目标自动识别.pptVIP

灰度共现矩阵法对于方向性纹理的区域，取不同方向，灰度共现矩阵不同；对于纹理粗细不同，取不同的距离，灰度共现矩阵就不同。等灰度行程长度法等灰度行程长度定义为在某个方向上、相邻的具有相同灰度或某个灰度范围的像素个数。显然粗细纹理区域中长行程情况出现较多，细纹理区域中短行程出现较多，由此可以用一个矩阵表示在某个给定方向上各种行程出现的情况。统计模型法提取纹理特征统计模型基本思想是用一个统计数学模型描述一致性纹理区域。用于描述的模型主要有三种：单层马尔科夫随机场，双层高斯马尔可夫随机场，金字塔随机场序列。典型的纹理分析方法：第30页，共54页，星期日，2025年，2月5日2、特征选择与提取特征选择的基本任务是研究如何从众多特征中求出那些对识别最有效的特征，从而实现特征空间维数的压缩。从模式样本的量测值中提取与选择最能反映类别属性的特征,主要方法包括：最小误判概率准则、Fisher准则、判决边界、离散K-L变换等。根据应用需求选择合适的特征，不同应用对特征的需求不同。第31页，共54页，星期日，2025年，2月5日为了设计出效果好的分类器，通常需要对原始的测量值集合进行分析，经过选择或变换处理，组成有效的识别特征；在保证一定分类精度的前提下，减少特征维数，即进行“降维”处理，使分类器实现快速、准确和高效的分类。为达到上述目的，关键是所提供的识别特征应具有很好的“可分性”，使分类器容易判别。为此，需对特征进行选择。第32页，共54页，星期日，2025年，2月5日我们要选择那些在特征向量空间中类间距离大而类内方差小的特征。也就是说不同类别间的特征值距离较远，而同一类内的特征值紧密聚集。最后将采用不同的处理方法应去掉模棱两可、不易判别的特征；所提供的特征不要重复，即去掉那些相关性强且没有增加更多分类信息的特征。将特征综合考虑，对特征向量作线性或非线性变换，使其具有更好的辨别能力第33页，共54页，星期日，2025年，2月5日选择最优特征需要具备三个条件：样本数量能覆盖样本集的分类特征有一种比较好的分类判据一个切实可行的算法第34页，共54页，星期日，2025年，2月5日特征抽取：线性特征抽取：主成分分析PCA、ICA、LPP、Fisher线性鉴别分析FLDA等非线性特征抽取：核方法、流形学习流形学习：ISOMAP、LLE、LaplacianEigenmap、图嵌入方法。核方法：是指一系列先进非线性数据处理技术的总称，它采用非线性映射将原始数据有数据空间映射到特征空间，在特征空间进行对应的线性操作。例如：KPCA、KLPP第35页，共54页，星期日，2025年，2月5日为什么要数据降维？高维数据的统计分析需求日益凸显，高维数据的直接处理难度很大：计算量增大；数据的可视性差；维数灾难，当维数较高时，即时数据的样本点很多，散步在高维空间中的样本点仍显得很稀疏，低维时的方法失效或不稳定。第36页，共54页，星期日，2025年，2月5日降维－重要的一步，也是观察数据特性的手段降维特征选择:依据某一标准选择性质最突出的特征特征变换:经已有特征的某种变换获取约简特征数据可视化和数据挖掘分析也需要降维通常降到2维或3维流形降维来观测数据的内在形状第37页，共54页，星期日，2025年，2月5日局部线性嵌入(LLE).S.T.RoweisandL.K.Saul.Nonlineardimensionalityreductionbylocallylinearembedding.Science,vol.290,pp.2323--2326,2000.等距映射(Isomap).J.B.Tenenbaum,V.deSilva,andJ.C.Langford.Aglobalgeometricframeworkfornonlineardimensionalityreduction.Science,vol.290,pp.2319--2323,2000.拉普拉斯特征映射(LaplacianEigenmap).M.Belkin,P.Niyogi,LaplacianEigenmapsforDimensionalityReductionandDataRepresentation.NeuralComputation,Vol.15,Issue6,pp.1373–1396,2003.?几种流形学习方法第38页，共54页，星期日，2025年，2月5日3、分类器设计模式识别分类