第七章 图像识别分析
合集下载
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)。
出现的概率。
举例:(1)扑克牌:大王,K。 (2)硬币:正面,反面。
问题:是否可以提高押对的概率,减少押错的概率?
除先验概率外,必须利用其他的信息。 P( x i )
P(x 1) P(x 2)
(3)类条件概率密度
细胞识别:正常细胞ω1 异常细胞ω2 光密度特征:x 类条件概率密度p(x|ω): 类别状态为ω时x的概率密度函数。
多维信息:
(3)模式类(pattern class)
一个拥有某些共同特性的模式族。
2 模式识别系统
(1)信息的获取 通过传感器,将光或声等信息转化为电信息。 (2)预处理:
A、信号增强:去除噪声,加强有用信息。
信号恢复:对退化现象进行复原。
B、归一化处理
(例如图像大小的归一化; 神经网络输入数据的归一化)
2、基于最小错误率的贝叶斯决策
1 .0
P(1 x) P(2 x)
(1)决策规则(两类情况)
A、P (1
0 .8
0 .6 0 .4
1 x) P (2 x ) x 2
0 .2
x
后验概率分布
1 B、P ( x 1 ) P (1 ) P ( x 2 ) P (2 ) x 2
3 模式识别的基本问题
(1)特征如何提取?-------特征产生
(2)最有效的特征是哪些特征?-------特征选择
(3)对特定任务,如何设计分类器? -------分类器设计 (4)分类器设计后,如何评价分类器?分类错误率是多少? -------分类器评价
模式
传感器 特征产生 特征选择
设计流程
数字图像处理学
王素玉 suyuwang@emails.bjut.edu.cn
7.1 概论 7.2 图像匹配 7.3 基于最小错误率贝叶斯决策理论 7.4 线性判别函数
7.5 人工神经网络
7.6 图像识别示例
图像识别
运用模式识别的原理对图像对象进行分类的学问。
7.1 概论
1. 模式识别的基本定义
7.4 线性判别函数
1 问题的引入
(1)Bayes决策尽管是最优决策,但实现困难。
A、类条件概率密度的形式常难以确定。 B、非参数方法需要大量样本。 (2)模式识别的任务是分类,可根据样本集直接 设计判别函数。(次优的)
(举例)
2 线性判别函数的基本概念 (1)线性判别函数的一般表达式:
g ( x) wT x w0 x1 x 2 x xd w1 w 2 w wd
C、贝叶斯公式
P(i x) P( x i ) P(i ) P( x) P( x) P( x j ) P( j )
j 1 2
(后验概率)
(两类时)
贝叶斯公式的物理含义: 通过观察x的值,就可以把先验概率转化为后验概率, 即特征值x已知的情况下类别属于ωj的概率 。
P(i x)
条件概率密度分布
wk.baidu.com
x
(4)贝叶斯公式 A、P(ωj,x) =P(x|ωj) P(ωj) (总体;类) 举例:P(ω1)=0.4,P(ω2)=0.6, P(x=12|ω1)=0.15,P(x=12|ω2)=0.35
则:P(ω1, x=12)=0.15*0.4
P(ω2, x=12)=0.35*0.6
B、 P(ωj,x) =P(ωj | x) P(x)
P ( x 1 ) C、
1 P (2 ) x P( x 2 ) P (1 ) 2
1 P ( x 1 ) P (2 ) D、g ( x ) ln ln x 2 P( x 2 ) P (1 )
(2)判决的误差概率
二类问题:若P(1 x) P(2 x),则x 1 , 这时错误率 为P(2 x). P(2 x),当x 1 P (e x ) 这时错误率最小。 P(1 x),当x 2
分类器设计 分类器评价
4 模式识别方法的分类
(1)监督与非监督模式识别
A、监督模式识别
利用先验知识和训练样本来设计分类器。
B、非监督模式识别
利用特征向量的相似性来自动进行分类。
(2)其他分类方法
A、统计模式识别
依据决策理论而进行模式识别的方法。
包括贝叶斯决策理论、判别函数、近邻法等。 B、聚类模式识别 C、神经网络模式识别 D、结构模式识别(句法模式识别)
(2)决策规则
则x 1 g ( x) 0, 则x 2 g ( x) 0, g ( x) 0,则拒绝或任意类
(1)模式(pattern) A、事物所具有的时间或空间分布信息。(狭义) B、描绘子的组合。(更狭义) (2)模式识别(Pattern Recognition) 进行物体分类的学科。 举例:人日常生活中的模式识别
一维信息:例如声音信号,腾格尔的歌声。 二维信息:例如图像信号,数字照相机拍摄的照片。 三维信息:CT重建图像。
j 0 k 0
J 1 K 1
4、特征模板匹配 5、 特征匹配
1 mj N
x
x
j
j
j 1,2,,W j 1,2,,W
D j ( x) x m j
7.3 基于最小错误率贝叶斯决策理论
1 贝叶斯公式 (1)概率:某事件发生的几率。
(2)先验概率
在实际的事件没有出现之前,我们所拥有的该事件可能
5 预备知识 (1)特征
用于分类的测度。
(2)特征向量
由多个特征组成的向量。 Ⅹ= (X1,X2,…,Xn)T
(3)分类器
把特征空间划分为不同类别区域的“机器”。
7.2 图像匹配
1 定义 根据已知模式到另一幅图中寻找相应的模式。
2 基于相关的模板匹配
J 1 j 0 K 1 k 0
R ( x, y )
t ( j, k ) f ( x j, y k )
j 0 J 1 2 [ f ( x j , y k )] k 0 K 1
j 0
J 1
2 [ t ( j , k )] k 0
K 1
3 、基于误差平方和的模板匹配
D( x, y ) [ f ( x j, y k ) t ( j, k )]2