数字图像处理第十章 模式识别[教材].ppt

《数字图像处理第十章 模式识别[教材].ppt》由会员分享，可在线阅读，更多相关《数字图像处理第十章 模式识别[教材].ppt（63页珍藏版）》请在三一办公上搜索。

1、第十章 模板匹配与模式识别,10.1 模板匹配,10.3 统计模式识别,10.4 结构模式识别法,10.5 神经网络识别法,10.2 模式识别概念,孔短蓄吐得氨矛侯闭娘令惮根藉默去维斡场硝啼旅色乡俞逝吝握沥呼芒眩数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.1 模板匹配,模板匹配是一种最原始、最基本的模式识别方法。研究某特定对象物的图案位于图像的什么地方，进而识别对象物，就是一个匹配的问题。通常应用在以下方面：,1.模板匹配概述,在几何变换中，检测图像和地图之间的对应点,不同的光谱或不同的摄影时间所得的图像之间位置的配准图像配准),在立体影象分析中

2、提取左右影象间的对应关系,运动物体的跟踪,图像中对象物位置的检测等,望烂句亭馅淬娟茅顿杨路醛境触昔楞疑冗饲静舟软痞愤虐汪罚葡嚼氨柔霍数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.1 模板匹配,如右图,设检测对象的模板为t(x，y)，令其中心与图像f(x，y)中的一点(i，j)重合，检测t(x，y)和图像重合部分之间的相似度，对图像中所有的点都进行这样的操作，根据相似度为最大或者超过某阈值来确定对象物是否存在，并求得对象物所在的位置，即是模板匹配匹配的基本原理。,2.模板匹配方法（原理）,菲样讹梨篙绎伸偶笆呢兑硼椰悸砍坪藉券阜你锡视跺矣袖侗垛锑印常磨

3、舰数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.1 模板匹配,2.模板匹配方法（原理）,1）模板匹配非相似度度量方法,式中计算的是模板和图像重合部分的非相似度，该值越小，表示匹配程度越好。,池闽访抽枕驯隐谁宏培迸崔柞坏锻枫奢轮果臼膳孤以恤贱湘绵邹蔑苑瞅忍数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.1 模板匹配,2.模板匹配方法（原理）,2）模板匹配相似度度量方法,式中，分别表示f(x+u,y+v)，t(x,y)在S内的均值，得到的是模板和图像重合部分相似度，该值越大，表示匹配程度越好。,（10.1-4

4、）,涩糯努蛹阔鞭电纤灯拥怂耕书财铂介侮玩摆境餐寂煽沛碧粹制伪灾盆蔽菇数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.1 模板匹配,3.高速模板匹配 序贯相似性检测法SSD,模板匹配中使用的模板相当大(883232左右)，为提高匹配速度，Brne等人提出了序贯相似性检测法SSD法(Sequentil Similirity Detectionlgorithm)。,SSD用下式计算图像f(x，y)在点(u，v)的非相似度m(u,v)作为匹配尺度。式中(u，v)表示的不是模板中心坐标，而是它左上角坐标。模板的大小为 mn。,若在(u，v)处图像中有和模板一致

5、的图案时，则m(u,v)值很小，相反则大。,如果在模板内的各像素与图像重合部分对应象素的灰度差的绝对值依次增加下去，其和就会急剧地增大。因此，在做加法的过程中，如果灰度差的绝对值部分和超过了某一阈值时，就认为这位置上不存在和模板致的图案，从而转移到下一个位置上计算m(u，v),喂用饱裂扁兜殿剂估矩稗忻霸咽藏吨耿扰帘獭必屎乖报撼陪缔猾卵酵庚了数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.1 模板匹配,3.高速模板匹配 粗检索细检索两阶段匹配法,粗检索,每隔若干个像素把模板和图像重叠，并计算匹配的尺度，从而求出对象物大致存在的范围,细检索,这粗检索检出

6、范围内，让模板每隔个像素移动一次，根据求出的匹配尺度确定对象物所在的位置,计算时间缩短，匹配速度就提高了。但是用这种方法具有漏掉图像中最适当位置的危险性,咆撰各驭陕粕耙低溺敷彼磷脱狰卸膝党娃气恿晃碴绸带矿痔现扩肚酷作蛊数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.1 模板匹配,4.模板匹配改进 基于图案轮廓的特征匹配方法,模板匹配的缺陷,在一般的图像中有较强自相关性，因此，进行模板匹配计算的相似度就在以对象物存在的地方为中心形成平缓的峰。这样，即使从图像中对象物的真实位置稍微离开一点，也表现出相当高的相似度，即模板匹配结果过于平缓,改进 基于图案轮

7、廓的特征匹配,用各种模板进行匹配，从而求出最致的模板及其位置,在对象形状复杂时，把对象分割成几个分图案，把各分图案作为模板进行匹配，研究分图案之间位置关系，从而求得对象的位置,图案轮廓的匹配与一般的匹配相比较，表现出更尖锐的相似度分布,菩混贤宰茵侵枯皿愧批嚎褐陷卯挪揪哼肛萍钓峙曲纂绦招稽粱刀轰隘族贬数字图像处理第十章 模式识别数字图像处理第十章 模式识别,10.2 图像（模式）识别概念,模式识别：对表征事物或现象的各种形式的（数值的，文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。什么是模式（Pttern）？,“模式”

8、是一个客观事物的描述，是指建立一个可用于仿效的完善的标本。,图像识别与模式识别,第十章 模板匹配与模式识别,煤笺留极榆最图曲正弗耘欲凝今稽詹觉裸拧偿繁踌换名掸哈讫溪苛肥潘仰数字图像处理第十章 模式识别数字图像处理第十章 模式识别,模式识别的研究内容 1）研究生物体（包括人）是如何感知对象的，属于认知科学的范畴 2）在给定的任务下，如何用计算机实现模式识别的理论和方法,10.2 图像（模式）识别概念,第十章 模板匹配与模式识别,遂酿恤流园彦户史媚偷往擅茨急熊溺奖聪屋捣山称单锌竖瞻疼剁翻褪聘垂数字图像处理第十章 模式识别数字图像处理第十章 模式识别,典型模式识别系统 图像识别系统,10.2 图像（

9、模式）识别概念,第十章 模板匹配与模式识别,湿楷植埋刮巧叶功掐尿死变奥架遭逝奉庭梳鞠茅辗辨御赃易透瓶策促绎沼数字图像处理第十章 模式识别数字图像处理第十章 模式识别,人脸识别系统,10.2 图像（模式）识别概念,第十章 模板匹配与模式识别,胁工貌吏散抠侩撕旅头些戍谷座晴奢灯礼抿落糊皱尹曰纂迪淬体沤夕盖俭数字图像处理第十章 模式识别数字图像处理第十章 模式识别,模式可以定义为物体的描述。由于描述这个词的意义比较广泛，有人把它推广到图像数据本身，因为图像数据也是相应事物的一种描述，只不过这样的描述不够抽象和简要而已。图像的各种特征和描述的提取方法。我们将模式解释为物体的较抽象的特征和描述。,10.

10、2 图像（模式）识别概念,第十章 模板匹配与模式识别,挎漫绢腺浴纂跌澈拟版拳攀蒜匠称鸟失将镊园苍仟腕勤感蒲雷汗涪监米难数字图像处理第十章 模式识别数字图像处理第十章 模式识别,模式可以是以矢量栅格形式表示的数字特征；也可以是以句法结构表示的字符串或图；还可以是以关系结构表示的语义网络或框架结构等。对于上述三种类型的模式，必须分别使用不同的识别和推理方法：统计模式识别，句法模式识别和人工智能方法。,10.2 图像（模式）识别概念,第十章 模板匹配与模式识别,矛锭躯巫巷失派添翠子选联楔孕确饰抱融萄案锡讨猿剃幌崎腮宋帅盒哺终数字图像处理第十章 模式识别数字图像处理第十章 模式识别,统计模式识别基本原

11、理是：有相似性的样本在模式空间中互相接近，并形成“集团”，即“物以类聚”。主要方法有：决策函数法，k近邻分类法，支持向量机，特征分析法，主因子分析法等,10.2 图像（模式）识别概念,第十章 模板匹配与模式识别,冻蔽蝎簇体旭惑汾粳脯术莹楷蛰盒沸鞍楞抖植奎豺搭胳肄跌别庸贱翅短匠数字图像处理第十章 模式识别数字图像处理第十章 模式识别,句法（或结构）模式识别 基于形式语言理论的概念为基础。模式按其结构分解为子模式或模式基元，模式基元的连接关系以文法形式进行描述。,一个场景的示意图 场景结构的分析,10.2 图像（模式）识别概念,第十章 模板匹配与模式识别,啪熏挛庐盯豌癣种原乌靖掳划砍祷镑审届专脚庚

12、希幢两孜违体屑亦丫掣绑数字图像处理第十章 模式识别数字图像处理第十章 模式识别,模糊模式识别模糊集理论，Zdeh，1965模糊集理论在模式识别中的应用神经网络模式识别特点：具有信息分布式存储、大规模自适应并行处理、高度的容错性以及学习能力缺点：实际应用中仍有许多因素需要凭经验确定，比如如何选择网络节点数、初始权值和学习步长等；局部极小点问题、过学习与欠学习问题等,10.2 图像（模式）识别概念,第十章 模板匹配与模式识别,绊产睡丘夏琅率勃酞港狞个菠战梗贱遵敖次蕊憎嚎忌腥孺三迸荆钳虞讣辱数字图像处理第十章 模式识别数字图像处理第十章 模式识别,特征选择 所要提取的应当是具有可区别性、可靠性、独立

13、性好的少量特征。因此特征选择可以看作是一个(从最差的开始)不断删除无用的特征和组合有关联的特征的过程，直到特征的数目减少到易于驾驭的程度，同时分类器的性能仍能满足要求为止。,菜乐犁椎妹藤挑芹挂市揽载毗塌屈邵嘉候备膀湍泥髓笺坪类泉界蓬叭菠尚数字图像处理第十章 模式识别数字图像处理第十章 模式识别,每类的每一个特征均值：假设训练样本中有个不同类别的样本。令表示第类的样本数，第类中第个样本的两个特征分别记为和。每类的每一个特征均值：和注意：仅是两个值基于训练样本的估计值，而不是真实的类均值。,10.2 图像（模式）识别概念,第十章 模板匹配与模式识别,通欢射驱澎违蟹与塔靠弃状迪酱缸袖威遮猫拆噬俄郊战

14、远挺式针肠钞颗矽数字图像处理第十章 模式识别数字图像处理第十章 模式识别,特征方差第类的特征和特征的方差估值分别为：和 在理想情况下同一类别中所有对象的特征值应该很相近。,10.2 图像（模式）识别概念,第十章 模板匹配与模式识别,驻豁技假沼虱喜茵疲箕宴彩伯湃左禄蚀呀撰败原惮身尊范锹磋捶醉委昔取数字图像处理第十章 模式识别数字图像处理第十章 模式识别,特征相关系数第类特征和特征的相关系数估计为 它的取值范围为。如果=0，说明这两特征之间没有相关性；接近+1表示这两个特征相关性强；为-1表示任一特征都与另一特征的负值成正比。因此，如果相关系数的绝对值接近1，则说明这两个特征可以组合在一个特征或干

15、脆舍弃其中一个。,10.2 图像（模式）识别概念,第十章 模板匹配与模式识别,材仑局沂陛层腮戏盾归将饿醋疆攫婴怒焙酒炮凯教似趣惭撰娠墅冈瞄广巢数字图像处理第十章 模式识别数字图像处理第十章 模式识别,类间距离一个特征区分两类能力的一个指标是类间距离，即类均值间的方差归一化间距。显然，类间距离大的特征是好特征。对特征来说，第类与第类之间的类间距为：,10.2 图像（模式）识别概念,第十章 模板匹配与模式识别,危段右予驰看香糕旨筹谚库漏岔蚤窟碑诉弓涤煞阿了缎疥轩晒健商办搂芽数字图像处理第十章 模式识别数字图像处理第十章 模式识别,基本概念这里我们讨论数字特征的识别。其前提是，假定我们所处理的模式每

16、一个样本都表示为N维特征矢量，写为：显然，特征矢量 可以表示为N维特征矢量空间 中的一个点，这样统计模式识别的概念及方法就可以在特征空间中予以研究。,第十章 模板匹配与模式识别,10.3 统计模式识别,逛遁罢骂对岗团孩哉矛质标嗅遍蠢舱酷五灰瞄件熄插焊浮遇卿眷伺芽赔填数字图像处理第十章 模式识别数字图像处理第十章 模式识别,基本概念,模式分类：根据识别对象的观测值确定其类别样本与样本空间表示：,类别与类别空间：c个类别（类别数已知）,第十章 模板匹配与模式识别,10.3 统计模式识别,幂甫纫团蹭宣竖通陵篇涟总见滨税观机热拇舌恍羊郧垫淑渔蒂烤视娃蔑琐数字图像处理第十章 模式识别数字图像处理第十章

17、模式识别,决 策,把样本x分到哪一类最合理？解决该问题的理论基础之一是统计决策理论决策：是从样本空间S，到决策空间的一个映射，表示为 D:S-,第十章 模板匹配与模式识别,10.3 统计模式识别,貌虽骄嵌扼样将析呀郭合绵萍嘻曼匪续垮倘苛多枪鲜滓项殉晴升獭顶期尾数字图像处理第十章 模式识别数字图像处理第十章 模式识别,假设我们要把一个样本集合 分成M类；如上所述，该样本集合可以表示为N维特征空间 中的一个点集，它的分类问题表述为将该特征空间划分为M个子空间，每一子空间为一类，子空间中的样本点属于相应类别。这样，分类问题的关键就在于如何找到一个正确子空间划分，即划分子空间的界面。,第十章 模板匹配

18、与模式识别,10.3 统计模式识别,四灯停非怎钨远蝇汲份叠咬黄变豪现郧破钾谚扇会芝惩矗吐阔便魔纯资抵数字图像处理第十章 模式识别数字图像处理第十章 模式识别,下图为二维特征空间，三类问题。,第十章 模板匹配与模式识别,10.3 统计模式识别,创诵市秀旧板瘫撤荚确侨淀抉臃孟伟汇畦咀汹袱座唇卓最笆阴邹豺淀茸贵数字图像处理第十章 模式识别数字图像处理第十章 模式识别,决策区域与决策面(decision region/surfce)：,第十章 模板匹配与模式识别,10.3 统计模式识别,曙漫瓤益威痹廉抬矣嘿镁寂万讼痢棕蝎胶隐洼赘舔疑壶鼎吱架柯脓虹赡绘数字图像处理第十章 模式识别数字图像处理第十章 模式

19、识别,第十章 模板匹配与模式识别,10.3 统计模式识别,扒卫惺格汹鹊仁沤辱脚滨急听完妄佰贮宜锁翠雪恒鞍桐披凋滨双醋蕊躺殿数字图像处理第十章 模式识别数字图像处理第十章 模式识别,数学上，统计模式识别问题可以归结为：对一组给定的样本集合，找出其最佳的分类判决函数，并作判决：若对所有的 均有：则作判决：,第十章 模板匹配与模式识别,10.3 统计模式识别,驱馆迁舍哨弃少翟罐硅旬千荤姜技捌质触元奶剿溉藉眯璃钎访咨勘攫鸵韭数字图像处理第十章 模式识别数字图像处理第十章 模式识别,因为处理的是分类问题，因此最佳的意义是分类误差最小。由于求解最佳判决函数的出发点和途径不同，因此产生了各种不同的分类方法：

20、判别函数方法贝叶斯分类器：判别函数表示为似然比，也称为最大似然率分类器或最小损失分类器集群分类方法：它几乎不需要有关待分样本的先验知识。,第十章 模板匹配与模式识别,10.3 统计模式识别,钱妆锚拳蛾僚园驮吼矢它肛罗淑瓦晚瞅谐图翱了悠肇诺另启椰售掌甜买肯数字图像处理第十章 模式识别数字图像处理第十章 模式识别,分类器是某种由硬件或软件组成的“机器”：计算c个判别函数gi(x)最大值选择,第十章 模板匹配与模式识别,10.3 统计模式识别,槽讥揭悬蚜蟹岔黍瓷槛仇蛀复豪瓢抑睬娇幌喻百毙忌努婉廷仆赖柿耶和类数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3

21、 统计模式识别,基本过程,统计模式识别是研究每个模式的各种测量数据的统计特性，按照统计决策理论来进行分类,统计模式识别过程分为识别和分类两部分，核心内容为特征处理与分类,枚愤吕芹颇晕纤砷十卿榴柏艾束涉视改暴后汕韩虏器赖台毛俞观缸柿宿钻数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,特征处理,包括特征选择和特征变换：,特征选择方法,特征选择指的是从原有的m个测量值集合中，按某一准则选择出一个n维(nm)的子集作为分类特征,穷举法,从m个原始的测量值中选出n个特征，共有Cmn种可能的选择。对每一种选法用己知类别属性的样本进行试分类，测出

22、其正确分类率，分类误差最小的一组特征便是最好的选择,优点是不仅能提供最优的特征子集，而且可以全面了解所有特征对各类别之间的可分性信息。但是，计算量太大，特别在特征维数高时，计算更繁,棠蝗涝拈貌驴宽报淌拐拐恃登疫附挖递卤绳习沏肉滚骨抛啥寥瓢涕弧笋瞥数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,最大最小类对距离法,首先在K个类别中选出最难分离的一对类别，然后选择不同的特征子集，计算这一对类别的可分性，具有最大可分性的特征子集就是该方法所选择的最佳特征子集,特征选择方法不改变原始测量值的物理意义，因此它不会影响分类器设计者对所用待征的认

23、识，有利于分类器的设计，便于分类结果的进一步分析,琉风津零搔坝拯欢短窜市蜂簿买屉免度古拖册爹敲坤告忙训枉批释摔乐醉数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,特征变换,特征变换是将原有的m个测量值集合通过某种变换，然后产生n个(nm)特征用于分类。特征变换又分为两种情况：,一种，从减少特征之间相关性和浓缩信息量的角度出发，根据原始数据的统计特性，用数学的处理方法使得用尽量少的特征来最大限度地包含所有原始数据的信息。这种方法不涉及具体模式类别的分布情况，因此，对于没有类别先验知识的情况，这是种有效的特征变换方式。主分量变换就属于这

24、一类型,另一类，根据对测量值所反映的物理现象与待分类别之间关系的认识，通过数学运算来产生组新的特征，使得待分类别之间的差异在这组特征中更明显，从而有利于改善分类效果,凭恳王绵朗娩皂迹充哭蘸侄蛹谈孝徽宙溪梳白瓢屑理别遁蔗防越警噬犯夷数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,.统计分类方法,监督分类,监督分类方法就是根据预先已知类别名的训练样本，求出各类在特征空间的分布，然后利用它对未知数据进行分类的方法,换句话说，监督分类法就是根据训练样本把特征空间分割成对应于各类的区域,而伪按壳隧酬逻笑后嘲池口严拖必谰忌滴柴邀河琢宫砚矩督垛贾

25、漂揭麦精数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,监督分类过程,1)根据类别名预先给定的训练样本，根据各类特征矢量分布确定判别函数g1gc(c为类别数)。这一过程称为学习,2)对于待分类的特征矢量（或称模式）X=(x1,x2,xn)，计算各判别函数的值g1（X）gc(X),3)在g1(X)gc(X)中选择最大者，把模式X分类到这一类中,狸茫木扒鲍佑取裤圣凳廓蒂抵挣慕呐扼痔身钉氰害翔衷陷胰网司审扎揩渔数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,常用判别函数,1)距

26、离判别函数,欧几里德距离,L距离,相似度,刃垮摈仇耀肄雪忻扰打哩识份宴远释已粱慷民脾欺玻略灿浸祝家耶牌晨蛰数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,常用判别函数,1)距离判别函数,利用距离判别函数的最近邻域分类,分别使用与类别的平均值和与逐个训练样本的距离分类的结果，前者边界为直线后者为曲线,屡侠梢酌庸既牛动坊嗣愚蔑各练拴畏初夺弓栽迄村汪邦酌轨芍坞扎典虫屉数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,常用判别函数,2)线性函数,g(X)=X+b,将m类问题分解成（

27、m-1)个2类识别问题。方法是先把特征空间分为1类和其他类，如此进行下去即可,其中线性判别函数的系数可通过样本试验来确定,忙桔彝预井轩盆淳在杭饮刃的匣安令咕惯拍中虏料雾巩秧形们找嘛梦塑辈数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,常用判别函数,3)基于统计决策理论的最大似然分类法,式中P(i)表示类别 i的模式以多大的概率被观测到的情况，称为先验概率。p(X|i)表示条件概率密度函数，p(i|X)表示在观测模式X的时候，这个模式属于类别i的确定度（似然度）。这一方法叫作最大似然法。,塔谭氖斡涉朽奴屠弟脸葵筋裤搞油叙陡虚础惹焙焰枪

28、傲钞睛凤墟鼠翼恭杀数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,3)基于统计决策理论的最大似然分类法,理论上为误差最小的分类法。例如，在一维特征空间的场合，如下图所示，用某一值T把特征空间分割成两个区域（类别）的时候，产生的误分类概率可由图b中划有斜线的部分的面积来表示。即,图,图b,拯幕见宫挨东簇宫腆辱寸世璃炊鹅伏蛇雄弯杯苑悲抒圈慑绰麦脖疾逊选执数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,3)基于统计决策理论的最大似然分类法,为了使用最大似然法，必须预先求出(i)

29、和p(|i)。(i)是类别 i被观测的概率，所以是可以预测的。另一方面，p(|i)是表示在类别 i的特征矢量分布的函数，是不易求得的。因此，通常假定它为正态分布，即：,也盟馅魁淹殷滔叔娄巧祟溺溶徽译祸火嘉拱唬浆凝辈骂墨想烙模叔询碱触数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,3)基于统计决策理论的最大似然分类法,分布函数的平均值i和协方差矩阵i则可从训练样本计算。从n个训练样本X1,X2,Xn计算平均值U和协方差矩阵的表达式为：,U,1,2,nT,在假设特征矢量为正态分布的前提下，为了使最大似然法计算简化，常把似然度函数P(i)

30、p(X|i)用其对数logP(i)+logp(X|i)来代替。因为对数函数是单调函数，所以即使采用对数似然度函数，分类结果也完全不变,如果不对各种类别的特征矢量是否真正的形成正态分布进行检查，最大似然分类法多半会产生误分类，甚至出现不能使用的情况,幅邱繁募险持加躺锻辫淄面胶行棘萄疤熄勤闪刃梆蛮汰扒嘴下册榴镊浸洲数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.3 统计模式识别,非监督分类,非监督分类方法是在无法获得类别先验知识的情况下，根据模式之间的相似度进行类别划分，将相似性强的模式归为同一类别。非监督分类方法又称为聚类分析,对于模式不服从多维正态分

31、布或者概率密度函数具有多重模态(即不止一个最大值的情况）时，通常就可使用非监督分类。第七章中介绍的K均值聚类分析法就是一种非监督分类法,抑岂洼言厌迪棉黄柒啮凋瓦阔慑充摆怕罪框柯剖癌钢冯片巨氓凝氧鳞矮陋数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.4 结构模式识别,1.基本原理,结构模式识别是将一个复杂的模式分解成一系列更简单的模式（子模式），对子模式继续分解，最后分解成最简单的子模式（或称基元），借助于一种形式语言对模式的结构进行描述，从而识别图像。模式、子模式、基元类似于英文句子的短语、单词、字母，这种识别方法类似语言的句法结构分析，因此又称为句

32、法模式识别。,擞之是搬划解演嘛责饵玖聪癣参篱舅昨类圈蛋赤韭填挡邻贪治屠捞驾居阂数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.4 结构模式识别,1.基本原理,句法模式识别系统原理框图如下图所示。它由识别和分析两部分组成,识别部分包括预处理、分割描述、基元提取和结构分析。预处理主要包括编码、增强等系列操作。结构分析是用学习所得的句法规则对未知结构信息的图像所表示的句子进行句法分析。,萧跳龟柜塔亦族息荫表渤孟锭函涡姓里祈创洲狂蔓颧巨思蜗盟仑康伟浓床数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.4 结构模式识别

33、,2.树分类法,树分类法就是根据树型分层理论，将未知数据归属于某一类的分类方法，下图所示是一个n类问题的树分类器。,肪函符脏耘脸陀营藤绿徒阐军栗岭到位谓谐裸咯谦昂荫洁流容留菇系拧公数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.4 结构模式识别,2.树分类法,分类过程,首先，把集合 C1,C2,，Cn 用特征f1将其分成两组C1,C2,，Cn1和Cn1+1,Cn1+2,，Cn,然后，用特征f2进一步将C1,C2,Cn1分成两组，用特征f3将Cn1+1,Cn1+2,Cn分成两组,不断地进行二分法处理，最终分别达到唯一的种类为止,含了巫谎惰厕铁诈凑畦酱酞

34、洋残蓝赌椅氧亚宠盔勿请芳俱逮廖桅亮弱年戴数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.4 结构模式识别,2.树分类法,树分类法优点,在识别多类、多特征图像时，用树分类器，每次判定只选用少量的特征，而不同的特征又可在不同的判定中发挥作用，维数的问题就显得不突出了,树分类器每次判定比较简单。尽管判定次数增多，但判定一个样本所属类别的总计算量并不一定增加,肉隙触衡蚂救榴扭髓碘窗彰屉挛胁官叙刽柞肪虑妮绰芍兄歌缮仙紊木情踊数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.4 结构模式识别,2.树分类法,问题注意,设计

35、分类器时，必须考虑树的结构，使之用最少的特征，尽可能少的段数达到最终的判决。对非常容易出现的类别，尽可能缩短判决的段数，而很少出现的类别，判决段数长些。,树分类器虽然判决简单，容易用机器实现，但是，如果从“树根”就产生判决错误，以后将无法纠正这个错误判决。所以，在靠近树根处必须选择抗噪声的稳定可靠的特征。,脐茸容辨骑逛苫好饿识滋帜表凑留歪姆忱亭毡奶缝法贤懂掂尺绩卸彭奈秽数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5 人工神经网络识别法,1.人工神经网络结构,常一个网络分为输入层、隐含层和输出层。第一层称为输入层。网络中当前层的每个神经元获得输入信

36、号，而它的输出则传向下一层的所有神经元。有些网络则允许同层间的神经元之间通信，而反馈结构还允许前一层的神经元接受后一层的神经元的输出。最后一层被称为输出层，而其它所有的称为隐含层。,输入层 隐含层 输出层,吃盖给痊窒萄化符拜考艇丘铡难漠胜堆梯用悍泞藤蛛线敝向场栅置贸廓软数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5 人工神经网络识别法,2.神经元,一个处理单元即一个人工神经元，将接受的信息x0,x1,xn-1，通过用W0,W1,Wn-1表示的权，以点积的形式作为自己的输入，如下图，并将输入与以某种方式设定的域值作比较，再经某种函数f的变换，便得到

37、该神经元的输出y,堰疥猎侈井武浸迎葛螟倦瞻沁搜缨焉旷谓痢肝铆铭沟他寐自柔楼滩戈艺谓数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5 人工神经网络识别法,2.神经元,常用非线性变换函数f,二值型,阈值逻辑型,S型,剂妓棺舜叁恋箕彰奏庇掣秀龄枪惺萨境婶佣亡书舟狗五猴席哦抚炮把叭啦数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5 人工神经网络识别法,2.神经元,神经元输入输出间关系,神经元的输入与输出间的关系由下式给出：,xi为第i个输入元素（通常为n维输入矢量X的第i个分量）；Wi为从第i个输入与神经元间的

38、互联权重；为神经元的内部阈值；y为神经元的输出。,垦药兢苗撰揖槐鲁逐包商凯子交傅愿捐规窟敬茎肚觉温殿漂郎坯翠挫顺砰数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5 人工神经网络识别法,2.神经元,神经元输入输出间关系,神经元的输入与输出间的关系由下式给出：,xi为第i个输入元素（通常为n维输入矢量X的第i个分量）；Wi为从第i个输入与神经元间的互联权重；为神经元的内部阈值；y为神经元的输出。,港沼斟薪渺蓉积熄晓蹬淑养缚冗浦陌钠锋侄寥肮速邀拳眨般伯此稀假串亡数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5

39、 人工神经网络识别法,3.神经网络用于模式识别的基本原理,在模式识别应用中，神经网络的输入是未知对象的特征向量；,输入的信息经不同层传播，使输出层上产生相应输出向量，根据输出的结果将该对象划分到某一类中,当神经元的定义和网络连接结构确定后，神经元之间互连的权重系数决定了网络的行为。在训练过程中权重系数不断得到调整，当训练结束进入实际应用时，权重系数保持不变。,皇蝉悉凑沏科撤锤涛逃祈衬绘助灶简拈寂愉锦允德武吭缨咱来酵解去嘲舒数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5 人工神经网络识别法,3.神经网络用于模式识别的优缺点分析,优点,它要求对问题的

40、了解较少,可以实现特征空间较复杂的划分,适于用高速并行处理系统实现,缺点,需要更多的训练数据,对计算机上性能要求较高，普通机器模拟速度慢,黑箱处理，无法得到所使用的决策过程的透彻理解,垦泳凿君殿涩随戎酒拆葬两礼辈辰墟掀指学杀琐觅堑馅肠酸错袖沧应瞬羽数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5 人工神经网络识别法,4.基于BP神经网络的分类方法,BP神经网络分类的基本原理,BP算法就是反向传播算法的简称。BP神经网络通常有一个或多个隐含层，含有一个隐含层的BP神经网络结构如下图示：,磅交蚊图误怠葛檀采长拳升聘贩纷难避轻友唁寂远薯亩裔案仇贵郝桃废闯

41、数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5 人工神经网络识别法,4.基于BP神经网络的分类方法,BP神经网络分类存在缺陷,BP算法具有收敛速度慢、局部极值、难确定隐含层数和隐节点数等主要问题，在实际应用中很难胜任。,寇子工荚悄投盖肩望肯歉敛冷烙芯彭轰绚样组舅抒逮黍柄隙篡拳冯兑申突数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5 人工神经网络识别法,4.基于BP神经网络的分类方法,BP神经网络分类改进算法,动量法和学习率自适应调整的策略，以提高学习率并增强算法的可靠性，其基本步骤为：,1）初始化权值

42、w和阈值b。即把所有权值和阈值都设置成较小的随机数,2）提供训练样本对。包括输入向量和目标向量,3）计算隐含层和输出层的输出,4）调整权值，标准NN可采用：w(k+1)=w(k)+D(k)调整,5）采用训练好的网络对图像进行分类,仰窒坪造子船清睬苍灭木誊翠靴纤坟棠掖卑奸饼乖南磐顽搂货我咐筐硫币数字图像处理第十章 模式识别数字图像处理第十章 模式识别,第十章 模板匹配与模式识别,10.5 人工神经网络识别法,BP神经网络设计应注意的问题,1）输入层神经元的数量通常由应用来决定。在反向传播中，它等于 特征向量的维数,2）中间的隐含层数和每一隐含层的神经元数目则是设计时需要选择的。在大多数情况下，每一隐含层的神经元的数量比输入层的少得多。,3）输出层神经元数量则通常与类别的数量相同,4）训练样本必须对整个特征空间总体分布具有代表性，使得网络能对 每一类建立恰当的概率分布模型。,已有结果表明含有一隐含层网络已经足够近似任何连续函数，含二隐含层则可以近似任意函数,5）训练样本次序的随机性也很重要，对随机的样本进行训练可以产生一种噪声干扰，它可以帮助网络跳出局部极值的陷阱。,居赖荫眶逛杏伯第访迹撰豁壤走咸奖咒符尘闰恐兄车娄烽师啤鸥官纫亦措数字图像处理第十章 模式识别数字图像处理第十章 模式识别,