图像与识别_课件_7分析.ppt

图像处理、分析与理解 Image Processing, Analysis and Understanding 如果没有物体识别的帮助，即使是最简单的机器视觉问题也无法解决。 模式识别被用于区域和物体的分类，为了学习更复杂的机器视觉操作，有必要先了解一些基本的模式识别方法。 物体或区域分类已经被提到过多次，识别是自底向上图像处理方法的最后步骤，此外它也经常被用于图像理解的其它控制策略。 当需要得到有关一个物体或区域的信息时，几乎总是要用上某种模式识别方法。 没有先验知识是无法进行识别的。对于被分类物体到底属于哪一个类别或群体的判断根据的是那些对物体分类提供了必要信息的关于物体及类别的知识。 既需要关于待处理物体的特殊信息，同时也需要关于物体类别的高层次的一般知识。 首先，我们将介绍常用的知识表示方法。 在计算机上用适当的形式表达知识并不是一个简单明了的概念。 人工智能研究有关知识和知识表示的问题，计算机视觉则利用这些研究的结果。 在较高层次的处理中通常要用到人工智能的方法。 为了完全掌握计算机视觉和图像理解，有必要对人工智能有所了解。 已有的经验表明，一个好的知识表示设计是解决理解问题的关键所在。 并且，对一个人工智能系统来说，如果假定已经有了复杂的知识基础，则通常只需要几个相对简单的控制策略就能够实现很复杂的行为。 换句话说，要表现出智能的行为并不需要非常复杂的控制策略，而是需要一个庞大的先验数据和假设集合，并且这些先验知识具有良好的结构化表示。 其它一些需要规范使用的术语还有语法和语义。 一个表示的语法是指可能用到的符号和这些符号的合法排列方式。 一个表示的语义是指语法允许的符号和符号排列所表达的含义。 一个表示则是一个可以描述事物的语法和语义的集合。 人工智能中的主要知识表示技术有形式语法和语言、谓词逻辑、产生式规则、语义网络和框架。 知识表示数据结构大都是常规数据结构的扩展，如链表、树、图、表、分级（分层）、集合、环、网、矩阵等。 一、描述和特征 描述和特征不能被看作是纯粹的知识表示。但是，它们作为复杂表示结构的一部分，可以用来描述知识。 描述通常可以表示物体的某些标量特性，称为特征。 一般来说，仅仅一个描述不足以表示物体，因此可以联合几个描述形成特征向量。 数值特征向量是统计模式识别的输入。 例如，大小特征可以用来表示面积特性，紧致度特征表示圆形度。 如果假定已知关于大小和圆形度的信息，则采用特征向量x=(size, compactness)可以将物体分为如下几类：小、大、圆形、非圆形、小圆形、小非圆形等等。 二、语法和语言 当描述一个物体的结构时，特征描述不再适用。一个结构化描述由现有基元和这些基元之间的关系生成。 基元由它们的类型信息表示。 最简单的结构化表示形式有链、树和广义图。 一个物体可以用由符号构成的链、树或图等来描述。然而，整个物体类别却不能仅仅用一个简单的链、树等描述。 如果一个类别中的物体都已经被结构化描述了，则这个类可以用语法和语言来表示。语法和语言提供了如何由一个符号（基元）集合构造链、树或图的规则。 三、谓词逻辑 谓词逻辑在知识表示中有着非常重要的作用—它为从旧知识中通过演绎得到新知识提供了一种数学形式。 谓词逻辑的处理对象是逻辑变量、量词和逻辑运算符的组合。逻辑变量都是二值的。证明思想和推论规则，如假言法则和归结法构成了谓词逻辑的主体。 四、产生式规则 产生式规则代表了诸多基于条件行动对的知识表示。 一个基于产生式规则的系统所表现出的行为，从本质上可以描述为如下模型： if 条件X 成立 then 采取行动 Y。 何时采取怎样的行动的信息代表了知识。 五、模糊逻辑 为了弥补数值或精确知识表示的明显局限性，可以采用模糊逻辑。 模糊规则有如下形式： if X 是 A then Y 是 B X和Y代表某种性质，A和B为语言变量。 if圆形度很高then物体有很大可能性是球。 六、语义网络 语义网络是关系数据结构的一个特殊变种。 语义网络由物体、物体的描述及它们之间的关系（通常是邻近物体之间的关系）组成。 知识的逻辑形式可以被包含在语义网络内，谓词逻辑可以用来表示或估计局部信息和局部知识。 语义网络采用的数据结构是赋值图，节点表示物体，弧表示物体间的关系。下面关于人脸的定义就是语义网络的一个简单例子。 语义网络：人脸模型及其网络 七、框架及脚本 框架提供了一种非常通用的知识表示方法。 这种方法可以包含迄今为止所介绍的所有知识表示法则。有时也被称为脚本。 框架适合表示特殊环境下的普通知识。 框架可以用来代替缺失的信息，这些信息可能在视觉问题中至关重要。 从形式化的观点来看，框架以一个广义语义网络加上一个相关变量