11第十一章图像识别初步

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(PatternRecognition)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。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（SupervisedClassification）和无监督的分类(UnsupervisedClassification)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。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。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。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。11.1.5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。11.2.1统计模式识别统计模式识别statisticalapproachofpatternrecognition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。11.2.1统计模式识别统计模式识别statisticalapproachofpatternrecognition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。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。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：ijWjxdxdji;,,2,1)()(将x归于ωi类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：WjmxxDjj,,2,1||||)(这里，mj是均值向量，它计算如下：jxjjWjxNm,,2,11)21(2)2()())(()()(||||)(jTjjTTjTjjTTjTjTjjTTjTjTjTjjjmmmxxxmmmxxxmmxmmxxxmxmxmxmxmxxD求Dj(x)最小，等价于求最大。因此我们可以选择决策函数jTjjTmmmx21jTjjTjmmmxxd21)(ijWjxdxdji;,,2,1)()(对于：将其归于ωi类。不难看出，在ωi和ωj之间的边界为0)()(21)()()()(jiTjijiTjiijmmmmmmxxdxdxd11.3.2基于空间模板匹配的图像识别模板匹配（TemplateMatching）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。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。（1）普通模板匹配算法211,)],(),([),(yxTyxSjiDmxnyjimnMN模板及其搜索图子图Sij(a)搜索图模板T一般可以采用下面测度来衡量T和Sij的相似度：21111,211,)],([),(),(2)],([),(yxTyxTyxSyxSjiDmxnymxnyjimxnyji展开则有mxnymxnyjimxnyjiyxTyxSnmTyxSjir121121,11,)],([()],([(),(),(),(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：mxmnymxjimnyjimxmjimnyjiTyxTSyxSTyxTSyxSjiR12112,1,1,1,)]),([()]),([(]),([]),([),(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Thankyou！