模式识别及其在计算机视觉中实现.docVIP

模式识别及其在计算机视觉中实现 　　摘 要 　　数字信号处理、物理学、几何学、模式识别等知识结合一体形成计算机视觉技术。文章中主要简单地介绍了模式识别的基本框架及其主要方法，并对计算机视觉技术的在生活中的实际应用进行了分析。 　　【关键词】模式识别 计算机视觉 基本框架 识别方法 应用分析 　　1 模式识别的基本框架 　　模式是指通过对具体事物进行观察之后最后取得关于时间与空间分布的信息。以具不具有标准的样本为依据，将模式识别分为监督识别方法与非监督识别方法。所谓的监督识别方法就是指在已经知道训练样本是属于什么类别的情况下再对分类器进行设计，最后再通过该分类器对等待识别的样本进行识别的措施。 　　如图1所示，标本样本集中的样本通过预先处理、选择与提取特征之后才设计出分类器，样本集的分布和大小决定了分类器的性能。当预处理、选择与提取特征后，待见样本最后进入分类器，最终得到识别结果。而所谓的非监督模式识别方法就是在完全不了解样本到底属于那种类别信息的情况下然后直接根据某项规则再对其进行分类决策。监督模式识别法大多被广泛应用与图像处理，例如识别车牌、检测人脸等等。无监督的模式识别方法多大被用于压缩图像、分割图像、图像的遥感识别等等。 　　2 模式识别的主要方法分析 　　2.1 结构模式识别法 　　结构模式识别就是通过利用模式的句法描述与结构描述之间存在的相对性再将模式分类。由各个子模式组合来表示每个模式，通常都是用句法分析的手段对模式进行识别，即在剖析模式的结构时应用已经给出的一组句法规则来进行。要想实现识别过程，必须要在辨认每一个基元之后再进行分析执行语法。特别要注意的是在结构模式识别过程中最关键的步骤就是要选择合适的基元。 　　结构模式识别常在识别文字、分析、纹理图像的过程中被广泛应用。结构模式识别法最大的特点就是能够方便做出识别，在最短的时间里将模式的结构特征体现出来，还能对模式的性质有所描述，拥有将强的图像畸变的抗干扰能力。在运用结构模式的关键问题是该怎么对基元进行选择。尤其是存在噪声和干扰时，抽取基元的难度系数相对会更大，而且经常会发生失误的情况。 　　2.2 统计决策法 　　统计决策法主要以概率和数理统计为根本，非参数方法和参数方法为其主要内容。一般将Bayes决策作为参数方法的指导准则。而最小错误率和最小风险贝叶斯决策为最常用的两种决策方法。 在解决实际的模式识别为时，是很难根据概率和类条件概率密度精确的知道结果。可根据样本总数大致的估计到先验概率，可以运用统计学中的最大似然估计法等对类条件概率密度进行大致的估计。这类的方法主要被广泛的应用在复原图像、分割图像等过程中。 　　参数估计方法主要以样本数目接近于无穷大时的渐进理论为其理论基础。当样本数目越大，参数估计的结果越接近真正的模式。但是事实上样本的数目总是有限的，不可能满足无穷大这一要求。还有一点就是特征的独立性是参数估计的另一个前提条件，这个条件在实际中也总是存在很大的差别。 　　在一般情况下样本数量往往不是很大，都是根据样本的实际情况进行分类器的设计，这就是所谓的非参数方法。使用这类方法的好处在于使得物理意义更加的直观，但是不好的一点就是最后所取得的结果和错误率基本上没有多大的实际联系，所设计的分类器并不能保障是最好的。 　　统计决策理论把重心重点集中在对数量的统计关系上，但是却对刻画模式的结构特征有所忽略。图像处理主要受图像的结构信息的影响最大，当图像是复杂的类型时，那就要要求特征量非常的巨大。是很难准确的把某一模式进行分类，这个时候使用统计分类方法是很难实现对图像的处理。所以要想把图像的基元子模式分割出，就要将原图像替换成具有一定句法关系的基元再进行分类。 　　2.3 基于人工智能方法 　　其实从20世纪50年代开始，研究人员根据动物的神经系统的某些功能进行模拟，他们利用硬件或者软件，建立了很多结点，来解决单元间的拓扑网络，从而进行模拟。这种方法是将原始特征空间变换为非线性，从而一个新的样本空间产生出来，这样做就可以将变换后的特征线性分开。这个方法相对于传统的统计方法，它的分类器和概率分布是没有多大的关系。 　　人工神经网络主要以自我进行组织、自我进行适应以及具有很强的联想功能和学习能力为特点，以独特的优势解决在模式识别中遇到的一些复杂性的问题。 　　人工神经网络的实质是一种非常复杂的非线性映射方法，是很难解释它的物理意义，在理论方面仍然存在一些问题需要解决。例如在设计上，在确定网络层数和选取节点个数的时候存在很大的经验性和盲目性，理论指导匮乏，对于在网络结构设计方面的问题仍然没有得到解决。 　　在最近几年来，基于对统计理论的学习，在模式识别方法中表现出了出色的范化能力和学习能力，相对于神经网络，其可以将维数灾难、局