11第十一章图像识别初步技巧.ppt

展开则有 右边第三项表示模板的总能量，是一个和位置（i，j）无关的常数，第一项是模板下的子图的能量，它随搜索位置的改变缓慢变化，第二项是子图像和模板的互相关，随（i，j）而变，T和Sij匹配时这一项取得最大值，因此可以采用下列归一化相关函数作为相似测度： 为了减少图像强度绝对值的影响，可先分别计算T和Sij的均值Tm和Sm，然后在上式中减去均值，可得下列相关函数 Thank you！ 第11章 图像识别初步 本章节的主要内容 1、模式识别概述 2、模式识别方法分类 3、最小距离分类器和模板匹配 11.1 模式识别概述 模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。 模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。一般说来，有监督的分类往往需要提供大量已知类别的样本，无监督的分类就是根据样本特征（features）将同类特征样本归类于同一类。 模式识别是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分劳动。因此计算机模式识别在20世纪60年代迅速发展并成为一门新学科。 11.1.1 模式与模式识别 模式是由确定的和随机的成分组成的物体、过程和事件。在一个模式识别问题中，它是我们识别的对象。 模式识别是指对表征事物或现象进行描述、辨认、分类和解释的过程，简单地说就是应用计算机对一组事件或过程进行鉴别和分类。 我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物的传感器等对象进行测量的具体模式进行分类和辨识。 11.1.2 图像识别 将模式识别的方法和技术应用于图像领域，即当识别的对象是图像时就称为图像识别。虽然对我们人类而言，理解和识别所看见的东西似乎是一件再平常不过的事情，让计算机具有类似的智能却是一项极具挑战性的任务，然而两者在很多环节上是相似的。 图像识别与模式识别的关系 1、模式识别包含了、波形、语音、图形、图像等各种信息输入形式，图像识别属于模式识别的一部分； 2、模式识别的许多方法如：决策理论、贝叶斯分类器、神经网络分类器、支持向量机等都可以用到图像识别中来； 3、图像识别有自己独特的方法。 11.1.3 关键概念 模式类、特征、噪声、分类\识别、分类器、训练样本、训练\学习、训练集合、测试样本、测试集合、测试、识别率、泛化精度 模式识别的一般过程 原始信息输入 特征提取 分类器 识别结果 识别的关键是分类器的设计 识别（分类）的任务就是找到对特征空间的一种合理的划分。分类器将特征空间分成标记为类别的决策区域，对于唯一的分类结果，这些区域必须覆盖整个特征空间且不相交，而每个区域的边缘称为决策边界。从这个意义上说分类器就是分割决策区域的决策边界函数集合，如图11.2给出了一些经典的决策区域和决策边界。对特征矢量的分类就是确定它属于那个决策区域的过程。 11.1.5 过度拟合（Overfit） 在上图即图11.2中，我们可以注意到决策边界既可以是a、b中那样简单的线性或二次形式，也可以像c中哪样极其复杂且不规则。那么对于一个特定的问题我们是应当选择简单的模型还是比较复杂的模型呢？ 一般说来，简单的模型具有计算不复杂的优势，训练它们所需的样本数目通常也更少，但他们对空间的划分往往不够精确，导致识别精度受到一定的限制；而复杂的模型可以更好地拟合训练样本，产生非常适应训练数据的复杂决策边界，从而有理由期望它们在测试集上也会有好的表现。然后，这一美好的愿望并不总能实现。只因为…… 过度复杂的决策边界常常导致所谓“过度拟合”现象的发生 11.1.7 训练\学习方法分类 一般的训练学习过程是指在给定一般的模型或分类器形式的情况下，利用训练样本去学习和估计模型的未知参数，具体地说就是用某种算法来降低分类器的参数误差。比如在第12章人工神经网络中将要学习的梯度下降算法，他通过调解分类器的参数，是训练朝着能够降低误差的方向进行。 还有很多其他形式的学习算法，通常可分为以下几种形式：