第八章图象识别

第八章图象识别与分析

基本内容

图像分析系统概述

模式和模式类

特征提取和选择

决策论方法

统计模式识别方法

图像分析系统的组成

•图像分析技术分类的三种基本范畴–低级处理：图像获取、预处理，不需要智能

–中级处理：图像分割、表示与描述，需要智能–高级处理：图像识别、解释，缺少理论，为降

低难度，设计得更专用。

图像分析的基本方法

•图像识别的基本方法

–识别的统计分类方法：用向量形式表达模式；分派模式向量到不同的模式类

–识别的结构方法：用符号匹配，模式被表示为符号形式（如形状数、串和树）

–识别的模糊集方法：用模糊数学的理论，建立模式之间的模糊关系，并通过聚类方法分类

–识别的神经网络方法：根据人类识物体的脑神经网络结构，训练人工神经网络的权系数，使训练过的神经网络满足实际问题的分类需要

模式与模式类

•模式的定义

•模式类的定义

•模式识别的定义

•常用的模式序列

–模式特征向量

–模式串

–模式树

模式与模式类

•模式的定义

–模式是：图像中的一个对象或某些感兴趣本

质的数量或结构的描述

–模式是：由一个或多个描述子来组成，换句

话说，模式是一个描述子的序列（名词“特征”

经常被用来代指描述子）

–模式是：一组特征或一组描述子

模式与模式类

•模式类的定义

–模式类是具有某些公共特征的模式的系列模式类用ω1, ω2,…ωM表示，M是类的个数•模式识别的定义

–根据图像中对象的特征组成的模式，确定对象是属于那一个模式类，即为模式识别

模式与模式类

模式与模式类举例

1）汽车的长、宽、高（L,W,H）——模式

2）大客车：（L,W,H）大

小轿车：（L,W,H）小

卡车：（L,W,H）卡

从而有模式类（w大, w小, w卡）

3）从图像中发现一个对象——模式实例。

希望识别出该对象（L1,W1,H1），是大客车、小轿车、还是卡车——模式识别

模式与模式类

•常用的模式序列

–三种模式序列:

1.模式特征向量

2.模式串

3.模式树

–模式特征向量

•定义

•举例

•特征的选择

模式与模式类

由于所有的花瓣在宽和长上都有某种程度的变化，所以描述这些花瓣的模式特征向量也将有变化，不仅在不同的类之间，而且也在类的内部

在这种情况下每一种花变成二维欧几里德空间的一个点

模式与模式类

–模式特征向量举例：分析

对花瓣长宽的测量，成功地将多毛的蝴蝶

花与其它两种分离，但对于分离维吉尼亚和

多色的是失败的。

这个结论说明了分类的特征选择问题，在这个问题中，类的可区别性的程度，完全依

赖于对模式尺寸测量的选择

模式特征的选择

良好的特征应具备四个特点

1.可区别性：对不同类别对象特征值差异明显

2.可靠性：对同类对象特征值比较接近

3.独立性：所用的各特征之间彼此统计独立

4.数量少：过多的特征数，会使系统复杂度提高一般特征向量的选择方法

–尽量不选择带噪声和相关度高的特征

–先选择一组直觉上合理的特征，逐渐减少到最佳

决策论方法

•决策论法

–分类器的设计和训练

–决策论法的基本概念

–分类器

最小距离分类器

相关匹配分类器

分类器的设计与训练

•分类器一般设计方法

•分类器对每一模式类，给出一个典型摸板

•对每一个遇到的待分类对象

•计算该对象与个典型摸板之间的相似程度

•相似值是对象的函数

•函数取值的不同，决定对象属于那一模式类

分类器的设计与训练

•分类器一般设计规则

•分类器规则都转换为阈值规则

•将测量空间划分成互不重叠的区域

•每一个模式类对应一个区域（或多个）

•对象的分类函数值落在哪个区域，对象就属

那类

•某些情况，某些区域为“无法确定”类

分类器的设计与训练

•分类器的训练

•决策规则决定后，需要确定分类器的阈值

•实现的方法是用一组已知对象训练分类器

•训练对象集由每类已被正确识别的部分对象

组成

•通过对这些对象的度量，定出能够将决策面

划分成不同区域的合理阈值

•使分类器对训练对象样本集分类准确性最高

决策论方法的基本概念

•决策论识别法的定义

设：模式特征向量：x = ( x1 , x2 , …, x n )T，

对于：M个模式类ω1 , ω2 ,…, ωM ，

寻找M个决策函数d1 (x), d2 (x), …, d M(x)，

具有这样的特性：如果模式实例x 属于模式

类ωi,那么：

d i(x)> d j(x)j= 1, 2, …, M; j i

换句话说，如果一个未知模式对象x 属于第i

个模式类，把x 代入所有的决策函数，d i(x)

的取值最大。

决策论方法的基本概念

•决策边界的定义

•对于模式特征向量x，如果决策函数值有：

d i(x)–d j(x) = 0

此x向量，被称为ωi与ωj的决策边界。

•通常用一个单一的函数标识两个类之间的

决策边界，定义为：

d ij(x)= d i(x)-d j(x)= 0

如果d ij(x)> 0x属于类ωi

如果d ij(x)< 0x属于类ωj