ch1 模式与模式识别概论 (13)

缺点：缺少有效的学习理论
武汉理工大学理学院
2013
习题
1.
试简述样本，模式和模式类等概念间的关系。
2.
试简述模式识别系统的主要组成部分。
武汉理工大学理学院
2013


武汉理工大学理学院
2013
监督学习和非监督学习
监督学习 非监督学习 半监督学习
划分的类别已知，且训练样本已知类别信息 没有类别标签， 通常利用聚类方法完成 样本的分类
部分样本有类别标签， 目标与有监督分
类一致
武汉理工大学理学院
2013
监督学习和非监督学习
监督学习 非监督学习 半监督学习
地面覆盖物的图示

模式( Pattern)：对研究对象所具有的特征和信息的 描述，对某类事物的抽象也成为该类的模式 .
模式识别(Pattern Recognition)：确定一个样本的类别 属性（模式）的过程，即把某一样本归属于多个类 型中的某个类型.

武汉理工大学理学院
2013
1.1 模式及模式识别的概念

人类具有很强的模式识别能力，时刻在完成某种模式 识别的任务。 模式识别是从样本到类别的映射。
Pattern Recognition
第一章
武汉理工大学
概论
wanwanyuan@
理学院
第一章 模式识别概论

1 模式及模式识别的概念


2 模式识别系统
3 模式识别的应用 4 模式识别的方法
武汉理工大学理学院
2013
1.1 模式及模式识别的概念

样本（Sample)：所研究对象的一个个体， 如患者的 细胞、一个汉字、一幅图片、一段视频等.
细胞正常与异常判断，染色体分类，心电脑电图， 测谎仪…
武汉理工大学理学院
2013
1.3 模式识别的应用
应用领域
武汉理工大学理学院
2013
1.4 模式识别方法

1. 模板匹配识别方法


2. 句法识别方法
3. 统计识别方法 4. 人工神经网络方法
武汉理工大学理学院
2013
模版匹配

方法
首先对每个类别建立一个或多个模版
应用。

80年代以Hopfield网、BP网为代表的神经网络模型使人工神经元网络 复活，并在模式识别得到广泛的应用。

90年代小样本学习理论，支持向量机受到了很大的重视。
武汉理工大学理学院
2013
1.2 模式识别系统

1、数据获取 2、预处理 3、特征抽取 4、分类器设计
武汉理工大学理学院
语音信号处理与识别
•语音识别
• 说话人识别
• 语种识别 • 口音识别
武汉理工大学理学院
2013
1.3 模式识别的应用
人脸图像识别
• 人脸检测和定位 • 人脸识别 • 虹膜识别 应用： 图象压缩
视频监视
基于内容的图象检索 武汉理工大学理学院
2013
1.3 模式识别的应用
医学信号的处理、识别和分类：
武汉理工大学理学院
2013
识别过程
武汉理工大学理学院
2013
识别过程

数据获取：架设一个摄像机，采集一些样本图像，获 取样本数据 预处理：去噪声，用一个分割操作把鱼和鱼之间以及 鱼和背景之间分开

武汉理工大学理学院
2013
识别过程

特征提取和选择：对单个鱼的信息进行特征选择， 从而通过测量某些特征来减少信息量

方法
神经网络是受人脑组织的生理学启发而创立的。 由一系列互相联系的、相同的单元（神经元）组成。相互 间的联系可以在不同的神经元之间传递增强或抑制信号。 增强或抑制是通过调整神经元相互间联系的权重系数来 （weight）实现。 进行大规模并行计算的数学模型




优点：可以有效的解决一些复杂的非线性问题
输入样本和数据库中每个类别的模版进行比较， 求相关或距离


根据相关性或距离大小进行决策
优点：直接、简单

缺点：适应性差
武汉理工大学理学院
2013
句法模式

方法
许多复杂的模式可以分解为简单的子模式，这些子模式组 成所谓 “基元” 每个模式都可以由基元根据一定的关系来组成 基元可以认为是语言中的词语，每个模式都可以认为是一 个句子，关系可以认为是语法 模式的相似性由句子的相似性来决定 优点：适合结构性强的模式 缺点：抗噪声能力差，计算复杂度高

样本
模式 识别
类别
武汉理工大学理学院
2013
模式识别简史

1929年 G. Tauschek发明阅读机 ，能够阅读0-9的数字。 30年代 Fisher提出统计分类理论，奠定了统计模式识别的基础。
50年代 Noam Chemsky 提出形式化语言理论，傅京荪 提出句法结构
模式识别。

60年代 L.A.Zadeh提出了模糊集理论，模糊模式识别方法得以发展和
– – – – – 长度 亮度 宽度 鱼翅的数量和形状 嘴的位置

分类决策：把特征送入决策分类器
武汉理工大学理学院
2013
识别过程
武汉理工大学理学院
2013
识别过程
武汉理工大学理学院
2013
识别过程
武汉理工大学理学院
2013
识别过程
武汉理工大学理学院
2013
武汉理工大学理学院
2013
1.数据获取
武汉理工大学理学院
2013
句法模式
方法
武汉理工大学理学院
2013
统计方法

方法
根据训练样本，建立决策边界
–统计决策理论——根据每一类总体的概率分布决定决 策边界 –判别式分析方法——给出带参数的决策边界，根据某 种准则，由训练样本决定“最优”的参数

本课程的重点内容
武汉理工大学理学院
2013
神经网络
武汉理工大学理学院
2013
2．预处理

预处理的目的是去除噪声，加强有用的信息， 并对种种因素造成的退化现象进行复原。
模糊图像 图像预处理 清晰图像
某人声音有杂音 语音信号预处理 武汉理

为了有效地实现分类识别，要对原始数据进行选择或变换，
得到最能反应分类本质的待征，构成特征向量。
2013
1.2 模式识别系统
训练样本集 学 习 过 程
数据获取
预处理
特征提取 与选择
分类器设 计与改进
数据获取
预处理
特征提取 与选择
分类决策
待识样本集
识别结果
分 类 过 程
武汉理工大学理学院
2013
模式识别过程实例

在传送带上用光学传感器件对鱼按品种分类
鲈鱼(Seabass)
品种
鲑鱼(Salmon)
人脸几何特征 人脸部件规一化的点间距离和比率特征点 如眼角、嘴角、鼻尖等 人脸的颜色特征 黄皮肤、黑眼睛 统计特征 脸形模板和图象灰度的自相关性
武汉理工大学理学院
2013
4．分类器设计

为了把待识模式分配到各自的模式类中去，必须设计 出分类判别规则。 基本作法是：用一定数量的样本(称为训练样本集)确定 出一套分类判别规则，使得按这套分类判别规则对待 识模式进行分类所造成的错误识别率最小或引起约损 失最小。 分类器按已确定的分类判别规则对待识模式进行分类 判别，输出分类结果。
划分的类别已知，且训练样本已知类别信息 没有类别标签， 通常利用聚类方法完成 样本的分类 部分样本有类别标签， 目标与有监督分 类一致
两波段多光谱图像 聚类的各种特征
武汉理工大学理学院
2013
1.3 模式识别的应用
文本分类 文本图像分析 工业自动化 数据挖掘 多媒体数据库检索 生物特征识别 语音识别 生物信息学 遥感 ……
2013
应用领域
武汉理工大学理学院
1.3 模式识别的应用
指纹识别
指纹采集 生成指纹图像 预处理 （极值滤波） （一次平滑） （锐化） （二次平滑）
指纹图像处理
二 值 化
细 化
提 取 特 征 点
指纹库
指纹匹配
输出结果
• 准确性 • 速度
• 存储量
• 价格 武汉理工大学理学院
2013
1.3 模式识别的应用

为了使计算机能够对客体进行分类识别，必须将客体用计 算机所能接受的形式表示，通常从客体获得的信息有下列 三种类型 ①二维图像，如文字、指纹、照片等； ②一维波形，如语音、机械振动波、心电团等； ③物理参量或逻辑值，如体温、各种实验数据等。


通过测量、采样和量化，可以用矩阵或向量表示二维 图象或一维波形，这就是信息获取过程。