数字图像处理第9章要点解析.ppt 56页

第9章 图像匹配与识别 本章指导： 重点掌握图像匹配与识别技术的基本概念以及常用图像匹配与识别方法，如基于匹配的识别、统计模式识别、句法模式识别等，对模糊模式识别、人工神经网络识别和支持向量机识别等有初步了解。 9.1 模式与模式识别 9.2 基于匹配的识别技术 9.3 统计模式识别 9.4 句法模式识别 9.5 模糊模式识别方法 9.6 人工神经网络识别法 9.7 统计学习理论和支持向量机识别方法 9.8 小结 9.1模式与模式识别 9.1.1 模式的概念 模式识别(pattern recognition)作为一门学科有其系统的理论基础和技术方法。 模式识别属于图像分析的范畴，它所得到的结果是一幅由明确意义的数值或符号构成的图像或图形文件，而不再是一幅具有随机分布性质的图像 。 模式识别的目的是对图像中的物体进行分类，或者可以说是找出图像中有哪些物体。 模式就是存在于时间和空间中，可以区别它们是否相同或相似的可观察的事物。但模式所指的不是事物本身，而是从事物中获取的信息。因此模式往往表现为具有时间和空间分布的信息。 9.1.2 模式识别系统 模式识别技术起源于人类自身对事物的认知分析过程，是依据一定的量度或观测基础把待识别模式划分到各自的模式类中取得过程。 模式类是指模式所属的类别或同一类中模式的总体。 模式识别实际上包含了以下两个步骤： （1）特征提取和选择 （2）决策分类 模式识别系统的基本构成 信息获取部分 为了使计算机能够对各种现象进行分类识别，首先利用各种输入设备将要识别对象的信息输入计算机。 通过测量、采样和量化，可以用矩阵或者向量来表示待识别对象的信息，这就是信息获取的过程。 特征提取和选择 由于待识别对象的数据量可能是相当大的，为了有效的实现分类识别，就要对原始数据进行某种变换，得到最能反映分类本质的特征。这就是特征提取和选择的过程。 决策分类 分类决策就是利用特征空间中获得的信息，对计算机进行训练，从而制定判别标准，用某种方法把待识别对象归为某一类别的过程。 9.1.3 模式识别方法的分类 统计模式识别方法 基本思想是将提取的特征向量定义在一个特征空间中，不同类别的对象都对应于空间中的一点，在分类阶段，利用统计决策原理对特征空间进行划分，从而识别不同特征的对象。 统计模式识别的主要方法有：判别函数法、K近邻分类法、非线性映射法、特征分析法以及主成分分析法等。 模糊模式识别 模糊识别的理论基础是模糊数学(fuzzy math)。它根据人辨识事物的思维逻辑，吸取人脑的识别特点，将计算机中常用的二值逻辑转向连续逻辑。模糊识别的结果是用被识别对象隶属于某一类别的程度，即隶属度来表示的。 人工神经网络模式识别 人工神经网络研究源于对生物神经系统的研究。它将若干个处理单元(即神经元)通过一定的互连模型连结成一个网络，这个网络通过一定的机制(如误差后向传播)可以模仿人的神经系统的动作过程，以达到识别分类的目的。 句法结构模式识别 着眼于对待识别对象的结构特征的描述。将一个识别对象看成是一个语言结构，例如一个句子是由单词和标点符号按照一定的语法规则生成的，同样，一幅图像是由点、线、面等基本元素按照一定的规则构成的。 9.1.4 模式识别的应用 模式识别已经在天气预报、卫星航空图片解释、工业产品检测、字符识别、语音识别、指纹识别、医学图像分析等许多方面得到了成功的应用。 具体来讲，模式识别在图像处理与分析中的应用可分为以下几个方面： (1) 字符识别 (2) 生物特征识别 (3) 遥感应用  (4) 医学诊断 9.2 基于匹配的识别技术 9.2.1 全局模板匹配 为了从图像中确定出是否存在某一目标，可把某目标从标准图像中预先分割出来作为全局描述的模板，然后在另一幅图像中搜索是否有这种模板目标。 设全图像f(x,y)大小为M×N，若目标模板是J×K大小的w(x,y)，常用相关度量R(x，y)来表示它们之间的相关性： 式中，m=0,1,2…,M-1;n=0,1,2,…,N-1。进一步，规格化相关度： 式中设样板所框出范围都是j,k从１到J,K计算，而(m,n)则为f(x,y)的MN小区中任一点，式中f1 (x,y)是f(x,y)在(m,n)点框出JK大小的f(x,y)区，当m,n改变时，可搜索到一个R(m,n)最大值, 即为样板配准或匹配的位置。 若图像和目标样板用f和w1向量表示，则相关计算

开始查重