《数字图像处理与模式识别》.pptVIP

数字图像处理与模式识别; 绪 论;;;;1、观测量的获取（图像获取）：首先通过摄像机获取图像，然后采用图像分割技术，得到单个物理对象的图像。;2、特征提取：抽取关键特征，并根据这些特征对物理对象进行分类。  长度特征:根据长度进行分类 salmon一般较短，sea bass一般较长; 亮度特征：根据亮度进行分类 salmon一般较暗， sea bass一般较亮;特征向亮：提取一组特征，构成特征向量，根据特征向量进行分类。特征向量=（亮度、宽度）；x=(x1,x2);特征空间: 特征向量所有可能的取值的集合样 本: (x,y), x:该样本对应的特征向量y:该样本的类别，y=+1(salmon),或y= -1(bass) ;在特征空间中构造一个分类面，对两类样本进行分类。;;;;5、分类器的设计过程;;;分类器复杂度过高：分类器复杂度过高，出现过度拟合，泛化能力可能会有所降低。;分类器复杂度过低：由于分类器的复杂度过低，无法有效表示不同类别训练样本之间的分界面，从而导致训练误差无法得到充分的降低，这一现象称为欠学习。欠学习同样无法保证较好的泛化能力。;分类器复杂度适中：分类器的复杂度与可用样本的数量相匹配，复杂度的选择符合Occam razor 原则，这样得到的分类器最有可能获得较好的分类能力。; ;一个聚类分析的例子：只有观测信息，没有类别信息。我们希望根据样本的分布，将样本划分为若干个自然类，从而发现隐藏于样本集中的可能的类别信息。 ;; 人脸的识别：分类器的训练样本; 人脸的识别：一个应用的例子;;;dsfdbsy384y982ythb3oibt4oy39y409705923y09y53b2lkboi2y58wy0ehtoibwoify98wy049ywh4b3oiut89u983yf9ivh98y98sv98hv98ys9f698y9v698yv98x98tb98fyd98gyd98h98ds98nt98d8genklgb4klebtlkb5k tkeirh893y89ey698vhkrne lkhgi8eyokbnkdhf98hodf hxvy78fd678t9fdu90gys98y9shihixyv78dfhvifndovhf9f8yv9onvkobkw kjfegiudsfdbsy384y982ythb3oibt4oy39y409705923y09y53b2lkboi2y58wy0ehtoibwoify98wy049ywh4b3oiut89u983yf9ivh98y98sv98hv98ys9f698y9v698yv98x98tb98fyd98gyd98h98ds98nt98d8genklgb4klebtlkb5k tkeirh893y89ey698vhkrne lkhgi8eyokbnkdhf98hodf hxvy78fd678t9fdu90gys98y9shihixyv78dfhvifndovhf9f8yv9onvkobkw kjfegiu dsfdbsy384y982ythb3oibt4oy39y409705923y09y53b2lkboi2y58wy0ehtoibwoify98wy049ywh4b3oiut89u983yf9ivh98y98sv98hv98ys9f698y9v698yv98x98tb98fyd98gyd98h98ds98nt98d8gen;56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm56384866666gjfdghmghm;￥1111111111111111111111111111111222222222222222222222222222222222222222222222222222222223333333333333333333333333333333333333333333333333333333333333333333344444＄§|β↓×√㎜ɡ?≥≧ɑ←‰?↓←≠￥θ￥?÷㎝??￥＄§|β↓×√㎜②￥◎…ɡ?≥≧ɑ←‰?ɡ?≥≧￥◎…ɡ?≥≧