第八章图像识别.pptVIP

* 第28页，共45页，编辑于2022年，星期一 * 几何分类法 　一个模式类就是相应特征空间中的一个点集。一般来讲，在特征空间中一个模式类的点集总是在某种程度上与另一个模式类的点集相分离。因此，模式识别的另一个思路就是设法构造一些分界面（线），把特征空间Rn分割成若干个称为决策区域的子空间Ri (i=1,2,…,n)，使得一个模式类刚好位于一个决策区域。这样，对于待识模式X，就可以利用空间中的这些分界面来判定X的类属。分界面（线）方程gi(X)=0中的函数gi(X)称为判别函数。显然，构造分界面的关键就是构造其判别函数。 　 分界面（线）可分为平面（直线）和曲面，相应的判别函数为线性函数和非线性函数。下面介绍分界平面和线性判别函数。 第29页，共45页，编辑于2022年，星期一 * 对于二分类问题, 显然只需一个分界平面。设判别函数为 g(X)=WTX+w0 其中W= (w1, w2,…, wn)T为X中各分量x1, x2,…, xn的系数组成的向量，称为权向量；w0为一个常数，称为阈值权。那么，分界平面方程为 g(X) = WTX+w0= 0 由几何知识知,位于这个分界平面两边的点X的判别函数值g(X)符号相反。于是, 可有分类规则: g(X)0 X1 g(X)0 X2 g(X)=0 X属于1或2，或者不可判别 第30页，共45页，编辑于2022年，星期一 * 二分类问题的分界面(线)示意 第31页，共45页，编辑于2022年，星期一 * 概率分类法 　　基于最小错误率的贝叶斯决策 　　因为模式属于哪一模式类存在不确定性,所以需要用概率来决策, 就是说对于待识模式X,如果它属于哪个类的概率大则它就属于哪一类。但如果直接使用各模式类的先验概率P(ci), 则会因先验概率所提供的信息量太少而导致把所有模式都归入先验概率最大的模式类的无效分类。因此, 应该考虑后验概率P(ci|X), 但通常概率P(ci|X)不易直接求得的。幸好, 概率论中的贝叶斯公式可以帮忙, 事实上, 由贝叶斯公式 第32页，共45页，编辑于2022年，星期一 * * 第八章图像识别 第1页，共45页，编辑于2022年，星期一 * 模式识别和模式的概念 感知：从环境获取信息 第2页，共45页，编辑于2022年，星期一 * 计算机模式识别 模式识别：使计算机模仿人的感知能力，从感知数据中提取信息（判别物体和行为）的过程。 数据获取 模式分割 模式识别 姚明 ROCKETS 11 概念 第3页，共45页，编辑于2022年，星期一 * 模式识别的意义 数字化感知数据：来源丰富、数量巨大 概念 第4页，共45页，编辑于2022年，星期一 * 模式识别的难点 感知数据：非结构化（像素、声波等） 概念 第5页，共45页，编辑于2022年，星期一 * 模式与模式类 样本(sample, object)：一类事物的一个具体体现，对具体的个别事物进行观测所得到的某种形式的信号。 模式(pattern)：表示一类事物，如印刷体A与手写体A属同一模式。B与A则属于不同模式。 样本是具体的事物，而模式是对同一类事物概念性的概括。 模式类与模式联合使用时，模式表示具体的事物，而模式类则是对这一类事物的概念性描述。 模式识别是从样本到类别的映射。 概念 第6页，共45页，编辑于2022年，星期一 * 模式识别的基本问题 （1）特征如何提取？-------特征产生 （2）最有效的特征是那些特征？-------特征选择 （3）对特定任务，如何设计分类器？ -------分类器设计 （4）分类器设计后，如何评价分类器？分类错误率是多少？ -------分类器评价 第7页，共45页，编辑于2022年，星期一 * 模式识别方法的分类 （1）监督与非监督模式识别 A、监督模式识别 利用先验知识和训练样本来设计分类器。 B、非监督模式识别 利用特征向量的相似性来自动进行分类。 第8页，共45页，编辑于2022年，星期一 * 有监督学习（supervised learning)：用已知类别的样本训练分类器，以求对训练集数据达到某种最优，并能推广到对新数据的分类。 非监督学习（unsupervised learning) ：样本数据类别未知，需要根据样本间的相似性对样本集进行分类(聚类，clustering)?? 第9页，共45页，编辑于2022年，星期一 * 模式分类 vs. 模式聚类 Classification (known categories) Clustering (creation of ne