数字图象处理及matlab的实现 ppt 课件 第12章.ppt

* 第12章 对象识别 本章中的目标、对像(object)或模式(pattern)指图像中具有特定意义的单个区域。 本章中模式识别的方法主要分两类：（1）决策论(decision-theoretic)方法：适用于以定量描绘子（如长度、面积、各阶矩等）描述的各种模式；（2）结构化(structural)方法：适用于以定性描绘子（如图像元的排列方式）描述的各种模式。 识别理论的核心：从样本中“学习” * 模式(pattern)：描绘子的排列组合。 特征(feature)：常用来指描绘子。 模式类(pattern class)：具有某种共性的模式族。 模式识别(pattern recognition)：自动（由机器而非手工）为输入模式打上其所属模式类的标签。 常用模式排列方法：矢量法（用于定量描述）、字符串(string)和树(tree)（用于结构描述）。 模式向量(pattern vector)：其中分量xi代表第i个描绘子。n为模式中的描绘子总个数。 模式与模式类 * 计算距离度量 1、Euclidean 距离： 两个n维（行或列）向量 x, y间的欧氏距离定义为标量 d=norm(x-y); D=sqrt(sum(abs(X-repmat(y,p,1)).^2, 2)); 2、Mahalanobis 距离：一种有效的计算两个未知样本集的相似度的方法。 与欧式距离不同的是它考虑到各种特性之间的联系（例如：一条关于身高 的信息会带来一条关于体重的信息，因为两者是有关联的）。两个随机矢量 协方差矩阵为Σ 之间的差异程度: * 基于决策理论方法的识别 基本思想：利用决策函数(decision function，或称判别函数，discriminant function)进行识别。对于W个模式类 ，寻找W个决策函数d1(x), d2(x), ..., dW(x)，使得如果模式 ，则 di(x) dj(x), j = 1, 2, ..., W; j≠i. 决策边界(decision boundary)：将类别 与 分开的x值，即满足 di(x) = dj(x)或 dij(x) = di(x) - dj(x) = 0的x值。 dij(x) 0则x属于 类，dij(x) 0则x属于 类。 关键：决策函数的寻找。 * 基于决策论方法的识别 1. 形成模式向量:堆叠图像方法，然后由图像中的相应像素形成向量： S=cat(3, f1, f2, …, fn); Imstack2vectors(s); * 基于决策论方法的识别 2. 匹配(matching)：用一个原型(prototype)模式矢量代表每一个模式类，在某一预先指定的测度下，未知模式根据其与原型的接近程度确定类别。 最小距离分类器：将原型定义为该类模式的平均矢量并将未知模式分配给与其最接近的原型类。 在欧氏距离下，只需计算下面的距离函数来确定与原型的接近程度：这里 是欧氏范数。 * 欧氏距离最小时有最大，与决策函数概念一致。 模式类 与 的决策边界为：它垂直于并二等分连接mi和mj的线段。n = 2时为一直线；n = 3时为一平面；n 3时为一超平面。 * 例子：两个模式类 与 的样本平均矢量分别为m1=(4.3, 1.3)T和m2=(1.5, 0.3)T，决策函数为： d1(x) = xTm1 – m1Tm1/2 和 d2(x) = xTm2 – m2Tm2/2  = 4.3x1 + 1.3x2 – 10.1 = 1.5x1 + 0.3x2 – 1.17 决策边界为： d12(x) = d1(x) - d2(x)  = 2.8x1 + 1.0x2 – 8.9 = 0对属于 的模式矢量输出正值，对属于 的模式矢量输出负值。 * 相关匹配：利用相关函数寻找一幅大小为J×K的子图像w(x,y)在一幅大小为M×N（M ≥ J, N ≥ K）的图像f(x,y)中的匹配。 匹配所采用的相关函数简化形式： 求和仅在f和w的重叠区域进行。 所有均值向量都组织为一个矩阵M的行，则任一模式x到所有均值 向量的矩离计算如下： d=sqrt(sum(abs(M-