图像模式识别概述

i
yi |
相关度：
X Y X Y
距离越大（或相关度 越小），表示两矢量的差别越大 。
三、基于统计决策的模式识别
用距离函数可计算样本类之间的距离。有两种计算方法。 最小距离 最近邻距离
类别1
各类之间的距离 各类中最靠近的样本之间的距离
类别1 d12 d13 类别2 类别3
d12 d13
样板图像的特征参数称为样本。不同的样板图像有不同的样本值。 通过提取特征参数，使表示图像的数据大大减少。
三、基于统计决策的模式识别
特征参数选择
从 m 个特征参数中，选出 n ( n < m ) 个区分性、独立性、可靠性好的特征。 例：以直线穿越字符笔画的次数作为特征参数，如下表。
l4 l1 l2 l3 l5 是孔数
图像模式识别
1
汇报提纲
一
基本概念
模版匹配 基于统计决策的模式识别
二 三 四 五
基于结构句法的模式识别
基于智能计算方法的模式识别
2 汇报提纲
一、基本概念——模式 模式的广义定义
存在于时间和空间中的可观察，可区分的事物的信息形式
模式的狭义定义
用于进行事物分类的特征描绘的有序组合。
图像信号中的模式
能够用以区分物体的光学信息的有效表达形式
l1
l2 l3
2
2 2
1
1 1
2
1 2
1
1 1
1
2 1
1
2 2
1
1 2
1
1 1
2
1 2
2
2 1
l4
l5
2
1
1
0
3
0
3
0
2
1
3
0
3
1
2
0
3
2
3
1
在5个特征中选择 4 个，有 5 种选法。究竟选哪种好？ 从独立性看 —— 去掉 l2 或 l3 均可； 从区分性看 —— 去掉 l2 较好。因 l3中的数据有较大的熵。
i m j n
m
n

m
2 [ t ( i , j ) T ]
n
对目标图像灰度规 范化
对样板图像灰度规 范化
简写为：
R( x, y) f ( x i, y j) t (i, j)
二、模式识别——模版匹配 基于相关性的模板窗口操作示例
（a）图像； （b）子图； （c） （a）和（b）的相关系数。当子图和原图中的字 母“D”一致时， （c） 中出现最高值（亮点）；
三、基于统计决策的模式识别
特征参数变换 特征参量实际上是一个多维空间的矢量。记为
X ( x1 , x2 ,..., xn )
例：上例中，剩下的 4 个特征参量记为：
X (l1 , l3 , l4 , l5 )
这是 4 维空间的矢量。每个样本对应此 4 维空间的一个矢量。 对于字符 “0” ， X=（2, 2, 2, 1)
因相关度接近，不能判定是二者中的哪一个。但是，如果在湖南，判定
为“湘”的正确度要远远高于“浙”；反之，如果在浙江，判定为“浙”的 正确度要远远高于“湘”；
三、基于统计决策的模式识别
贝叶斯决策的基本思路：
1 , 2 ,...,m 由大量统计知， X 属于第 i 类的概率 P (i ), i 1,2,...,m 由计算求出，X 属于第 i 类的概率 p( X | i ), i 1,2,...,m 则将 X 划分为第 i 类的正确度(似然度) p( X | i ) P (i )
提取 特征 参数
特征 参数 优化
分类器
识别结果
输入待识别图像
提取 特征 参数
特征 参数 优化
三、基于统计决策的模式识别
特征参数提取
特征参数是表征图像的一组参数，例如，下列参 数可作为特征参数：
对图像作傅立叶变换得到的主要系数： ( F00, F01, F02, F03 , F10, F11, F12, F13 , F20, F21, F22 , F23 , F30 , F31 , F32) 图像的傅立叶描述子： ( a0, a1, a2, a3, a4, a5, b1, b2, b3, b4, b5 ) ……
n
二、模式识别——模版匹配
或写为： R( x, y )
i m j n
[ f ( x i, y j) F ]
m
m
n
i m j n
[ f ( x i, y j) F ]
n

2
i m j n
[t (i j ) T ]
模式识别已经在天气预报、卫星航空图片解释、工业产品检测、 字符识别、语音识别、指纹识别、医学图像分析等许多方面得到 了成功的应用。
具体来讲，模式识别在图像处理与分析中的典型应用有
(1) 字符识别 (2) 生物特征识别 (3) 遥感应用 (4) 医学诊断
10
二、模式识别——模版匹配
模板匹配的原理
模板： 待识别目标的标准图像，也 称为样板。例如：汽车牌照识别中 使用的部分模板图像：
分类结果 ： X 属于“湘”
四、基于结构句法的模式识别
当我们提取到目标的特征矢量后： 按上面讨论的分类方法，是让特征矢量的各个分量一齐参加分类。
16
二、模式识别——模版匹配
模板匹配识别目标的特点： （1）与目标的大小、旋转、错切有关。 解决办法： 方法1： 匹配前，先矫正目标的大小、旋转； 目标的定位、大小、旋转检测必须准确。 方法2： 准备各种大小、旋转角的模板，一一进行匹配； 模板的数量极大，实际中难以应用。
（2） 具有较强的抗干扰能力。 若匹配前目标的大小、旋转矫正良好，则对模糊、污损字符 也能较好地识别。
得到样本库，备用。 每个样板图像都有一组特征参数。
（2） 对待识别的目标图像，按同样的算法，得到优化后的特征参数 输入待识别图像
特征 参数 提取 特征 参数 优化
得到一组特征参数
三、基于统计决策的模式识别
（3） 设计一个分类器，对待识别图像分类，判别 待识别图像的特征参数属于样本库中的哪一个。 输入样板图像
5
一、基本概念——模式识别系统 模式识别的基本过程：设计与实现
训练过程
信息 获取
数据预 处理
特征 提取 和选择
分类器设计
分类 决策
输出 结果
6
一、基本概念——模式识别的分类 两种基本的模式识别方法 统计识别方法：
建立特征空间，利用统计决策理论
贝叶斯决策，判别函数法，k近邻法，风险最小化，非线性映射，特征分析，主元分析等
相关度的值在 0 ~ 1.0 之间。相关度为 1.0 表示完全相同.
二、模式识别——模版匹配
为消除平均灰度的影响，应先作如下处理：
从 f (x, y) 中减去平均灰度: 从 t (i, j ) 中减去平均灰度:
f ( x, y ) F t ( x, y ) T
其中，F 为模板下面图像的平均灰度; T 为模板图像的平均灰度。 于是，相关度公式变为：
d23
类别3
d23
类别2
最小距离
最近邻距离
三、基于统计决策的模式识别
（2）线性判别函数 g(X)=a·X+b 是多维空间的平面。 只能将各样本划分为两类，用于 2 类识别问题。
类别1
a· X+b 类别2 线性判别
三、基于统计决策的模式识别
（3） 统计决策理论 ——贝叶斯( Bayes)决策
引例： 设在模板匹配的汽车牌照识别中，因字符模糊，求得第1字符为“湘” 的相关度为0.79；为“浙”的相关度为0.80。
3
一、基本概念——模式类 模式类是具有共同性质的模式族，模式类是对事物分类 结果的一种变相描述，它反映了同类事物的相似性与不 同事物的区别性。
4
一、基本概念——模式分类与识别 将不同的模式通过归纳的方法分成不同的模式类即为模 式分类； 对于一个未知其类别的模式，找到它所从属的模式类即 为模式识别（狭义）。 模式识别(广义)的主要内容 （1）特征提取和选择（建立模式） （2）决策分类（建立模式到模式类的映射）
R( x , y )
i m j n
[ f ( x i , y j ) F ] [t (i j ) T ] [ f ( x i, y j) F ]
n 2 ቤተ መጻሕፍቲ ባይዱ m j n
m
n
i m j n

m

m
2 [ t ( i , j ) T ]
设要将目标 X 分成 m 类，类的编号为： 取似然度值最大的划分作为分类结果。 在引例中，假设在湖南长沙 统计知：出现“湘”的概率 出现“浙”的概率
P (1 ) 0.6
P ( 2) 0.05 计算出：X 属于“湘”的概率 p( X | 1 ) 0.79 X 属于“浙”的概率 p( X | 2 ) 0.80 则： 将 X 划分为“湘”的似然度 0.6 0.79 0.474 将 X 划分为“浙”的似然度 0.05 0.80 0.04
二、模式识别——模版匹配
模板匹配方法的改进
问题：模板匹配计算量很大： 模板数量多。例如：汽车牌照识别中，有上百个（字符、汉字）；在 每一像素位置都要计算一个相关度。 解决办法： （1）SSDA方法 —— 序贯相似性检测法 在求相关度之前，先求模板与图像之间的灰度差：
D( x, y)
i m j n
11
二、模式识别——模版匹配
模板匹配： 将模板放在图像 上滑动；每滑动一个像素点， 求重合区域的相关度（相似程 度） ；当相关度达到最大时 ，模板下面的图像就是待识别 的目标。
模板
二、模式识别——模版匹配
相关度：
设： 原图像为 f (x, y)，尺寸为 M×N。 模板图像为 t (i, j ) ， －m ≤ i ≤ m, －n ≤ j ≤ n。 定义： t (i, j )与 f (x, y) 在 (x, y) 处的相关度 R (x, y) 为：
| f ( x i , y j ) t (i , j ) |
m
n
若 D(x,y) 较大，则该位置不可能是目标。否则，该位置可能是目标，再进一步计算相关度。 因为差值计算量较小，且大部分位置不存在目标，故速度大大提高。
二、模式识别——模版匹配
（2）两步检测法 ——先粗检测，再精检测。 每隔几个像素检测一次，目标一般在相关度较高的位置附近。 再在相关度较高的位置附近进行精检测。
8
一、基本概念——模式识别的基本问题 模式类的紧致性
对比于图形学中的凸集概念
模式的相似性
空间距离是度量模式相似性的最佳手段之一。
特征与分类的关系
面向模式识别的特征的产生应考虑到分类的需要，同一个目标在 不同的分类需求下的特征可能是不同的
9
一、基本概念——模式识别系统的应用 模式识别系统在图像处理领域的应用
基于人工神经网络的模式识别：
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。
统计学习理论与支撑向量机：
将统计模式识别看作是机器学习理论的一个特例，通过系统的自主学习建立模式分类规则 ，其中的支撑向量机是目前研究的热点，主要解决小样本，非线性以及高维度的模式识别 问题。
－n
－m n j m i
R( x , y )
i m j n
f ( x i , y j ) t (i j )
n
m
n
t (i, j )
i m j n

m
f ( x i, y j)2
i m j n

m
2 t ( i , j )
n
三、基于统计决策的模式识别
常用判别函数
（1）距离函数 设两矢量分别为： X ( x1, x2 ,..., xn ),
则 X 和 Y 之间的距离为： 欧几里德距离： L 距离：
2 ( x y ) i i n 1/ 2 i 1 n
Y ( y1, y2 ,..., yn )
| x
i 1
（3）边缘匹配法 应采用边缘型模板。 先抽取图像的边缘。在相关度计算时，仅考虑边缘点。因边 缘点较少，故计算量大大减少。
（4）局部匹配法 先对模板上的一部分作匹配。当匹配程度较高时，再考虑 全部模板匹配。否则放弃。
三、基于统计决策的模式识别
统计模式识别的基本思想 （1） 生成样本库 输入样板图像
特征 参数 提取 特征 参数 优化
结构（句法）识别方法：
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。
7
一、基本概念——模式分类与识别 统计识别方法中的新发展 模糊模式识别：
以模糊数学(fuzzy math)为理论基础，将计算机中常用的二值逻辑转化为连 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。