姚敏 数字图像处理 课件 第十一章 图像识别

《姚敏 数字图像处理 课件 第十一章 图像识别》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、DigitalImageProcessing数字图像处理http://myao99.51.netE-MAIL:myao99@163.com姚敏1第十一章图像识别211.1概述3数据获取判决分类待识图像数据处理结果输出图11.1图像识别系统框图图像识别系统4统计法（StatisticalApproach）句法法（SyntacticApproach）模糊法（FuzzyApproach）识别方法511.2统计图像识别6统计模式表示特征向量的第i个分量就是模式的第i个特征的测量值模式的特征向量7统计模式表示图11.2特征空间划分示意图8统计模式识别系统图11.3统计模式识别

2、系统结构图9图像模式的特征图像模式本身自然含有的如图像的象素灰度级、目标的边缘轮廓及纹理区域等。通过某种测量或变换操作人工地得出的如图像象素灰度级分布的直方图，图像的各种变换（如傅里叶变换、余弦变换、沃什变换、哈达码变换等正交变换）系数特征等图像模式的特征是图像模式场明显可分的本原的特性或属性10特征的分布状态距离向量x与特征集之间两向量之间11特征的分布状态距离类内距离类间距离特征选择的准则1：类内距离小，类间距离大12特征的分布状态似然比散度条件概率条件概率13特征的分布状态散度将两类互相区分的平均量度散度特征选择的准则2：最大散度14特征的分布状态熵特征选

3、择的准则3：总体熵最小第i类的概率密度类内异样性的总体熵向量的各分量统计独立第i类的总体熵15特征抽取特征抽取就是对图像模式进行物理测量或变换，得到一组反映其特性的数字值。特征抽取方法与实际问题是紧密联系的。特征抽取有两种类型：一种是对识别对象的各个重要特性都有充分的理解，然后把这种特性转换为数字。与此相反，另一种并不需要充分了解识别对象的各个重要特性，而是根据某些原理进行特征抽取。要得到某类模式的足够的特征，那么来自该模式类的样本数就不能太少。特征抽取应对识别对象的各种特性加以考虑，但不等于说特征空间维数越高越好，识别精度并不随着特征数量的增多而提高。在地球资源卫

4、星ERS-1可以取得十二个波段的遥感数据，但从识别精度来看，三个或四个波段的组合效果最好。16特征选择特征选择是在特征抽取以后，从中挑选出有代表性的或有效的成份来，使得分类判决的问题能够更有效地进行。特征选择可以在前述距离准则，最大散度准则或最小熵准则的指导下进行。17特征选择特征选择就是决定变换矩阵Amm（m

5、特林变换的讨论知，在最小化x与x(v,m)之间的均方误差的意义上来说，霍特林变换是最优的。取21线性分类器统计图像识别是用一定的分类判决规则将待识图像模式指派到某个已知的模式类中去。采用不同的分类判决规则，可以得到不同类型的分类器。采用线性判决函数的分类器就称为线性分类器采用Bayes决策函数的分类器就是Bayes分类器22线性分类器判别函数判别边界二维模式23线性分类器判别函数判别边界n维模式24线性分类器确定线性判别函数d(x)学习从待识模式中挑选一批有代表性的样本，经过人工判别成为已知类别的样本，这样的样本集合就称为训练样本集；把训练样本集中样本逐个输入到计

6、算机的“学习”算法中去，通过反复的迭代，最后得到正确的判别函数。所谓“正确”就是能将训练样本集中的样本正确分类。25线性分类器学习算法全体训练样本集线性可分，必存在权向量w，使得线性分类器的“学习”算法实际上就是确定上式中的权向量w这是一线性联立不等式的求解问题，其解不一定是单值的。正因为如此，就有一个按不同条件取得最优解的问题，因而出现了多种不同的算法。26线性分类器奖惩算法基本思想是将联立不等式求解问题转化为求函数极小问题准则函数在有由给定的训练样本集，求出满足上式的w就是对上述不等式方程组求出的一个最优化的解27线性分类器奖惩算法准则函数梯度下降算法通过反复迭

7、代来寻求使准则函数J达到最小的权向量wc>0为有助于收敛的校正系数，或称学习率J的梯度28线性分类器奖惩算法令29线性分类器奖惩算法有即30Bayes分类器略3111.3句法识别32概述句法法又称为结构法（StructuralApproach）结构法的识别过程不仅能够把模式分类，而且还可以描述模式的结构形态，而统计法只有模式分类的能力句法法特别适合用来解决图片识别（PictureRecognition）和景物分析（SceneAnalysis）问题结构法以形式语言理论为基础33基本思想一个复杂的模式可以由一些简单的模式递归