数字图像处理-6章数字图像理-6章处理-6章.ppt

1、模式特征向量——描述符构成的向量 x = x1 x2 . xn xi代表第i个描述符，n是描述符的数量。模式特征向量常表示为列向量或 (x1, x2, …, xn)T。 模式特征向量用粗体小写字母表示，如x,y和z： 假设通过测量花瓣的宽度和长度描述三种蝴蝶花（多毛的、维吉尼亚、多色的）。这里涉及一个两维的模式特征向量，x1、x2分别对应花瓣的长和宽，三种模式类用w1、w2、w3表示。 x = x1 x2 1 2 3 4 5 6 7 x1 花瓣长 0.5 1.0 1.5 2.0 2.5 3.0 x2 花瓣宽 多毛的 维吉尼亚 多色的 花瓣长宽特征成功地将多毛的蝴蝶花与其它两种分离，但对于分离维吉尼亚和多色的是失败的。 这个结论说明了分类的特征选择问题，在这个问题中，类的可区别性的程度，完全依赖于对应用的描述符的选择。 模式特征的选择： ① 可区别性：对不同类别对象特征值差异明显。 ② 可靠性 ：对同类对象特征值比较接近。 ③ 独立性 ：所用的各特征之间彼此统计独立。 ④ 数量少 ：过多的特征数，会使系统复杂度提高。 一般特征向量的选择方法： 尽量不选择带噪声和相关度高的特征。 先选择一组直觉上合理的特征，然后逐渐减少到最佳。 2、 模式串：对象特征的结构或空间关系。 a b a a a b b b (1) S-aA (2) A-bS (3) A-b 梯状的模式 3、 模式树：分层有序结构。 6.3.2 决策论法 设：模式特征向量：x = (x1, x2, …,xn)T， 对M个模式类 w1,w2,…,wM，寻找M个决策函数d1(x), d2(x), …, dM(x)， 如果di(x) dj(x) j = 1, 2, …, M; j ≠ i，那么模式实例x属于模式类wi 即如果一个未知模式对象x属于第i个模式类，把x代入所有的决策函数，di(x)的取值最大。 对模式特征向量x，如果di(x) - dj(x) = 0 则x向量称为wi与wj的决策边界。 通常用单一函数dij(x)标识两个类之间的决策 边界，定义为dij(x) = di(x) - dj(x) = 0 如果 dij(x) 0 x 属于类wi 如果 dij(x) 0 x 属于类wj 1 、分类器的设计和训练 1 ）分类器一般设计方法 每一模式类给出一个典型模板。 计算待分类对象与不同典型模板之间的相似程度。 相似值是对象的函数，函数值决定对象属于哪一模式类。 2） 分类器一般设计规则 分类器规则转换为阈值规则； 将测量空间划分成互不重叠的区域； 每一个模式类对应一个区域（或多个）； 对象的分类函数值落在哪个区域，对象就属哪类； 某些情况，某些区域为“无法确定”类。 3） 分类器的训练 决策规则决定后，需要确定分类器的阈值； 用一组已被正确表示类别的对象训练分类器，这些训练对象称为训练集； 通过对这些对象确定能够将决策面划分成不同区域的合理阈值。 以蝴蝶花的例子为例： (1) 为多色（w1）和多毛（w2 ）两种蝴蝶花，确定两个原形（或称模板）m1和m2。 (2) 判断未知模式向量x与m1和m2的距离，如果与m1的距离小于与m2的距离，则x属于w1，否则属于w2 。 1 2 3 4 5 6 7 x1 花瓣长 0.5 1.0 1.5 2.0 2.5 3.0 x2 花瓣宽 多毛的 多色的 m1 m2 x 2、最小距离分类器 〈1〉计算模式类wj的原形模式特征向量： Nj是属于模式类wj的模式向量的个数。M是模式类的数目。 〈2〉计算x 与 mi的距离dj(x) = || x – mj || j = 1, 2, … , M 其中 || a || = (aTa)1/2是欧几里德范式 || x – mj || = ((x – mj )T (x – mj )) 1/2 j = 1, 2, … , M 〈3〉 如果di(x) = min(dj(x)) j = 1, 2, … , M，则x 属于wi 为便于计算，改写成求最大的标准形式，决策函数为： dj(x) = xTmj – 1/2mjTmj j = 1,2, … , M 如果，di(x) = max(dj(x)) j = 1, 2, … , M 则x 属于wi 〈4〉 用上式得到的类wi和wj之间的决策边界是： dij(x) = di(x) - dj(x)= xT（mi – mj） – 1/2(mi – mj)T(mi + mj) = 0 1 2 3 4 5 6 7 x1 花瓣长 0.5 1.0 1.5 2.0