图像处理课件07对象识别.pptVIP

对象识别 对象识别 决策理论判别 使用定量描绘子描述的各种模式 （长度、面积、纹理等） 结构判别 由定性描绘子描述的各种模式 对象识别 内容： 模式和模式类 基于决策理论方法的识别 结构性方法 一、模式和模式类 模式：是描绘子的组合 模式类：是一个拥有某些共同性质的模式族 模式识别：对不同的模式分配各自所属类别 一、模式和模式类 例1：模式矢量 二、基于决策理论方法的识别 二、基于决策理论方法的识别 二、基于决策理论方法的识别 匹配 最佳统计分类器 神经网络 1、匹配 方法：用一种原型模式矢量表示每一个类，比较未知模式与原型矢量。 最小距离分类器 例：最小距离分类器的图解 依据相关的匹配 2、最佳统计分类器 例：三维模式的贝叶斯分类器 例：三维模式的贝叶斯分类器 3、神经网络 训练模式：用于估计判别函数参数的模式。 两个模式类的感知器 两个模式类的感知器 训练算法—线性可分离的类 例：感知器算法解释 例：感知器算法解释 多层前馈神经网络 基本体系结构 反向传播训练 反向传播训练 反向传播训练 反向传播训练 例：使用神经网络进行图形分类 决策面的复杂性 三、结构性方法 匹配形状数目 串匹配 串的语法识别 1、匹配形状数目 1、匹配形状数目 2、串匹配 3、串的语法识别 语法识别的主要思想： 一个模式基元集合 一个规定模式基元相互间关联的规则集合 一个识别器（自动机） 串文法 1、字母表：与所研究的问题有关的符号集合。 例：V1={a,b,c,d} 2、句子：由字母表中的符号所组成的有限长度的符号串。 3、文法：句法规则集合, 构成句子所必须遵循的规则的集合，用G表示。 4、语言：由字母表中的符号组成的句子集合，用L表示，L(G)表示由文法G构成的语言。 例：字母表V={a,b} L(G) ={ab,aab,abab} 串文法 串文法 在处理串时，用四元组定义一个文法： N是有限变元集合，称为非终端符 ∑是有限常元集合，称为终端符 P是重写规则集合，称为产生式 S属于N集合，称为起始符 串文法 正则文法： 产生式P：A→aB 或A→a，其中A,B∈N，a∈∑ 作为串识别器的自动机 有限自动机 树的句法识别 树自动机 树文法与树自动机的一一对应 树自动机 学习 直接由样本模式串学习有限自动机。 学习 学习 例：推导一个来自样本模式的有限自动机 学习 决策面的复杂性 两层网络： 两个输入产生两个边界； 三个输入产生三个边界。 第一层：执行一行； 第二层：进行“与”操作。 三层网络： 第一层：执行一行； 第二层：进行“与”操作； 第三层：将不同区域划归不同的类，进行“或”操作。 决策面的复杂性 相似度k表示两个区域边界间相一致的形状数目 的最大量级。 例：a和b代表闭合边界。 两个图形a和b间的距离定义为它们相似程度的倒数： a和b间的距离满足下列性质： 例：应用图形数目对比 两个区域边界a和b表示成串为： 表示无法匹配的数目 两个串的相似性： 表示两个串匹配的数目 例：串匹配 考虑两个文法G1和G2： G1只生成与来自类ω1的模式相对应的句子 G2只生成与来自类ω2的模式相对应的句子 对未知模式： 如果句子属于语言L(G1),认为模式属于类ω1 如果句子属于语言L(G２),认为模式属于类ω２ 例:使用正则串文法生成对象类 由文法规则产生的语言是 一个有限自动机定义为五元式: Q是有限、非空的状态集合 ∑是有限输入字母集合 δ是状态转移函数，从Q×∑到Q的所有子集集合的映射 q0是起始状态 F是一个终止或接受状态集合 一个简单的自动机 正则文法和有限自动机一一对应 1、如果 ，则 包含 2、如果 ，则 包含 正则文法和有限自动机一一对应 1、如果 属于 ，则 2、如果F中有状态属于 ，则 树文法以五元式定义： N是有限变元集合，为非终端符 ∑是有限常元集合，为终端符 P是产生式，形如 ：Ti→Tj Ti,Tj都是树 S属于N集合，称为起始符 r是秩函数，一个节点的直接分支数 一个简单的树文法 一个末端到根的自动机定义为： Q是有限的状态集合 F是Q 的子集，是一个有限状态集合 fk是Qm×Q上的关系，m是k的秩 P: 例：三维模式的贝叶斯分类器 每个类服从高斯分布 由模式计算平均矢量和协方差矩阵： 贝叶斯判别函数： 假定 例：使用贝叶斯分类器对多频谱数据的分类 由模式计算平均矢量和协方差矩阵 例：使用贝叶斯分类器对多频谱数据的分类 训练集合：一系列从每个类中得到的模式。 学习或训练：使用训练集合得到判别函数的过程。 直接通过训练过程生成所需判别函数。 两个模式类的感知器 判别边界： 线性判别函数： 门限函数： 扩展模式矢量的判别函