3.3识别与解释的.pptVIP

3.图像处理与分析 图像分析技术分类的三种基本范畴 3.3 识别与解释 3.3.1 模式与模式类 3.3.2 统计模式识别 3.3.3 神经网络与支持向量机 3.3.4 结构模式识别 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 1.模式的定义 2.模式类的定义 3.模式识别的定义 4.常用的模式序列 模式特征向量 模式串 模式树 3.3.1 模式与模式类 1.模式的定义 模式是：图像中的一个对象或某些感兴趣本质的数量或结构的描述 模式是：由一个或多个描述子来组成，换句话说，模式是一个描述子的序列（名词“特征”经常被用来代指描述子） 模式是：一组特征或一组描述子 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 3.3.1 模式与模式类 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 3.3.1 模式与模式类 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 3.3.1 模式与模式类 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 3.3.1 模式与模式类 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 3.3.1 模式与模式类 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 3.3.1 模式与模式类 3.3.1 模式与模式类 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 3.3.1 模式与模式类 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 3.3.1 模式与模式类 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 3.3.1 模式与模式类 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 1.分类器的设计和训练 2.决策论法的基本概念 3.分类器 最小距离分类器 相关匹配分类器 3.3.2统计模式识别 1.分类器的设计与训练 分类器一般设计方法 分类器对每一模式类，给出一个典型模板 对每一个遇到的待分类对象,计算该对象与个典型模板之间的相似程度 相似值是对象的函数 函数取值的不同，决定对象属于那一模式类 3.3.2统计模式识别 -分类器一般设计规则 分类器规则都转换为阈值规则 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，对象就属那类 某些情况，某些区域为“无法确定”类 3.3.2统计模式识别 -分类器的训练 决策规则决定后，需要确定分类器的阈值 实现的方法是用一组已知对象训练分类器 训练对象集由每类已被正确识别的部分对象组成 通过对这些对象的度量，定出能够将决策面划分成不同区域的合理阈值 使分类器对训练对象样本集分类准确性最