图像模式识别的方法介绍.docx

《图像模式识别的方法介绍.docx》由会员分享，可在线阅读，更多相关《图像模式识别的方法介绍.docx（9页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2.1图图像模式式识别的的方法 图像模模式识别别的方法法很多，从图像像模式识识别提取取的特征征对象来来看，图图像识别别方法可可分为以以下几种种：基于于形状特特征的识识别技术术、基于于色彩特特征的识识别技术术以及基基于纹理理特征的的识别技技术。其其中，基基于形状状特征的的识别方方法，其其关键是是找到图图像中对对象形状状及对此此进行描描述，形形成可视视特征矢矢量，以以完成不不同图像像的分类类，常用用来表示示形状的的变量有有形状的的周长、面积、圆形度度、离心心率等。基于色色彩特征征的识别别技术主主要针对对彩色图图像，通通过色彩彩直方图图具有的的简单且且随图像像的大小小、旋转转变换不不敏感等等特点进进

2、行分类类识别。基于纹纹理特征征的识别别方法是是通过对对图像中中非常具具有结构构规律的的特征加加以分析析或者则则是对图图像中的的色彩强强度的分分布信息息进行统统计来完完成。从模式特特征选择择及判别别决策方方法的不不同可将将图像模模式识别别方法大大致归纳纳为两类类:统计计模式(决策理理论)识识别方法法和句法法(结构构)模式式识别方方法。此此外，近近些年随随着对模模式识别别技术研研究的进进一步深深入，模模糊模式式识别方方法和神神经网络络模式识识别方法法也开始始得到广广泛的应应用。在在此将这这四种方方法进行行一下说说明。2.1.1句法法模式识识别 对于较较复杂的的模式，如采用用统计模模式识别别的方法法

3、，所面面临的一一个困难难就是特特征提取取的问题题，它所所要求的的特征量量十分巨巨大，要要把某一一个复杂杂模式准准确分类类很困难难，从而而很自然然地就想想到这样样的一种种设计，即努力力地把一一个复杂杂模式分分化为若若干较简简单子模模式的组组合，而而子模式式又分为为若干基基元，通通过对基基元的识识别，进进而识别别子模式式，最终终识别该该复杂模模式。正正如英文文句子由由一些短短语，短短语又由由单词，单词又又由字母母构成一一样。用用一组模模式基元元和它们们的组成成来描述述模式的的结构的的语言，称为模模式描述述语言。支配基基元组成成模式的的规则称称为文法法。当每每个基元元被识别别后，利利用句法法分析就就

4、可以作作出整个个的模式式识别。即以这这个句子子是否符符合某特特定文法法，以判判别它是是否属于于某一类类别。这这就是句句法模式式识别的的基本思思想。 句法法模式识识别系统统主要由由预处理理、基元元提取、句法分分析和文文法推断断等几部部分组成成。由预预处理分分割的模模式，经经基元提提取形成成描述模模式的基基元串（即字符符串）。句法分分析根据据文法推推理所推推断的文文法，判判决有序序字符串串所描述述的模式式类别，得到判判决结果果。问题题在于句句法分析析所依据据的文法法。不同同的模式式类对应应着不同同的文法法，描述述不同的的目标。为了得得到于模模式类相相适应的的文法，类似于于统计模模式识别别的训练练过

5、程，必须事事先采集集足够多多的训练练模式样样本，经经基元提提取，把把相应的的文法推推断出来来。实际际应用还还有一定定的困难难。 2.1.2统计计模式识别别统计模式式识别是是目前最最成熟也也是应用用最广泛泛的方法法，它主主要利用用贝叶斯斯决策规规则解决决最优分分类器问问题。统统计决策策理论的的基本思思想就是是在不同同的模式式类中建建立一个个决策边边界，利利用决策策函数把把一个给给定的模模式归入入相应的的模式类类中。统统计模式式识别的的基本模模型如图图2，该该模型主主要包括括两种操操作模型型：训练练和分类类，其中中训练主主要利用用己有样样本完成成对决策策边界的的划分，并采取取了一定定的学习习机制以

6、以保证基基于样本本的划分分是最优优的;而而分类主主要对输输入的模模式利用用其特征征和训练练得来的的决策函函数而把把模式划划分到相相应模式式类中。统计模式式识别方方法以数数学上的的决策理理论为基基础建立立统计模模式识别别模型。其基本本模型是是:对被被研究图图像进行行大量统统计分析析，找出出规律性性的认识识，并选选取出反反映图像像本质的的特征进进行分类类识别。统计模模式识别别系统可可分为两两种运行行模式:训练和和分类。训练模模式中，预处理理模块负负责将感感兴趣的的特征从从背景中中分割出出来、去去除噪声声以及进进行其它它操作;特征选选取模块块主要负负责找到到合适的的特征来来表示输输入模式式;分类类器

7、负责责训练分分割特征征空间。在分类类模式中中，被训训练好的的分类器器将输入入模式根根据测量量的特征征分配到到某个指指定的类类。统计计模式识识别组成成如图22所示。图2 统统计模式式识别模模型2.1.2.11几种统统计模式式识别的的方法统计模式式识别根根据采用用方法的的不同可可以进行行多种形形式的分分类：通通过贝叶叶斯决策策理论对对条件密密度已知知的样本本进行分分类；对对于类条条件密度度不明的的情况，可根据据训练样样本的类类别是否否己知将将分类问问题分为为监督学学习和非非监督学学习两大大类；监监督学习习和非监监督学习习又可根根据是否否通过参参数决策策分为参参数估计计和非参参数估计计。统计计模式识

8、识别的另另一种分分类方法法是根据据决策界界是否直直接得到到将其分分为几何何方法和和基于概概率密度度的方法法。几何何方法经经常直接接从优化化一定的的代价函函数构造造决策界界;而基基于概率率密度的的方法要要首先估估计密度度函数然然后构造造分类函函数指定定决策界界。1、几何何分类法法 1) 模模板匹配配法它是模式式识别中中的一个个最原始始、最基基本的方方法，它它将待识识模式分分别与各各标准模模板进行行匹配，若某一一模板与与待识模模式的绝绝大多数数单元均均相匹配配，则称称该模板板与待识识模式“匹配得得好”，反之之则称“匹配得得不好”，并取取匹配最最好的作作为识别别结果。 2）距离离分类法法 距离是一一

9、种重要要的相似似性度量量，通常常认为空空间中两两点距离离越近，表示实实际上两两样本越越相似。大约有有十余种种作为相相似性度度量的距距离函数数，其中中使用最最广泛的的是欧氏氏距离。它是使使用最为为广泛的的方法，常用的的有平均均样本法法、平均均距离法法、最近近邻法和和近近邻法。 3）线性性判别函函数 和上述的的方法不不同，判判决函数数法是以以判决边边界的函函数形式式的假定定为其特性性的，而而上述的的方法都都是以所所考虑的的分布的的假定为为其特性性的。假假如我们们有理由由相信一一个线性性判决边边界取成成：是合适的的话，那那么剩下下的问题题就是要要确定它它的权系系数。权权系数可可通过感感知器算算法或最

10、最小平方方误差算算法来实实现。但但作为一一条规则则，应用用此方法法必须注注意两点点；第一一就是方方法的可可适性问问题，第第二就是是应用判判决函数数后的误误差准则则。 4）非线线性判别别函数 线性判决决函数的的特点是是简单易易行，实实际应用用中许多多问题往往往是非非线性的的，一种种处理的的办法将将非线性性函数转转换为线线性判决决函数，所以又又称为广广义线性性判决函数数。另一一种方法法借助电电场的概概念，引引入非线线性的势势函数，它经过过训练后后即可用用来解决决模式的的分类问问题。 2 概概率分类类法 几何分分类法是是以模式式类几何何可分为为前提条条件的，在某些些分类问问题中这这种条件件能得到到满

11、足，但这种种条件并并不经常常能得到到满足，模式的的分布常常常不是是几何可可分的，即在同同一区域域中可能能出现不不同的模模式，这这时，必必须借助助概率统统计这一一数学工工具。可可以说，概率分分类法的的基石是是贝叶斯斯决策理理论。 设有RR类样本本，分别别为w11, ww2 , , wR,若每类类的先验验概率为为P(wwii), ii = 1,2 ,3,R,对对于一随随机矢量量，每每类的条条件概率率为（又又称类概概率密度度）P(X/WWii)，则根根据Baayess公式，后验概概率为：从后验概概率出发发，有BBayees法则则： 2.1.2.22朴素贝贝叶斯分分类器朴素贝叶叶斯分类类是一种种十分简

12、简单的分分类算法法，叫它它朴素贝贝叶斯分分类是因因为这种种方法的的思想真真的很朴朴素，朴朴素贝叶叶斯的思思想基础础是这样样的：对对于给出出的待分分类项，求解在在此项出出现的条条件下各各个类别别出现的的概率，哪个最最大，就就认为此此待分类类项属于于哪个类类别。通通俗来说说，就好好比这么么个道理理，你在在街上看看到一个个黑人，我问你你你猜这这哥们哪哪里来的的，你十十有八九九猜非洲洲。为什什么呢？因为黑黑人中非非洲人的的比率最最高，当当然人家家也可能能是美洲洲人或亚亚洲人，但在没没有其它它可用信信息下，我们会会选择条条件概率率最大的的类别，这就是是朴素贝贝叶斯的的思想基基础。朴素贝叶叶斯分类类的工作

13、作过程如如下：（1）每每个数据据样本用用一个nn维特征征向量表表示，分分别描述述对n个个属性AA1,A2,An样本的的n个度度量。（2）假假定有mm个类CC1,C2,Cm。给定定一个未未知的数数据样本本X（即即没有类类标号），分类类法将预预测X属属于具有有最高后后验概率率（条件件X下）的类。即是说说，朴素素贝叶斯斯分类将将未知的的样本分分配给类类Ci，当且且仅当这样，最最大化。其最大大的类CCi称为最最大后验验假定。根据贝贝叶斯定定理，（3）由由于P(X)对对于所有有类为常常数，只只需要最最大即可可。如果果类的先先验概率率未知，则通常常假定这这些类是是等概率率的，即即P(CC1)=PP(C22

14、)=P(Cm)。并并据此只只对最大大化。否否则，最最大化。注意，类的先先验概率率可以用用计算其其中sii是类CCi中的训训练样本本数，而而s是训训练样本本总数。（4）给给定具有有许多属属性的数数据集，计算的的开销可可能非常常大。为为降低计计算的开开销，可可以做类类条件独独立的朴朴素假定定。给定定样本的的类标号号，假定定属性值值相互条条件独立立，即在在属性间间，不存存在依赖赖关系。这样， （7.88）概率，可以由由训练样样本估值值，其中中（a）如如果Akk是分类类属性，则，其其中siik是在在属性AAk上具有有值xkk的类CCi的样本本数，而而si是Ci中的训训练样本本数。（b）如如果Akk是连

15、续续值属性性，则通通常假定定该属性性服从高高斯分布布，因而而， （77.9）其中，给给定类CCi的训练练样本属属性Akk的值，是属性性Ak的高斯斯密度函函数，而而分别为为平均值值和标准准差。（5）为为对未知知样本XX分类，对每个个类Cii，计算算。样本本X被指指派到类类Ci，当且且仅当换言之，X被指指派到其其最大的的类Cii。整个朴素素贝叶斯斯分类分分为三个个阶段： 第一阶阶段准备工工作阶段段，这个个阶段的的任务是是为朴素素贝叶斯斯分类做做必要的的准备，主要工工作是根根据具体体情况确确定特征征属性，并对每每个特征征属性进进行适当当划分，然后由由人工对对一部分分待分类类项进行行分类，形成训训练样

16、本本集合。这一阶阶段的输输入是所所有待分分类数据据，输出出是特征征属性和和训练样样本。这这一阶段段是整个个朴素贝贝叶斯分分类中唯唯一需要要人工完完成的阶阶段，其其质量对对整个过过程将有有重要影影响，分分类器的的质量很很大程度度上由特特征属性性、特征征属性划划分及训训练样本本质量决决定。 第二阶阶段分类器器训练阶阶段，这这个阶段段的任务务就是生生成分类类器，主主要工作作是计算算每个类类别在训训练样本本中的出出现频率率及每个个特征属属性划分分对每个个类别的的条件概概率估计计，并将将结果记记录。其其输入是是特征属属性和训训练样本本，输出出是分类类器。这这一阶段段是机械械性阶段段，根据据前面讨讨论的公

17、公式可以以由程序序自动计计算完成成。 第三阶阶段应用阶阶段。这这个阶段段的任务务是使用用分类器器对待分分类项进进行分类类，其输输入是分分类器和和待分类类项，输输出是待待分类项项与类别别的映射射关系。这一阶阶段也是是机械性性阶段，由程序序完成。半朴素贝贝叶斯分分类模型型(SNNBC)为了突破破朴素贝贝叶斯分分类器的的独立性性假设条条件的限限制，除除了上述述“提升升”等方方法之外外，还可可以通过过改变其其结构假假设的方方式来达达到目的的，为此此有人提提出了半半朴素贝贝叶斯分分类(SSNBGG Seemi-Naiive Bayyesiian claassiifieer)的的构想。半朴素贝贝叶斯分分类

18、模型型对朴素素贝叶斯斯分类模模型的结结构进行行了扩展展，其目目的是为为了突破破朴素贝贝叶斯分分类模型型特征属属性间独独立性假假设限制制，提高高分类性性能。目目前半朴朴素贝叶叶斯分类类模型学学习的关关键是如如何有效效组合特特片属性性。条件件互信息息度量半半朴素贝贝叶斯分分类学习习算法可可以解决决目前一一此学习习算法中中存在的的效率小小高及部部分组合合意义不不大的问问题。SSNBCC的结构构比NBBC紧凑凑，在SSNBCC的模型型构建过过程中，依照一一定的标标准将关关联程度度较大的的基本属属性(即即NBCC中的特特征属性性)合并并在一起起构成“组合属属性”(也称之之为“大属性性”)。逻逻辑上，SN

19、BBC中的的组合属属性与NNBC中中的基本本属性没没有根本本性差别别，SNNBC的的各个组组合属性性之间也也是相对对于类别别属性相相互独立立的。图图是SNNBC的的模型示示意图。这类模型型通过将将依赖性性强的基基本属性性结合在在一起构构建新的的模型，这样可可以部分分屏蔽NNBC中中独立性性假设对对分类的的负面作作用。但但从名称称可以看看出，SSNBCC依然属属于朴素素贝叶斯斯分类的的范畴。这是因因为除了了结构上上的差别别之外，计算推推导过程程与NBBC无异异。半朴素贝贝叶斯分分类结构构示意图图2.1.2.33图像金金字塔图像金字字塔是以以多分辨辨率来解解释图像像的一种种结构。19887年，在一

20、种种全新而而有效的的信号处处理与分分析方法法，即多多分辨率率理论中中，小波波首次作作为分析析基础出出现了。多分辨辨率理论论将多种种学科的的技术有有效地统统一在一一起，如如信号处处理的子子带编码码、数字字语音识识别的积积分镜像像过滤以以及金字字塔图像像处理。正如其其名字所所表达的的，多分分辨率理理论与多多种分辨辨率下的的信号（或图像像）表示示和分析析有关。其优势势很明显显，某种种分辨率率下无法法发现的的特性在在另一种种分辨率率下将很很容易被被发现。图像金字字塔是结结合降采采样操作作和平滑滑操作的的一种图图像表示示方式。它的一一个很大大的好处处是，自自下而上上每一层层的像素素数都不不断减少少，这会

21、会大大减减少计算算量；而而缺点是是自下而而上金字字塔的量量化变得得越来越越粗糙，而且速速度很快快。高斯金字字塔里有有两个概概念：组组（Occtavve）和和层（LLeveel或IInteervaal），每组里里有若干干层。高高斯金字字塔的构构造是这这样的，第一组组的第一一层为原原图像，然后将将图像做做一次高高斯平滑滑（高斯斯卷积、高斯模模糊），高斯平平滑里有有一个参参数，然后后将乘一个个比例系系数k作作为新的的平滑因因子来平平滑第一一组第二二层得到到第三层层。重复复若干次次，得到到L层他他们分别别对应的的平滑参参数为：0，k，k22，。然然后将最最后一幅幅图像做做比例因因此为22的降采采样得到

22、到第二组组的第一一层，然然后对第第二组的的第一层层做参数数是的高斯斯平滑，对第二二层做kk的平滑滑得到第第三层，以此类类推。每每组对应应的平滑滑因子是是一样的的，这样样反复形形成了OO组L层层，组建建成高斯斯金字塔塔。2.1.3模糊糊模式识识别 模糊模模式识别别的理论论基础是是20世世纪600年代诞诞生的模模糊数学学，它根根据人对对事物识识别的思思维逻辑辑，结合合人类大大脑识别别事物的的特点，将计算算机中常常用的二二值逻辑辑转向连连续逻辑辑。在图图像识别别领域应应用时该该方法可可以简化化图像识识别系统统，并具具有实用用、可靠靠等特点点。 模式识识别是一一门边缘缘学科，它和许许多技术术学科有有着

23、密切切的联系系，它本本身就是是人工智智能的重重要组成成部分，因此，从本质质上来说说，模式式识别所所要讨论论的核心心问题，就是如如何使机机器能模模拟人脑脑的思维维方法，来对客客观事物物进行有有效的识识别和分分类。一一方面现现有的广广为运用用的统计计模式识识别方法法与人脑脑进行模模式识别别相比，其差别别还很大大，另一一方面待待识别的的客观事事物又往往往具有有不同程程度的模模糊性。 不少学学者试图图运用模模糊数学学的方法法来解决决模式识识别问题题，形成成一个专专门的研研究领域域-模糊糊模式识识别(FFuzzzy PPattternn Reecoggnittionn)。比比较成熟熟的理论论和方法法有最

24、大大来属原原则、基基于模糊糊等价关关系的模模式分类类、基于于模糊相相似关系系的模式式分类和和模糊聚聚类，其其中模糊糊聚类方方法的研研究和应应用尤为为成功和和广泛。目前，模糊模模式识别别方法已已广泛应应用图形形识别、染色体体和白血血球识别别、图象象目标的的形状分分析、手手写体文文字识别别等，但但其中也也遇到不不少困难难，其中中一个典典型的例例子就是是隶属函函数的确确定往往往带有经经验色彩彩。 应用模模糊方法法进行图图像识别别的关键键是确定定某一类类别的隶隶属函数数，而各各类的统统计指标标则要由由样本像像元的灰灰度值和和样本像像元的隶隶属函数数的值即即隶属度度共同决决定。隶隶属度表表示对象象隶属某

25、某一类的的程度。2.1.4神经经网络模模式识别别 神经网网络的研研究始于于20世世纪400年代，上世纪纪80年年代开始始在各国国广泛兴兴起，神神经网络络模式识识别源于于对动物物神经系系统的研研究，通通过采用用硬件或或软件的的方法，建立了了许多以以大量处处理单元元为结点点，各单单元通过过一定的的模式实实现互联联的拓扑扑网络。该网络络通过一一定的机机制，能能够模仿仿人的神神经系统统的结构构和功能能。神经网络络是一种种全新的的模式识识别技术术，它具具有以下下几个方方面的特特点:(1)神神经网络络具有分分布式存存储信息息的特点点。(22)神经经元能够够独立运运算和处处理收到到的信息息，即系系统能够够并行处处理输入入的信息息。(33)具有有自组织织、自学学习的能能力。