一种基于模糊理论的图像识别方法

Ｋｅｙｗｏｒ ｄｓ： Ｆｕｚｚｙ ｐａｔｔｅｒ ｎｎ ｒ ｅｃｏｇｎｉｔｉｏｎ， Ｆｕｚｚｙ ｃｌｕｓｔｅｒ ｉｎｇ， Ｓｉｍｉｌａｒ ｉｔｙ， Ｓｅｌｅｃｔｉｎｇ ｔｈｅ ｎｅａｒ ｐｒ ｉｎｃｉｐｌｅ
技
１ 引言
随着计算机与通信网络的蓬勃发展， 电子商务的 不断推广应用， 需要有一个更可靠的系统来进行身份 认证。安全方便的生物识别系统现已广泛应用于刑事 侦察、交通、ＡＴＭ 提款机、考勤系统、门禁控制以及 Ｉｎ－ ｔｅｒｎｅｔ 电子商务安全系统， 遍及银行、保险、公安、边防 检查、医疗卫生及网络接入等各个领域。作 为生物识 别系统关键部分的图像识别技术也随之得到了更大 的发展。目前， 图像识别已有了广泛的应用前景。用于 门禁系统的人脸识别算法， 用于特定物体跟踪的目标 识别与跟踪算法， 用于军事上的地形匹配算法， 以及 用于 Ｉｎｔｅｒｎｅｔ 图像检索的图像数据挖掘技术和数码相 机系统中按图像特定内容在数字相册检索照片的技 术。所有的这些应用都基于一个核心技术： 复杂背景 下的目标识别。随着计算机技术应用领域的不断扩 展， 计算机自动模式识别方法也取得了令人满意的结 果 。 数 字 图 像 处 理 技 术 、模 式 识 别 的 数 学 运 算 方 法 都 取得了突破性进展。论文是在利用计算机对图像特征 进行自动提取的基础上， 首先根据其特征进行自动分 类， 然后对图像进行识别。
用直接方法时， 识别对象往往不会绝对属于某一
新 种标准类型及绝对不属于其它标准类型， 也就是说它
对各种标准类型的隶属度取值范围不是｛０， １｝ ，而是［０
，１］ 。人们处理这种性质的问题时， 常常是择其大而从
之， 即按上述最大隶属原则来识别。
２．２ 模糊模式识别间接方法（ 贴近度与择近原则）
两个模糊集之间按某种特性进行比较时， 可以使
督学习， 在论域 Ｕ 中由专家按分类标准选择 ｎ 个图像
作为学习样本。将这 ｎ 个图像归一化后的特征向量矩
阵 Ｘｎ×ｍ 输入计算机； 然后， 可直接 用式（５） 求出各 类图 像模式的聚类中心｛ｖｉ｝（ｉ＝１，２，…， ｃ） 和把 ｎ 个样 本分成 ｃ 个区域的分划， 就是样本学习。如果是无监督学习，
在计算机中用 ＶＣ 进行了模拟实验， 总的识别率
类库的过程。通过对图像样本作某种监测 ， 得到标准 达 ９３％。用模糊集合理论， 对图像进行识别， 可行、快
模 糊 模 式 ， 以 便 以 后 待 识 别 图 像 与 之 比 较 ， 达 到 对 输 速、准确而又经济。该技术除了上述方法外， 还有以模
入图像进行分类的目的。学习过程可分为监督学习（有 糊形式语言、模糊逻辑为基础的模糊集 识别方法。模
Ａ发生两次时失败的次数。令随机变量 ＸＲＥＤ 当且仅当 事件 Ｂ 发生一次时失败的次数。那么随机变量 ＸＲＨＴ 的 概率密度函数服从负二项分布：
（ ５） 其中 ｘ 表示当且仅当事件 Ａ 发生两次时失败的
Ｎｅｔｗｏｒｋｓ ａｎｄ Ｇｅｏｍｅｔｒｉｃａｌ Ｃｒｉｔｅｒｉａ ｆｏｒ Ｌｏｃａｌｉｓａｔｉｏｎ ｏｆ Ｈｉｇｈｌｙ Ｉｒｒｅｇｕｌａｒ Ｅｌｌｉｐｔｉｃａｌ Ｓｈａｐｅｓ［Ｊ］． Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ＆ Ａｐｐｌｉｃａｔｉｏｎｓ， １９９９， ２：３２１－ ３４２．
（２） 择近原则
择 近 原 则 描 述 如 下 ： 设 论 域 为 为 Ｕ， Ａ１， Ａ２，．．．．．Ａｃ 为 ｃ 个标准模糊类型， ｘ 为待识别对象， ρ为 Ｕ 上的贴
近度， 若：
ÁÂρ(A,x)=max{ρ(A ,x)|1≤j≤n}
（４）
则认为 ｘ 与 Ａｉ 最接近， 可判定 ｘ 属于 Ａｉ 类型。 （ ３） 阈值原则
关键词： 模式识别；， 模糊聚类， 贴近度， 择近原则
中 图 分 类 号 ： Ｔ Ｐ ３９１
文献标识码：Ｂ
Ａｂｓｔｒ ａｃｔ： Ｔｈｅ ａｒｔｉｃｌｅ ａｉｍｓ ｔｏ ｆｕｚｚｙ ｐａｔｔｅｒｎ ｐｒｉｎｃｉｐｌｅ， Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｉｍａｇｅｓ ｃｈａｒａｃｔｅｒｉｓｔｉｃ， ｕｓｅｓ ｔｈｅ ｆｕｚｚｙ ｐｒｉｎｃｉｐｌｅ ｔｏ ｐｒｏｐｏｓｅ ｏｎｅ
第五步： 对样本 ｘ 提取 ｍ 个特征， 并对其进行归
一化； 将其转换为模糊Байду номын сангаас量；
样 本 ， 用 u = u ,u ,u ,....uÁ 表 示 ， 每 一 个 样 本 数 据 ｕｉ（１"
第六步： 用式（ ３） 计算待识别样 本 ｘ 与各类图 像
ｉ"ｎ）对 应 ｍ 个 特 征 （ 即 用 ｍ 个 特 征 表 示 一 个 对 象 ） ， 标准模式的聚类中心的贴近度 ρ(x , AÁ )(1 ≤ i ≤ c ) ；
然 后 以｛ｖｉ｝和 此 分 划 来 对 以 后 的 待 识 别 样 本 进 行
归类。因为每个数据样本需要 ｍ 个特征来描述， 则每
个类中心也需要用 ｍ 个特征来描述， 因此， 第 Ｉ 个类
中心是一个长度为 ｍ 的向量： v = {v v ,....,v }
学习过程结束后， 图像模式库中便已存有已知样
近度在实际应用中占有很重要的地位， 而且不同的贴
近度各有优缺点， 由于它们应用的范围和场合不同，因
而所体现的作用也不相同。因此， 应根据具体情况选
用合适的贴近度。如下是几种常用的贴近度表达式：
①海明贴近度
∑ ρ(A , B ) = 1− 1 |u (x ) −u (x ) | n =Á
（１）
②欧氏贴近度
在实际模糊模式识别时， 还要考虑对每一个模糊
ÁÂÃ子集来说，模糊度均是一致的问题。实际上就是确定
一个阈值 Ｖ 。选择阈值 Ｖ 时可以根据经验及实际需
要来确定， 通常根据下列两原则：
①当 ＵＡ （ｘ）≥Ｖ 时， 被测 对象可以进 行确切的分
ÁÂ 类；
②当 ＵＡ（ｘ）＜Ｖ 时 ， 说 明 对 象 的 某 些 特 征 远 离 所 允 许的最大偏差， 因而不能归入任一类， 应查找原因另
２ 模糊模式识别的原理
模糊模式识别可分为两大类型： ①元素或个体对 标准模糊集的识别， 即待识别的对象是明确的元素， 而标准类型是模糊的。这种情况下， 可采用隶属原则
ÃÁÂÂ ÃÄ Á虑的是模糊集和模糊集之间的贴近关系，可采用择近
原 则 进 行 分 类（间 接 法 ）。
术
创 ２．１ 模糊模式识别直接方法（ 用最大隶属原则）
技 作分析。所以确定阈值的目的在于去掉隶属度很低、 显然不合理的对象。
术 ３ 图像的特征抽取
创 在实际应用中， 可用视频监视系统监视图像， 并
ÁÂ在视频窗口开一小区域。用图像采集卡从图像的正面
新 和侧面截取适当的图像， 将之输入计算机， 利用图像 处理中的边缘检测技术抽取其特征参数。由于图像的 特征参数不同， 故应对图像特征进行归一化。
用的数量指标有： 模糊距离和贴近度。前者表示两个
模糊集之间的差异程度， 而后者则反映了两个模糊集
接近的程度。本文研究的图像模糊模式识别用的就是
间接识别方法， 即要考察一个模糊集与哪一种已知模
糊集最“贴近”， 此类问题可通过以下原则来解决。
（１） 贴近度
贴近度是用于刻画两个模糊集的相似程度， 它是
一个数量指标，有很多具体的表示形式（ 参见文献） 。贴
４ 图像识别设计
模式识别的分类问题就是根据待识别客体的特 征向量及其它约束条件， 将其分到某个类别中去。为 了把待识别模式分配到各自的模式类中去， 必须设计 出一套分类判别规则， 即设计分类器。分类器的设计 方法很多， 论文选用最接近中心的分类方法。
图像模糊模式识别问题形式化描述如下：
ÁÂÁÃ Â设论域Ｕ为图像的样本全体集合，共有ｎ个数据
（３）
《 嵌入式系统应用精选 ２００ 例》
邮局订阅号： ８２－９４６ ３６０ 元 ／年 －２１３－
图像处理
中 文 核 心 期 刊《 微 计 算 机 信 息 》（测 控 自 动 化 ）２００６ 年 第 ２２ 卷 第 １－１ 期
注：这里 Ａ， Ｂ 均是模糊集合。本文中用模糊贴近
度表示模糊集 Ａ 与 Ｂ 的接近程度。
对 论 域 Ｕ 中 的 任 一 待 识 别 对 象 ｘ＝（ｘ１，ｘ２，ｘ３，．．．ｘｍ） 则， 输出图像 ｘ 的分类结果。
（ｘ∈Ｕ）， 模糊模式识别就是把对象 ｘ 划归与其最相似
第九步： 继续识别其它图像或结束。
的一个类别 Ａｉ （１"ｉ"ｃ）中去。 ４．１ 图像样本学习
５ 结束语
所谓学习， 是为了训练样本， 即建立图像标准分
ｋｉｎｄ ｏｆ ｉｍａｇｅｓ ｒｅｃｏｇｎｉｔｉｏｎ ｔｈｅ ｍｅｔｈｏｄ。 Ｔｈｅ ｒｅｓｅａｒｃｈ ｆｒｕｉｔ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｔｈｅ ｍｅｔｈｏｄ ｉｓ ｆａｓｔ、ｅｆｆｅｃｔｉｖｅ ｅｓｐｅｃｉａｌｌｙ，ｔｈｅｒｅｆｏｒｅ ｅｘｔｅｎｄ ｔｈｅ
ｒａｎｇｅ ｏｆ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｆｕｚｚｙ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ。
用 U = (u ,u ,u ,....u )(1 ≤ i ≤ n) 表示。其中论域 Ｕ 可 分成 ｃ 个类别， 每一个类别均为 Ｕ 上的一个模糊集， 记作 Ａ１， Ａ２， Ａ３， ．．．Ａｃ ，称它们为图像标准模糊模式。
第七步： 求出 ｃ 个贴近度中的最大贴近度 ρｍａｘ； 第 八 步 ： 让 最 大 贴 近 度 ρｍａｘ 与 阈 值 Ｖ 相 比，若 ρｍａｘ ＜ Ｖ， 则打印出拒识标志， 转第九步； 否则， 根据择近原
Ａｉ。
４．３ 图像自动分类算法描述
基于模糊理论的图像自动分类， 其具体算法描述
如下；
第一步： 输入图像的 ｎ 个学习样本；
第二步： 对每个样本提取 ｍ 个特征， 并对特征向
量进行归一化， 将其转换为模糊向量；
第三步： 用模糊聚类方法计算 ｃ 个模式的聚类中