机器视觉人工智能及其应用分析.ppt

联为-稻草人自动化 有一些把同构性量度用于物体识别的例子。一个不太严格的量度是确定最大图系(maximal cliques)量度。我们从两幅被匹配的图来定义一幅新的图,称为匹配图,使得此匹配图的节点是由G和G’的一对节点构成的配对；而且,如果两对相应的配对是兼容的,那么此匹配图的两节点间有一弧线存在。图G和G的图系是一个匹配图的完全连接的子图。如果某个图系不包括在任何其他图系内,那么就称这个图系为最大图系。 图9.45 (a)和图9.45(b)表示出两幅要匹配的图。有三种节点,分别标上圆圈、圆点和方形。只有同样的节点才能被匹配。这两幅图是十分相似的,要是节点B和D是圆圈而不是方形,那么两图就会是同构的。然而,只有孤立节点是同构连接子图。最大图系能够有助于求得较大的兼容匹配子结构。图9.45(c)表示出上述两图的匹配图。出现两个图系,一个含有匹配((A,1)(C,3),(E,5)),另一个具有匹配((A,5),(C,3),(E,1))。 联为-稻草人自动化 对最大图系的计算可能是耗时的。在最坏情况下,最大图系可能到(n/2)n/2,其中,n为节点数。通过定义修正兼容性准则,可对最大图系技术进行修正,以包括非二元关系。 联为-稻草人自动化 2.松弛标示法(relaxation labeling) 把标示问题定义为一个标示集合与一个节点(或单元)集合的配对,使得标示配对与给定约束相一致。这种标示法有许多应用,而且包含了图匹配问题。这时,标示是其他图的节点。 令N为被标示节点的集合,L为可标示的集合。对于每个ni,想要指定一个标示集合Li,使得Li为L的一个子集,而且这些标示与给定约束相容。对于不含糊的情况,每个集合Li只包含一个元。最简单的约束是一元的,限制标示只可能赋予某个确定的节点,而不考虑网络中的其他节点。二元约束规定一对节点的标示之间的关系。对于节点ni的一个标示集合Li,可能与节点nj的一个标示集合Lj相容,如果Li的每个标示至少与Lj的一个标示相容的话。这种相容性称为弧相容性(arc consistency)。 联为-稻草人自动化 一般说来,约束是n元的,而且弧相容性可能并不导致全局相容性(global consistency)。图9.46给出一个例子,其一元约束为：要对每个节点标示为红色或绿色,而且要求相邻点为不同的颜色。每当对一个节点指定红色或绿色之后,能够对其相邻节点指定一个相容的标示,但是不能使这三个节点同时满足全局约束。 一个更大的约束是路径相容性(path consistency)。两个节点ni和nj(其标示为lk和ll,)是路径一致的,如果网络内存在一条从ni至nj的路径,对于此路径上的每个节点不存在标示集合,而对于两端点同时与标示lk和ll相一致(用二元法)。图9.46的网络不是路径相容的。 联为-稻草人自动化 只考虑弧相容性,因为它对减少可供选择的方案往往是有用的。 罗森菲尔德(Rosenfeld)等人提出用迭代松弛法来计算弧相容标示。首先,把所有满足一元约束的标示指定给每个节点。在算法的任一迭代过程中,消去那些与其他节点不存在弧相容的节点标示。值得注意的是,消去某些标示可能产生新的不相容性,而且后者又将在下一个迭代中被消去。如果存在有相容标示,那么就能够收敛至某个相容标示。 联为-稻草人自动化 罗森菲尔德等人还叙述过概率或随机松弛标示法。对每个节点指定的标示都有一个权或概率与之对应。两节点标示间的兼容性也是由一个数值范围给出的。对算法的每一个迭代过程,以这些标示和相邻指定的兼容性为基础,对每个指定的概率进行修正。一般地,如果一个标示的概率与其他高概率标示高度兼容,那么它的概率应当提高。令Pit(k)为赋予节点ni的标示lk在第t次迭代时的概率,使得： 这些概率可能以其他节点标示为基础,用下列表达式进行修正： 联为-稻草人自动化 式中,qit(k)给出对指定概率的校正,而分母能够保证新概率之和仍然为1。 qit(k)的定义为 式中,dij为一权值,用它来确定节点i的作用。rij(k,k)为节点i和j(分别标示为k和k’)间兼容性的一个量度。两标示间的统计校正被认为是一种合适的量度。 对于不含糊的情况,各种指定概率将有希望收敛于值1或0。不过,这一收敛过程并不一定是概率的,而可能是离散的。该算法的性能在很大程度上取决于权和兼容性量度的选择。 联为-稻草人自动化 3.多层匹配法(multilevel match