第八章图像识别.pptVIP

* * 几何分类法 　一个模式类就是相应特征空间中的一个点集。一般来讲，在特征空间中一个模式类的点集总是在某种程度上与另一个模式类的点集相分离。因此，模式识别的另一个思路就是设法构造一些分界面（线），把特征空间Rn分割成若干个称为决策区域的子空间Ri (i=1,2,…,n)，使得一个模式类刚好位于一个决策区域。这样，对于待识模式X，就可以利用空间中的这些分界面来判定X的类属。分界面（线）方程gi(X)=0中的函数gi(X)称为判别函数。显然，构造分界面的关键就是构造其判别函数。 　 分界面（线）可分为平面（直线）和曲面，相应的判别函数为线性函数和非线性函数。下面介绍分界平面和线性判别函数。 * 对于二分类问题, 显然只需一个分界平面。设判别函数为 g(X)=WTX+w0 其中W= (w1, w2,…, wn)T为X中各分量x1, x2,…, xn的系数组成的向量，称为权向量；w0为一个常数，称为阈值权。那么，分界平面方程为 g(X) = WTX+w0= 0 由几何知识知,位于这个分界平面两边的点X的判别函数值g(X)符号相反。于是, 可有分类规则: g(X)0 X1 g(X)0 X2 g(X)=0 X属于1或2，或者不可判别 * 二分类问题的分界面(线)示意 * 概率分类法 　　基于最小错误率的贝叶斯决策 　　因为模式属于哪一模式类存在不确定性,所以需要用概率来决策, 就是说对于待识模式X,如果它属于哪个类的概率大则它就属于哪一类。但如果直接使用各模式类的先验概率P(ci), 则会因先验概率所提供的信息量太少而导致把所有模式都归入先验概率最大的模式类的无效分类。因此, 应该考虑后验概率P(ci|X), 但通常概率P(ci|X)不易直接求得的。幸好, 概率论中的贝叶斯公式可以帮忙, 事实上, 由贝叶斯公式 先验概率、类条件概率密度和后验概率 先验概率：根据大量统计确定某类事物出现的比例，如在我国大学中，一个学生是男生的先验概率为0.7，而为女生的概率是0.3，这两类概率是互相制约的，因为这两个概率之和应满足总和为1的约束。 类条件概率密度函数：同一类事物的各个属性都有一定的变化范围，在这些变化范围内的分布概率用一种函数形式表示，则称为类条件概率密度函数。这种分布密度只对同一类事物而言，与其它类事物没有关系。为了强调是同一类事物内部，因此这种分布密度函数往往表示成条件概率的形式。例如x表示某一个学生的特征向量，则，男生的概率密度表示成P(x|男生)，女生的表示成P(x|女生)，这两者之间没有任何关系，即一般的情况下P(x|w1)+P(x|w2)≠1，可为从[0,2]之间的任意值。 后验概率：一个具体事物属于某种类别的概率，例如一个学生用特征向量x表示，它是男性或女性的概率表示成P(男生|x)和P(女生|x)，这就是后验概率。由于一个学生只可能为两个性别之一，因此有P(男生|x)+P(女生|x)=1的约束，这一点是与类分布密度函数不同的。后验概率与先验概率也不同，后验概率涉及一个具体事物，而先验概率是泛指一类事物，因此P(男生|x)和P(男生)是两个不同的概念。 图解 p(x|ω1) p(x|ω2) p(ω1|x) p(ω2|x) 类条件概率密度函数 后验概率 最小错误率决策 * 模式识别过程示例：Fish Classification 预处理：image enhancement, separating touching/occluding fishes and finding the boundary of the fish Example from: R. Duda, P. Hart, D. Stork, “Pattern Classification”, second edition, 2000. * 先验知识: 鲈鱼一般比鲑鱼长 通过长度L是否超过了临界值L*来判断种类 为了确定恰当的L*值，必须先获得不同类别的鱼的若干样本(“设计样本”或”训练样本”)进行长度测量。 * * 验证了平均意义上鲈鱼要比鲑鱼长的结论 令人失望的表明: 单一的特征判据是不足以完美分类的。 继续尝试别的特征，如: 鱼的平均光泽度。 * * * 总体代价函数: 决策理论的中心任务是要确定一种决策,使该代价函数最小。 单一特征的分类效果不能令人满意，应考虑组合运用多种特征的方法。 特征组合: 光泽度x1和宽度x2,简化为一个二维的特征向量，或二维空间的一个点[x1,x2] * * * 出现的问题 考虑其它特征组合 特征对分类性能的重用程度 如果分类判决模型非常复杂，分界面也十分复杂。结果也不能令人满意，因为设计分类器的中心目标是对新样本能作出正确的反应，这就是”推广能力”. * * * * 可能的情况，采用