模式识别知识点

1、图像: 图像是对客观存在的物体的一种相似性的生动模仿或描述，是物体的一种不完全、不精确，但在某种意义上是适当的表示。

2、数字图像处理:利用数字计算机或其它数字硬件，对从图像信息转换而来的电信号进行某些数学运算以期达到预想的结果。

3、图像数字化:将模拟图像经过离散化之后，得到用数字表示的图像。

包括采样和量化两个主要步骤。

4、分辨率:指映射到图像平面上的单个像素的景物元素的尺寸，单位：像素/英寸，像素/厘米；或者是指要精确测量和再现一定尺寸的图像所必需的像素个数，单位：像素*像素。

5、灰度图像:每个像素的信息由一个量化的灰度级来描述的图像，没有彩色信息。

6、彩色图像的概念:每个像素的信息由RGB 三原色构成的图像，其中RGB 是由不同的灰度级来描述的。

7、了解彩色三要素(亮度,色调,饱和度):亮度是人眼感受彩色光的明暗的程度，色调是光的颜色，饱和度是颜色的深浅程度。

8、了解图像数字化的量化技术分类:量化可分为均匀量化和非均匀量化。

均匀量化是简单地在灰度范围内等间隔量化。

非均匀量化是对像素出现频度少的部分量化间隔取大，而对频度大的量化间隔取小。

9、掌握简述数字图像信息的特点:[简答]
信息量大，占用频宽，像素间相关性大，受人的因素影响大。

Chapter2
1、了解傅里叶变换的条件（狄里赫利条件）：有限个间隔点，有限个极点，绝对可积。

一个周期为T 的函数f(t)在[-T/2,T/2]上满足狄利赫利（Dirichlet)条件，则在[-T/2,T/2]可以展成傅立叶级数。

表明了信号由哪些频率分量组成及其所占的比重。

2、会计算一维、二维连续信号的傅里叶变换： 一维：
二维：
3、熟悉二维离散信号的傅里叶变换的性质（比例性质、空间位移、频率位移、共轭对称性、平均值）：
4、了解拉格尔函数的基本知识： ，一个不完备的正交集；R(n,t)的取值只有+1和-1；R(n,t)是R(n-1,t)的二倍频。

Chapter3
1、熟悉图像对比度、直方图的定义：对比度是亮度的最大值与最小值之比。

灰度级修正g =T ( f )=Af +C ，当A>1，灰度拉伸； A=1，C=0，图像不变；A<1， 灰度压缩；A=1，C 0，灰度值上移或下移 图像更暗或更亮；A<0， 暗区变亮，亮区变暗；A=-1，C=255，图像反转再求补运算。

直方图表示数字图像中每一灰度级与其出现的频数或相对频数之间的关系。

2、掌握图像增强的概念：用一系列手段对图像进行处理，以改善图像效果，或使之更适合人或机器进行下一步的分析处理。

增强感兴趣区域；抑制不感兴趣区域；不必须逼近原图像；不增加原图像信息。

包括：灰度级修正（线性变换、直方图均衡），图像平滑（平滑、中值、通带滤波），图像锐化（微分法，拉普拉斯法），彩色增强（伪彩色），图像校正（几何校正）。

3、掌握图像灰度的线性变换：（详见书第41页3.1.2和习题3-1）
4、掌握直方图均匀化、规格化的定义及计算：直方图均匀化(均衡化)指将输入图像
转换为在每一个灰度级都有相同的象素点数的输出图像。

直方图规格化就是把已知的直方图图像变换成具有期望的某种直方图像。

（概念详见书44页起，计算详见书47页例题和习题3-3）。

5、掌握常用的空域平滑方法及特点：平滑技术是为了减少图像的噪声。

一般情况下，在空域内用邻域平均减少噪声；在频域内用低通滤波来减少噪声。

方法：邻域平均法（对消除随机噪声效果较好，适用于高次噪声，主要缺点是在降噪的同时使图像模糊，即掩膜，特别是在图像边缘和图像细节处更明显，邻域越大，模糊越厉害），中值滤波法（习题3-5，非线性，对脉冲干扰及椒盐噪声的抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊。

但它对点、线等细节较多的图像却不太合适。

要正确选择窗口尺寸的大小。

对某些特定的输入信号，滤波输出保持输入信号值不
变），多图像平均法（以噪声干扰的统计学特征为基础，即假定图像包含的噪声相对
于每一象素是不相关的，且其数学期望为零。

困难在于把多幅图像配准以便使对应像素正确排列），形态学滤波（理论基础：集合论作用：保持形状特征，同时简化图像工具：结构元）。

6、了解常用的锐化算子（梯度算子，Roberts ，Prewitts ，Sobel ，Laplacian ，Marr ），会用拉普拉斯算子对图像进行增强运算：锐化技术是为了突出边缘，加强轮廓特征。

在空域内用微分法使图像清晰；在频域内用高通滤波来清晰图像。

详见书61页起，64页例题和习题3-7. Chapter4
1、掌握图像增强和图像复原的区别：都是为了改善图像，图像复原是试图利用退化过程的先验知识使已退化的图像恢复本来面目，即根据退化的原因， 分析引起退化的环境因素，建立相应的数学模型， 并沿着使图像降质的逆过程恢复图像。

从图像质量评价的角度来看， 图像复原就是提高图像的可理解性。

而图像增强的目的是提高视感质量，图像增强的过程基本上是一个探索的过程， 它利用人的心理状态和视觉系统去控制图像质量， 直到人们的视觉系统满意为止。

图像复原本身往往需要有一个质量标准， 即衡量接近全真景物图像的程度。

为了描述图像退化过程所建立的数学模型往往多种多样，而恢复的质量标准也往往存在差异性。

2、掌握图像退化的基本模型（空域）及其原理框图：
原始图像f(x, y)经过一个退化算子或退化系统H(x, y)的作用， 再和噪声n(x, y)进行叠加，形成退化后的图像g(x, y)。

4、了解常用的图像复原方法。

（线性：逆滤波；维纳滤波、约束最小平方滤波（最小二乘类复原）；非线性：最大后验复原，最大熵复原，投影复原）。

Chapter5
1、图像编码的可行性，必要性：可行性是指图像压缩编码是利用图像数据固有的冗余性（包括编码冗余、空间冗余、视觉冗余），对图像数据按一定的规则进行变换和组合，达到以较少的代码（符号）来表示较多的图像信息。

必要性指数字图像数据的特点之一是信息量大，海量数据需要巨大的存储空间，采用编码压缩以减轻多媒体图像信息保存、传输的困难（即压缩图像的存储量，扩大传输容量，提高传输速度，利用冗余性进行压缩）。

2、计算编码效率： ，图像熵，平均码长，冗余度，压缩比；相关性越强，冗余度越大，可压缩率越高。

3、掌握哈夫曼编码方法：（特点：必须读取图像数据两次；变长编码，单义可译码；同一图像编码不唯一；效率与图像的统计特性相关；缺乏构造性）书107页例题。

Chapter7
1、图像分割的主要方法：分割算法基于图像像素的两个基本特性：空间接近性和像素值相似性。

基于边缘检测的方法（检测灰度级的不连续性。

找到点、线（宽度为1）、边（不定宽度）。

先找边后确定区域），基于区域的方法和基于阈值分割的方法（检测像素值的相似性。

通过选择阈值，找到像素值相似的区域，区域的外轮廓就是对象的边）。

2、熟悉图像特征的定义、分类以及常见图像特征：指图像场的原始特性或属性。

分类：自然特征和人为特征。

常用的特征包括：幅度特征，直方图特征，变换系数特征，线条和角点特征，灰度边沿特征、纹理特征和几何特征等。

3、纹理的定义及如何描述纹理：某些图像在局部区域内呈现不规则性，而在整体表现出规律性。

这种局部不规律而宏观有规律的特性称为纹理。

纹理是一种区域特性，常用的纹理描述方法：统计分析方法和结构分析方法。

统计分析方法主要包括：直方图分析法，灰度共生矩阵法和傅立叶描述法。

Chapter8
1、模板匹配的定义及其特点：指用一个较小的图像，即模板与源图像进行比较，以确定在源图像中是否存在与该模板相同或相似的区域，若该区域存在，还可确定其位置并提取该区域。

特点：是最常用的图像匹配方法；需要逐点计算互相关，计算量大；模板只能进行平行移动，如原图像中要匹配的目标发生旋转或大小变化，算法无效（改进：基于特征的匹配）。

Chapter9
1、熟悉模式、模式识别的定义：模式指存在于时间空间中可观察的事物，具有时间或空间分布的信息。

特点：可观察性、可区分性、相似性。

模式识别指用计算机实现对各种事物或现象的分析,描述,判断,识别（分类：统计模式识别、结构模式识别、模糊集识别）。

2、熟悉模式识别系统的组成及其各部分的作用：图像信息获取：将素材转变成电信号以备后续处理；信息的加工和处理：将数据材料加工整理分析归纳后去伪存真抽出反映本质的特征；判决或分类：与特征抽取的方式密切相关，复杂程度也依赖于特征抽取的方式。

（也可为：图像获取、预处理、特征提取和选择（分为分类器设计和分类决策））。

3、熟悉贝叶斯分类法：
使错判率最小的统计模式识别方法，前提：决策分类的类别数一定；类别i 的先验概率已知；类别i 的状态X 的类条件概率密度函数已知。

书198页开始。

⎪⎩⎪
⎨⎧≤≤+---≤≤+--≤≤=f f g
M
y x f b d b y x f b M d M b
y x f a c y x f a b c d a y x f y x f a c y x g ),(,]),()][/()[(),(,),()]/()[(),(0),,()/(),(⎪⎪⎩⎪⎪⎨⎧≤≤≤≤+--<<=f
M y x f b d b
y x f a c y x f a b c d a y x f c y x g ),(,),(,),(),(0,),(。