图像分析与识别_课件_8概要.ppt

图像处理、分析与理解 Image Processing, Analysis and Understanding 图像理解需要多个图像处理步骤间的交互作用。 在前面的章节中已经介绍了图像理解所必要的基础，现在必须建立一种内在的图像模型来表示机器视觉系统有关被处理的现实世界图像的概念。 考虑一种典型的人类认知途径：人可以很好地进行图像处理、分析和理解。 尽管有这个事实，但如果我们没有对将要出现的事物有预测的话，有时候识别将会是件很困难的事情。 如果观察者得到一些组织的微观图像，但是他从没有学习过这些组织的结构或是形态，那么他就不能确定哪些是不正常的组织。 如果需要观察者理解城市的航空图像或是卫星图像，即便这些数据来自观察者非常熟悉的城市，同样的问题也会出现。 在建立起内在的模型时，我们使用了两种主要形式的知识：一种是一般普遍存在的知识，诸如这里的城市中的街道、房屋、公园等的设置；另一种是关于特定城市中的特别房屋、街道、河流等的特殊知识。 机器视觉系统可以用于解决类似的问题。 观察者和人工视觉系统的主要不同在于后者缺乏关于真实世界的可以广泛应用的、具有一般性的并且可修改的知识。 机器视觉系统建立用来处理场景的内在模型，验证并更新它们，对于给定的任务，必须执行一系列合理的处理步骤。 如果内在模型与实际场景匹配了，那么就达到了图像的理解。 上面描述的例子表明图像模型的存在是感知认识的一个先决条件。 机器视觉是由低层处理层次和高层处理层次组成。 图像理解是这种分类方法下的最高级处理层次。 这一图像处理层次的主要任务是定义控制策略，以确保处理步骤的合适顺序。 此外，机器视觉系统必须能够处理大量的假设的和模糊的图像解释。 一般来说，机器视觉系统的组织由图像模型的弱分层结构构成。 近年来，在图像理解方面取得了很多重要的成果。 尽管如此，图像理解过程仍然是计算机视觉的一个开放领域，有待进一步的研究。 图像理解是人工智能的最有挑战性的研究之一。 为了详细地探讨这一计算机视觉的复杂领域，需要讨论人工智能的相对独立的研究分支—知识表示、关系结构、语义网络、通用匹配、推断决策、产生式系统、问题求解、规划、控制、反馈和经验学习，一个困难而尚未完全理解的领域。 这些领域在计算机视觉中的应用是活跃的研究领域。 尽管如此，细致地研究这些主题将超出本书讨论的范围，所以，我们在这里只概述基本图像理解的控制策略和图像理解中描述上下文和语义的方法。 图像理解的控制是机器视觉的重要问题，其描述的控制策略给出了有关图像处理、物体描述和识别的各种方法的更加合理的应用方式。 同时，它解释了为什么特定的人工智能方法会包含在图像理解的处理中。 第一节 图像理解控制策略 只有将复杂的信息处理任务和对这些任务的合适控制协作起来时才能做到对图像的理解。 生物学系统包含非常复杂的控制策略，它综合了并行处理机制、动态感知子系统分配、行为修正、中断驱动的注意转移等。 正如在其它人工智能问题中一样，计算机视觉的主要目的是利用技术上可行的过程，取得类似于生物学系统行为的机器行为。 一、并行和串行处理控制 并行和串行方法都可以应用于图像处理过程，尽管有时候哪些步骤应该采用并行方法，哪些步骤应该使用串行方法并不明显。 并行处理同时进行几个运算（比如，几个图像区域可以同时处理）。 在处理过程中，一个需要考虑的极其重要的问题是同步，即决定什么时候或者是否这个处理过程需要等待其它处理步骤的完成。 在串行处理中操作总是顺序执行的。 串行控制策略是传统冯·诺伊曼计算机体系结构的一种自然的方法。 在要求的速度下，生物机体的大量的并行操作是无法串行完成的。 出于对速度的要求（包括低层的认知过程处理的实现，等等），提出了金字塔图像表示方法和相应的金字塔处理器结构。 并行计算机已经被普遍使用，除了它们在编程方面的实际困难外，并行处理的选择现在是一个现实。 已经表明几乎所有的低层图像处理都可以并行实现。 尽管如此，使用更高层抽象概念的高层处理实质上通常使用串行处理。 相比于人类解决复杂感知问题的策略，显然有：即使前面的步骤是并行处理得到的，人在视觉的后期阶段总是集中于单个主题。 二、分层控制 在处理过程中，图像信息采用不同的表示方式存储。 在处理的控制中，关键的问题之一是：处理过程应当由图像的数据信息控制还是由更高层的知识控制？ 这些不同方法描述如下： 由图像数据控制（自底向上的控制）：处理过程从光栅图像开始到分割的图像，再到区域（物体）描述，最后到它们的识别。 基于模型的控制（自顶向下的控制）：利用可用的知识，建立一组假设和期望的性质。按照自顶向下的方式，在不同处理层次的图像表示中测试是否有满足这些性质的区域，一直到原始图像为止。 图像理解就是验证其内部模型，该模型可能被证实并接受，或