11第十一章图像识别初步
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
d i ( x) d j ( x)
将x 归于 ωi 类
j 1,2,,W ;
ji
最小距离分类器就是将每个模式分类用它的均值向量 来表示,设x是待分类的模式向量,分别求模式向量 到各类均值向量的距离,将x归属于距离最小的那个 类别。用决策函数表示:
D j ( x) || x m j ||
11.1.5 过度拟合(Overfit)
在上图即图 11.2 中,我们可以注 意到决策边界既可以是a、b中那样简 单的线性或二次形式,也可以像 c 中 哪样极其复杂且不规则。那么对于一 个特定的问题我们是应当选择简单的 模型还是比较复杂的模型呢?
一般说来,简单的模型具有计算不 复杂的优势,训练它们所需的样本数目 通常也更少,但他们对空间的划分往往 不够精确,导致识别精度受到一定的限 制;而复杂的模型可以更好地拟合训练 样本,产生非常适应训练数据的复杂决
T
11.3.2 基于空间模板匹配的图像识别
模板匹配(Template Matching)是图像 识别方法中最具代表性的基本方法之一,它
是将从待识别的图像或者图像区域S(i,j)中提
取的若干特征量逐个进行比较,计算它们之
间规格化的相关性系数,其中相关性系数最
大的一个就表示其相似程度最高,可以将图
像归与相应的类。
一般可以采用下面测度来衡量T和Sij的相似度:
D(i, j ) [ S ( x, y ) T ( x, y )]
i, j x 1 y 1
m
n
2
M
子图S ij
n
(a) 搜索图
m
N
模板 T 模板及其搜索图
展开则有
D(i, j ) [S i , j ( x, y)] 2 2 S i , j ( x, y) T ( x, y) [T ( x, y)] 2
11.2.3 小结
模式识别的方法的选择取决于问题的性质。如
果被识别的对象极为复杂,而且包含丰富的结构信
息,一般采用句法方法;被识别对象不很复杂或不
含明显的结构信息,一般采用统计方法。但是,这 两种方法不能截然分开,在句法方法中,基元本身 就是用统计方法抽取的。在应用中,将这两种方法 结合起来分别施加于不同的层次,常能收到较好的 效果。
进行。
还有很多其他形式的学习算法,通
常可分为以下几种形式:
教师指导的学习 无教师指导的学习 加强学习
11.2 模式识别方法分类
有两种基本的模式识别方法,即统计模式识
别方法和句法模式识别方法。统计模式识别是对
模式的统计分类方法,即结合统计概率论的贝叶
斯决策系统进行模式识别的技术,又称为决策理 论识别方法;而利用模式与子模式分层结构的树 状信息所完成的模式识别工作,就是句法识别模 式。
(1)普通模板匹配算法 模板匹配的基本概念 :模板就是一幅已知的具有标 准尺寸和标准内容的图像。模板匹配就是在一幅图像 中按一定算法搜寻目标,将目标的特征和已知模板比 较,从而确定目标是否存在以及存在目标所在的坐标 位置。 以8位灰度图像(1 个像素由1 个字节描述)为例 ,模板T( m*n个像素)叠放在被搜索图S( M *N个像素 )上平移,模板覆盖被搜索图的那块区域叫子图Sij。i ,j 为子图左上角在被搜索图S上的坐标,如图所示 。搜索范围是MXN。通过比较模板T和Sij的相似性, 完成模板匹配过程。
11.2.1 统计模式识别
统 计 模 式 识 别 statistical approach of pattern
recognition 对模式的统计分类方法,把模式类看成
来自百度文库
是用某个随机向量实现的集合。又称决策理论识
别方法。
11.2.1 统计模式识别
统 计 模 式 识 别 statistical approach of pattern
11.1.2 图像识别
将模式识别的方法和技术应用于图 像领域,即当识别的对象是图像时就称 为图像识别。虽然对我们人类而言,理 解和识别所看见的东西似乎是一件再平 常不过的事情,让计算机具有类似的智 能却是一项极具挑战性的任务,然而两 者在很多环节上是相似的。
图像识别与模式识别的关系 1、模式识别包含了、波形、语音、图形、 图像等各种信息输入形式,图像识别属 于模式识别的一部分; 2、模式识别的许多方法如:决策理论、贝 叶斯分类器、神经网络分类器、支持向 量机等都可以用到图像识别中来; 3、图像识别有自己独特的方法。
策边界,从而有理由期望它们在测试集
上也会有好的表现。然后,这一美好的
愿望并不总能实现。只因为……
过度复杂的决策边界常常导致所谓 “过度拟合”现象的发生
11.1.7 训练\学习方法分类
一般的训练学习过程是指在给定一般的模型 或分类器形式的情况下,利用训练样本去学习和 估计模型的未知参数,具体地说就是用某种算法 来降低分类器的参数误差。比如在第 12 章人工神 经网络中将要学习的梯度下降算法,他通过调解 分类器的参数,是训练朝着能够降低误差的方向
r (i, j )
i, j S ( x, y ) T (m, n) x 1 y 1 m n
( [ S i , j ( x, y ] 2 ) ( [T ( x, y ] 2 )
x 1 y 1 x 1 y 1
m
n
m
n
为了减少图像强度绝对值的影响,可先分别计算T 和Sij的均值Tm和Sm,然后在上式中减去均值,可 得下列相关函数
模式识别是人类的一项基本智能, 在日常生活中,人们经常在进行“ 模式识别”。随着20世纪40年代计
算机的出现以及 50 年代人工智能的
兴起,人们当然也希望能用计算机
来代替或扩展人类的部分劳动。因
此计算机模式识别在 20世纪60 年代
迅速发展并成为一门新学科。
11.1.1 模式与模式识别
模式是由确定的和随机的成分组成的物体、过 程和事件。在一个模式识别问题中,它是我们识别 的对象。 模式识别是指对表征事物或现象进行描述、辨 认、分类和解释的过程,简单地说就是应用计算机 对一组事件或过程进行鉴别和分类。 我们所指的模式识别主要是对语音波形、地震 波、心电图、脑电图、图片、照片、文字、符号、 生物的传感器等对象进行测量的具体模式进行分类 和辨识。
x 1 y 1 x 1 y 1 x 1 y 1 m n m n m n
右边第三项表示模板的总能量,是一个和位置(i,j )无关的常数,第一项是模板下的子图的能量,它 随搜索位置的改变缓慢变化,第二项是子图像和模 板的互相关,随(i,j)而变,T和Sij匹配时这一项 取得最大值,因此可以采用下列归一化相关函数作 为相似测度:
m
n
Thank you!
T
对于:
d i ( x) d j ( x)
j 1,2,,W ;
ji
将其归于 ωi 类。不难看出,在ωi 和 ωj之间的边界为
d ij ( x) d i ( x) d j ( x) 1 x (mi m j ) (mi m j )T (mi m j ) 0 2
R(i, j )
i, j i, j [ S ( x , y ) S m ] [T ( x, y ) T m ] x 1 y 1
m
n
( [ S
x 1 y 1
m
n
i, j
( x, y ) S
i, j m
] ) ( [T ( x, y ) Tm ] 2 )
2 x 1 y 1
recognition 对模式的统计分类方法,把模式类看成
是用某个随机向量实现的集合。又称决策理论识
别方法。
11.2.2 句法模式识别
句法模式识别又称结构方法或语言学方法。
其基本思想是把一个模式描述为较简单的子模式
的组合,子模式又可描述为更简单的子模式的组
合,最终得到一个树形的结构描述,在底层的最 简单的子模式称为模式单元。
j 1, 2, , W
这里,mj是均值向量,它计算如下:
1 mj Nj
x
x
j
j 1, 2, ,W
D j ( x ) || x m j || ( x m j )T ( x m j ) ( x T mT j )( x m j )
T ( x T x x T m j mT x m j j mj )
11.1.3
关键概念
模式类、特征、噪声、分类\识
别、分类器、训练样本、训练\
学习、训练集合、测试样本、
测试集合、测试、识别率、泛
化精度
模式识别的一般过程
原 始 信 息 输 入
特 征 提 取
分类器
识 别 结 果
识别的关键是分类 器的设计
识别(分类)的任务就是找到对特征空 间的一种合理的划分。分类器将特征空间分 成标记为类别的决策区域,对于唯一的分类 结果,这些区域必须覆盖整个特征空间且不 相交,而每个区域的边缘称为决策边界。从 这个意义上说分类器就是分割决策区域的决 策边界函数集合,如图11.2 给出了一些经典 的决策区域和决策边界。对特征矢量的分类 就是确定它属于那个决策区域的过程。
11.3 最小距离分类器
和模板匹配
11.3.1 基于最小距离分类器的图像识别
决策理论的基本思想:将图像进行特征提取, 用提取的特征构成一个特征向量x={x1, x2, … ,xn} ,对于W个模式分类ω1,ω2,ωw,设计W个决策函数 d1(x), d2(x), …, dw(x), 满足下列条件:
( x T x 2 x T m j mT j mj ) 1 x x 2( x m j mT j mj ) 2
T T
求Dj(x)最小,等价于求
因此我们可以选择决策函数
1 T x m j m j m j最大。 2
T
1 T d j ( x) x m j m j m j 2
模式识别又常称作模式分类,从处理问题的性质
和解决问题的方法等角度,模式识别分为有监督
的分类(Supervised Classification)和无监督的分 类(Unsupervised Classification)两种。二者的主要 差别在于,各实验样本所属的类别是否预先已知 。一般说来,有监督的分类往往需要提供大量已 知类别的样本,无监督的分类就是根据样本特征 (features)将同类特征样本归类于同一类。
第11章 图像识别初步
本章节的主要内容
1、模式识别概述
2、模式识别方法分类
3、最小距离分类器和模板匹配
11.1 模式识别概述
模式识别 (Pattern Recognition) 是指对 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。