计算机学科导论课件：4.4 图像处理与模式识别.ppt

任务：自动导航 UCF@美国军方无人驾驶车辆挑战 挑战一：人工交互 Canny Mean Shift DDMCMC 边缘检测 Snakes Image Matting 挑战二：光照条件 挑战三：各种天气情况 Fog Mist [Nayar and Narasimhan,99] [Narasimhan and Nayar, 00,01,02,03] Rain Snow 挑战四：高精度 挑战五：姿态万千 挑战六：表情各异 挑战七：畸变 [Van Gool, KU Leuven] 挑战八：分辨率 320x240 普通相机 高清相机 Omni-cam:1024x768 QuadHD: 3840x2160 Lumenera: 4008x2672(11 MP)? G-Pixel Sensor 挑战九：运行时间和内存使用 5.我们正开展的一些工作 利用微纳制造的三维成像关键技术与系统 基于图像序列的多源动态信息主动融合多目标识别研究 晶片下料与优化 工业产品缺陷检测 跳远自动测距 利用微纳制造的三维成像关键技术与系统 ——目前主要在解决运算问题 晶片下料与优化——光照、分割、畸变校正、运算 手机屏幕缺陷检测——光照问题、几何畸变等 跳远自动测距——目前难以达到精度 * 如法庭取证、交通事故现场的测量、建筑物测量 * * * * 数据驱动的蒙特卡罗型马尔可夫链 Data-Driven Markov Chain Monte Carlo * * 有划痕和缺失信息的修补 目标区域的移除 3.模式（图像）识别 3.1相关概念 模式——广义地说，存在于时间和空间中可观察的物体，如果我们可以区别它们是否相同或是否相似，都可以称之为模式。 模式——所指的不是事物本身，而是从事物获得的信息，因此，模式往往表现为具有时间和空间分布的信息。 模式的直观特性: 可观察性 可区分性 相似性 模式识别：研究用计算机来实现人类的分类识别能力的一门学科。如指纹识别、人脸识别，汽车牌照识别等。 目的：利用计算机对物理对象进行分类，在错误概率最小的条件下，使识别的结果尽量与客观物体相符合。 模式识别可以用如下函数表示： Y = F(X) X的定义域取自特征集 Y的值域为类别的标号集 F是模式识别的判别方法 人和动物的识别能力是极其平常的，但对计算机来说却是非常困难的。如小孩识别妈妈。 3.2 模式识别系统 模式识别系统的基本构成 数据获取 特征提取和选择 预处理 分类决策 分类器设计 模式识别系统组成单元 数据获取：用计算机可以运算的符号来表示所研究的对象 二维图像：文字、指纹、地图、照片等 一维波形：脑电图、心电图、季节震动波形等 物理参量和逻辑值：体温、化验数据、参量正常与否的描述 预处理单元：去噪声，提取有用信息，并对输入测量仪器或其它因素所造成的退化现象进行复原 模式识别系统组成单元 特征提取和选择：对原始数据进行变换，得到最能反映分类本质的特征 测量空间：原始数据组成的空间 特征空间：分类识别赖以进行的空间 模式表示：维数较高的测量空间-维数较低的特征空间 分类决策：在特征空间中用模式识别方法把被识别对象归为某一类别 基本做法：在样本训练集基础上确定某个判决规则，使得按这种规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小 3.3 统计模式识别 数据聚类 判别函数 概率模型方法 神经网络 模糊模式识别 数据聚类 依据“物以类聚”的观点对一批没有标出类别的模式样本集，按照样本之间的相似程度分类，相似的归为一类，不相似的归为另一类，这种分类称为聚类分析，也称为无监督分类。 聚类要考虑的两个问题： 怎样度量样本之间的相似性？——距离的计算 如何衡量对样本集的一种划分的好坏？——度量准则 判别函数 概率分类法 在现实世界中，许多客观现象的发生具有不确定性。 只有在大量重复的观察下，其结果才能呈现出某种规律性，即对它们观察到的特征具有统计特性。 特征值不再是一个确定的向量，而是一个随机向量。 此时，只能利用模式集的统计特性来分类，以使分类器发生错误的概率最小。 贝叶斯判别原则 两类模式集的分类 目的：要确定x是属于ω1类还是ω2类，要看x是来自于ω1类的概率大还是来自ω2类的概率大。 最小错误分类准则 贝叶斯最小风险判别 例子 对一大批人进行癌症普查，患癌者以ω1类代表，正常人以ω2类代表。 设被试验的人中患有癌症的概率为0.005，即P(ω1)=0.005，则P(ω2)=1-0.005=0.995 现任意抽取一人，要判断他是否患有癌症。显然，因为P(ω2) P(ω1)，只能说是正常的可能性大。 如要进行判断，只能通过化验来实现。 设有一种诊断癌症的试验，其结果为“阳性”和“