
精选ppt
13
3 模式识别的基本问题
（1）特征如何提取？-------特征产生 （2）最有效的特征是那些特征？-------特征选择 （3）对特定任务，如何设计分类器？
D、特征选择：从一组特征中挑选出一些最有效的
特征以达到降低特征空间精维选p数pt 的过程。
10
例如：一幅96x64的图象
（a）Gabor滤波器编码； （b）小波变换+神经网络； （c）细节点
（分叉点、端点）
精选ppt
11
（4）分类器设计
分类器设计的主要功能是通过训练确定判 决规则，使按此类判决规则分类时，错误率最 低或风险最小。
精选ppt
7
2 模式识别系统
（1）信息的获取
通过传感器，将光或声等信息转化为电信 息。
精选ppt
8
（2）预处理： A、信号增强：去除噪声，加强有用信息。 信号恢复：对退化现象进行复原。
B、归一化处理 （例如图像大小的归一化； 神经网络输入数据的归一化）
精选ppt
9
（3）特征提取和特征选择
A、特征分类：物理特征、结构特征、数学特征。
x) x 1
2
后验概率分布
B、P(x
1 ) P (1 ) P ( x
2 ) P ( 2 )
x
1 2
C 、P ( x
1 )
P(x
2
)
P
(
2
)
P
(1
)
x
1 2
D 、 g ( x ) ln P ( x 1 ) ln P ( 2 ) x 1
P ( x 2 ) P (1 )
利用特征向量的相似性来自动进行分类。
精选ppt
16
（2）其他分类方法 A、统计模式识别 依据决策理论而进行模式识别的方法。 包括贝叶斯决策理论、判别函数、近邻
法等。 B、聚类模式识别 C、神经网络模式识别 D、结构模式识别（句法模式识别）
精选ppt
17
5 预备知识
（1）特征
用于分类的测度。
（2）特征向量
j1
精选ppt
24
贝叶斯公式的物理含义： 通过观察x的值，就可以把先验概率转化为后
验概率，即特征值x已知的情况下类别属于ωj的概 率。
精选ppt
25
2、基于最小错误率的贝叶斯决策
（1）决策规则（两类情况）
P(i x)
1.0 P(1 x) P(2 x)
0.8
0.6
0.4
0.2
x
A、 P (1
x ) P ( 2