模式识别及其在图像处理中的应用.docVIP

模式识别及其在图像处理中的应用 摘要：随着计算机和人工智能技术的发展，模式识别在图像处理中的应用口益广泛。综述了 模式识别在图像处理中特征提取、主要的识别方法(统计决策法、句法识别、模糊识别、神 经网络)及其存在的问题，并且对近年来模式识别的新进展一一支持向量机与仿生模式识别 做了分析和总结，最后讨论了模式识别亟待解决的问题并对其发展进行了展望。 关键词：模式识别；图像处理；特征提収；识别方法 模式识别诞生于2()世纪2()年代，随着计算机的出现和人工智能的发展，模式识别在6()年 代初迅速发展成一门学科。它所研究的理论和方法在很多学科和领域中得到广泛的重视，推 动了人工智能系统的发展，扩大了计算机应用的可能性。图像处理就是模式识別方法的一个 垂要领域，冃前广泛应用的文字识别(MNO)就是模式识别在图像处理中的一个典型应用。 1?模式识别的基本框架 模式识别在不同的文献中给出的定义不同。一般认为，模式是通过对具体的事物进行观测所 得到的具有时间与空间分布的信息，模式所属的类别或同一类屮模式的总体称为模式类，其 中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动地(或者人为进行少量 干预)将待识别的模式分配到各个模式类屮的技术。模式识别的基本框架如图1所示。 嘆式识别的基本框架 嘆式识别的基本框架 根据有无标准样本，模式识别可分为监督识别方法和非监督识别方法。监督识别方法是在已 知训练样本所属类别的条件卜-设计分类器，通过该分类器对待识样本进行识别的方法。如图 1,标准样木集中的样本经过预处理、选择与提取特征后设计分类器，分类器的性能与样本 集的人小、分布等冇关。待检样木经过预处理、选择与提取特征后进入分类器，得到分类结 果或识别结果。卄监督模式识别方法是在没有样本所属类别信息的情况下肓接根据菜种规则 进行分类决策。应用于图像处理中的模式识别方法大多为有监督模式识别法，例如人脸检测、 车牌识别等。无监督的模式识别方法主耍用于图像分割、图像压缩、遥感图像的识别等。 模式识别过程可以看作从样木空间到类别空间的一个映射过程。如果把一个具冇n个特征作 为参屋的n维特征空间划分为不同的区域，那么每个区域耳一类模式类相对应。其中，特征 选择与提取是模式识別的一个重要环节，如果所选収的特征能够比较全血反映类的本质特 征，那么分类器就比较容易设计；否则，分类器设计的难度就增加。因此特征选择和提取是 模式识別研究的一项匝要内容。 2 ?特征提取和特征选择 原始样本往往处于一个高维空间，特征提取指的是通过映射的方法用低维空间來表示样本的 过程。特征提取后样本的可分性应该更好，分类器更易设计。常用的方法有主元分析法 (PCA)、线性判别分析、核函数主元分析(Kernel PCA).独立主元分析法(ICA)、自组 织映射(SOM)方法等。特征提取在图像处理(例如图像分割、图像识别、图像检索等) 中得到了广泛的应用。另外在图像压缩中也广泛应用到DCT变换以去除图像的空间冗余。 不同的模式识别问题特征差别可能很大，因而特征提収方法也不尽和同。毎一种特征提収方 法只适合解决某些特定范围的问题，例如对于服从高斯型分布的线性相关特征，采用PCA 方法比较好，用其他方法提取特征结果可能不是“最优”。特征提取的优劣要根据一定的判 据来衡量，由于模式识别中没冇一个统一的衡虽特征优劣的判据，所谓的最优是在特定准则 下取得的，是相对的最优。 特征捉取后的各个特征的物理意义冇时不是很直观，往往很难看出各个特征对分类的影响, 有的特征可能无助于分类器的设计，戾至会降低分类器的性能。因此要在这些特征屮选出最 适合分类器设计的特征。换句话说，特征选择就是从一组特征D中挑选岀一些对分类最有 效特征d(Dd)的过程。实际中特征选择和提取往往结合使用。 为了判断提取和选择的特征对分类的有效性，人们提出各种衡最特征分类性能的判据。最肓 接最有效的判据是计算分类器错误概率，但一般情况下，错误概率的计算很复杂，有时甚至 无法计算。因此人们提出一些其他的判据。最简单的判据是用于可分性判据的类内类间距离 判据，其基本原则是类内距离最小、类间距离最人的特征为最优特征。一方而，这一判据物 理意义明显，计算方便，但是距离的定义不同，得到的特征不同；另一方面，它和概率分布 没有直接关系。为 此人们提出基于概率分布的可分性判据，这类判据计算比较复杂，也很难得到和错谋概率的 直接解析关系式。另外还有基于爛函数的可分性判据等，这些判据在特征捉取中都得到了广 泛的应用。 选定町分性判据后，通过穷举法可以得到特征选择的最优解，但是当特征个数比较多吋，这 种方法由于计算量太大而难以实现。常用的方法有分支和定界(branch and bound)算法、 顺序前进法(SFS)、顺序后退法(SBS)等，相对于