3.3识别及解释.pptVIP

3.3.4结构模式识别 串匹配 （3）算法思想 a.由于匹配是逐字符进行的， b.选择一个好的开始点，可以大大减少计算量。任何将两个串规则化为相同字符开头的方法都是有效的，只要这种方法不是穷举起点。 c.最大的R给出了最好的匹配。 3.3.4结构模式识别 串匹配 （4）举例 对象1.a 对象2.a 3.3.4结构模式识别 串匹配 现有两个模式类： 模式类1：有1.b、1.c、1.d、1.e、1.f 5个模板 模式类2：有2.b、2.c、2.d、2.e、2.f 5个模板 3.3.4结构模式识别 串匹配 现将对象1.a与模式类1的5个样例做串匹配，有相似度R值的结果表： 1.b 1.c 1.d 1.e 1.f 1.a 16.0 9.6 5.07 4.67 4.67 3.3.4结构模式识别 串匹配 现将对象2.a与模式类2的5个样例做串匹配，有相似度R值的结果表： 2.b 2.c 2.d 2.e 2.f 2.a 33.5 4.75 3.6 2.83 2.63 3.3.4结构模式识别 将对象1.a与模式类2的5个样例做串匹配，有R值的结果表： 2.a 2.b 2.c 2.d 2.e 2.f 1.a 1.24 1.18 1.02 1.02 0.93 .89 将对象2.a与模式类1的5个样例做串匹配有R值的结果表： 1.a 1.b 1.c 1.d 1.e 1.f 2.a 1.24 1.50 1.32 1.47 1.55 1.48 3.3.2统计模式识别 相关匹配分类器 (1) 相关匹配基本思想 3.3.2统计模式识别 分类器 相关匹配分类器 M x 原点 N y f(x,y) (s,t) J s w(x+s,y+t) K t 3.3.2统计模式识别 分类器 相关匹配分类器 (2) 算法描述 决策函数是相关函数 c(s,t) = ∑∑f(x,y)w(x+s,y+t) x y 对图像的每一个点进行相关计算，只计算重叠部分 问题：在边界处将失去准确性，其误差与子图像的尺寸成正比 3.3.2统计模式识别 相关匹配分类器 (3) 改进 相关函数对振幅的变化太敏感，f(x,y)加倍，c(s,t)也加倍。用相关系数函数代替相关函数 ∑∑[f(x,y) – f(x,y)][w(x-s,y-t) – w] γ(s,t)=———————————————————— {∑∑[f(x,y)–f(x,y)]2∑∑[w(x-s,y-t)– w]2}1/2 x y x y γ(s,t)的值域为（-1，1） 3.3.2统计模式识别 相关匹配分类器 (4) 对旋转及比例变化的分析 问题： 当被匹配图像中，对象的尺寸和角度与模式不一致，此方法将失效。 改进： 尺寸的正则化，解决空间比例的问题。正则化模板与原图。 如果知道原图像的旋转角度，我们可以通过旋转原图像，对齐模式解决。 结论: 如果被匹配的对象的角度任意，此方法不能用于这种问题。 3.3.2统计模式识别 分类器 相关性匹配分类器 (5) 关于空域计算 相关函数，可以在频域计算。 f(x,y)?w(x,y) ? f(s,t)w(s,t) 但无论在何种情况下，都没有更有优势的理论根据。相关系数方式只能在空域进行。 3.3.3　神经网络及支持向量机 （1）　感知机 （2）　支持向量机 （1）　感知机 最基本的感知机建立能将两个线性可分训练集分开的线性决策函数 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）　感知机 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）　感知机 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}