3.3识别与解释新.pptVIP

图像分析技术分类的三种基本范畴;3.3 识别与解释;图像识别与解释的基本方法 统计模式识别：用向量形式表达模式；分派模式向量到不同的模式类 结构模式识别：用符号匹配，模式被表示为符号形式（如形状数、串和树） 图像解释的方法：图像解释技术是基于谓词逻辑、语义网络和特定产品的系统;3.3.1 模式与模式类;3.3.1 模式与模式类;2.模式类的定义 模式类是具有某些公共特征的模式的系列 模式类用w1,w2,…wM表示，M是类的个数 3.模式识别的定义 根据图像中对象的特征组成的模式，确定对象是属于那一个模式类，即为模式识别;模式与模式类举例 1）汽车的长、宽、高（L,W,H）——模式 2）大客车： （L,W,H）大 小轿车： （L,W,H）小 卡 车： （L,W,H）卡 从而有模式类（w大, w小, w卡） 3）从图像中发现一个对象——模式实例。 希望识别出该对象（L1,W1,H1），是大客车、小轿车、还是卡车——模式识别;4.常用的模式序列 三种模式序列: 1)模式特征向量 2)模式串 3)模式树 1)模式特征向量 定义 举例 特征的选择;常用的模式序列 1)模式特征向量的定义——描述子构成的向量 模式特征向量用粗体小写字母表示，如x,y形式如下： 其中每一个xi代表第i个描述子，n是这种描述子的数量。模式特征向量被表示为一列或表示成 x = (x1, x2, …, xn)T， 其中T指出是转秩;模式特征向量举例 假设我们想描述三种蝴蝶花（多毛的、维吉尼亚、多色的）通过测量它们花瓣的宽度和长度。这里涉及一个两维的模式特征向量： 其中x1、x2分别对应花瓣的长和宽 三种模式类用w1、w2、w3表示; 由于所有的花瓣在宽和长上都有某种程度的变化，所以描述这些花瓣的模式特征向量也将有变化，不仅在不同的类之间，而且也在类的内部 在这种情况下每一种花变成二维欧几里德空间的一个点;;模式特征向量举例：分析 对花瓣长宽的测量，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，完全依赖于对模式尺寸测量的选择;模式特征的选择 良好的特征应具备四个特点 可区别性：对不同类别对象特征值差异明显 可靠性 ：对同类对象特征值比较接近 独立性 ：所用的各特征之间彼此统计独立 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 用于以对象特征的结构或空间关系作为模式的识别 模式串举例：梯状的模式;3)模式树 以分层目录结构排序的模式类，一般多采用树结构 模式树举例;3.3.2 统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.2统计模式识别;3.3.3　神经网络和支持向量机 ;（1）　感知机 ; 对模式矢量增加第n + 1个元素 构建一个扩充模式矢量y，让yi = xi， i = 1, 2, …, n，且后面加一个元素yn+1 = 1 其中y = [y1 y2 … yn 1]T是个扩充模式矢量，w = [w1 w2 … wn wn+1]T是个权矢量 关键问题：用模式矢量的给定训练集确定w ;1）.　线性可分类 由两个线性可分训练集获取权矢量 令w(1)代表一个任意选定的初始权矢量 如果 y(k) ? s1，wT(k)y(k) ≤ 0 如果 y(k) ? s2，wT(k)y(k) ≥ 0 否则： ;1）.　线性可分类 两个训练集，每个包括两个模式 先将模式扩充，对类s1得到训练集{[0 0 1]T, [0 1 1]T}，对类s2得到训练集{[1 0 1]T, [1 1 1]T} ;（1）　感知机 ;（1）感知机 ;2）.　线性不可分类 最小化实际响应和希望响应间的误差 沿J(w)负梯度的方向逐步增加w以寻找上述函数的最小值。最小值应在r = wTy时出现 通用的梯度下降算法可写成： ;2）.　线性不可分类 写成德尔塔（Delta）校正算法的形式 权矢量的误差 误差的变化量 改变权重能将误差减少a||