图像的识别与应用精品文稿.ppt
《图像的识别与应用精品文稿.ppt》由会员分享,可在线阅读,更多相关《图像的识别与应用精品文稿.ppt(66页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、图像的识别与应用第1页,本讲稿共66页本课程的主要内容第2页,本讲稿共66页 第第8章章 图像的识别技术图像的识别技术第3页,本讲稿共66页 主要内容主要内容8.1 模式识别概述模式识别概述8.2 一些常用的基本概念一些常用的基本概念8.3 基于决策理论的图像识别基于决策理论的图像识别8.4 基于模板匹配的图像识别基于模板匹配的图像识别8.5基于神经网络的图像识别基于神经网络的图像识别8.6 基于支持向量机的图像识别基于支持向量机的图像识别 第4页,本讲稿共66页8.1 模式识别概述模式识别概述 模模式式识识别别(Pattern Recognition)是是指指对对表表征征事事物物或或现现象象
2、的的各各种种形形式式的的(数数值值的的、文文字字的的和和逻逻辑辑关关系系的的)信信息息进进行行处处理理和和分分析析,以以对对事事物物或或现现象象进进行行描描述述、辨辨认认、分分类类和和解解释释的的过过程程,是是信信息息科科学学和和人人工工智智能能的的重重要要组组成成部部分分。模模式式识识别别又又常常称称作作模模式式分分类类,从从处处理理问问题题的的性性质质和和解解决决问问题题的的方方法法等等角角度度,模模式式识识别别分分为为有有监监督督的的分分类类(Supervised Classification)和和 无无 监监 督督 的的 分分 类类(Unsupervised Classificatio
3、n)两两种种。二二者者的的主主要要差差别别在在于于,各各实实验验样样本本所所属属的的类类别别是是否否预预先先已已知知。一一般般说说来来,有有监监督督的的分分类类往往往往需需要要提提供供大大量量已已知知类类别别的的样样本本,无无监监督督的的分分类类就就是是根根据据样样本本特特征征(features)将将同同类类特特征征样样本归类于同一类。本归类于同一类。第5页,本讲稿共66页 一一般般狭狭义义的的模模式式识识别别所所指指的的主主要要是是对对语语音音波波形形、地地震震波波、心心电电图图、脑脑电电图图、图图片片、照照片片、文文字字、符符号号、生生物物传传感感器器等等对对象象的的具具体体模模式式进进行
4、行辨辨识和分类。识和分类。第6页,本讲稿共66页模式识别的一般过程模式识别的一般过程识别的关键是分类识别的关键是分类器的设计器的设计第7页,本讲稿共66页图像识别与模式识别的关系图像识别与模式识别的关系1、模式识别包含了、波形、语音、图形、图像等各种信息输入形式,图像识别属于模式识别的一部分;2、模式识别的许多方法如:决策理论、贝叶斯分类器、神经网络分类器、支持向量机等都可以用到图像识别中来;3、图像识别有自己独特的方法。第8页,本讲稿共66页8.2 一些常用的基本概念一些常用的基本概念1、特特征征向向量量-用于描述对象的一组特征参数,以 n1维的向量形式表示出来。如:第9页,本讲稿共66页1
5、、向量的相似性度量、向量的相似性度量-距离(1)两向量的欧式距离 设两向量则它们之间的欧式距离用下式度量第10页,本讲稿共66页(2)向量与向量族组成员的距离向量与向量族组成员的距离 设 则距离d第11页,本讲稿共66页则它们之间的欧式距离用下式度量可用下列MATLAB语句实现:第12页,本讲稿共66页(2)向量族与向量族成员的距离向量族与向量族成员的距离 设向量族 Xpn 向量族 Yqn 则向量族则向量族X的的i 行与向量族行与向量族Y的第的第 j 列间欧式距离用下矩阵表达列间欧式距离用下矩阵表达第13页,本讲稿共66页(3)Mahalanobis距离-向量与向量组均值的相似向量与向量组均值
6、的相似性度量性度量则它们之间的欧式距离用下式度量均值:协方差矩阵:第14页,本讲稿共66页8.3 基于决策理论的图像识别基于决策理论的图像识别使用基元符号使用数值向量第15页,本讲稿共66页1、基于最小距离分类器的图像识别 决策理论的基本思想:将图像进行特征提取,用提取的特征构成一个特征向量x=x1,x2,,xn,对于W个模式分类1,2,w,设计W个决策函数d1(x),d2(x),dw(x),满足下列条件:将x 归于 i 类第16页,本讲稿共66页最小距离分类器就是将每个模式分类用它的均值向量来表示,设x是待分类的模式向量,分别求模式向量到各类均值向量的距离,将x归属于距离最小的那个类别。用决
7、策函数表示:这里,mj是均值向量,它计算如下:第17页,本讲稿共66页求Dj(x)最小,等价于求 最大。因此我们可以选择决策函数第18页,本讲稿共66页对于:将其归于 i 类。不难看出,在i 和 j之间的边界为 第19页,本讲稿共66页8.4 基于模板匹配的图像识别基于模板匹配的图像识别 模板匹配(Template Matching)是图像识别方法中最具代表性的基本方法之一,它是将从待识别的图像或者图像区域S(i,j)中提取的若干特征量逐个进行比较,计算它们之间规格化的相关性系数,其中相关性系数最大的一个就表示其相似程度最高,可以将图像归与相应的类。第20页,本讲稿共66页模板匹配的基本概念:
8、模板就是一幅已知的具有标准尺寸和标准内容的图像。模板匹配就是在一幅图像中按一定算法搜寻目标,将目标的特征和已知模板比较,从而确定目标是否存在以及存在目标所在的坐标位置。以8位灰度图像(1 个像素由1 个字节描述)为例,模板T(m*n个像素)叠放在被搜索图S(M*N个像素)上平移,模板覆盖被搜索图的那块区域叫子图Sij。i,j 为子图左上角在被搜索图S上的坐标,如图所示。搜索范围是MXN。通过比较模板T和Sij的相似性,完成模板匹配过程。(1)普通模板匹配算法第21页,本讲稿共66页mnMN模板及其搜索图模板及其搜索图子图子图S ij(a)搜索图模板 T一般可以采用下面测度来衡量一般可以采用下面
9、测度来衡量T和和Sij的相似度:的相似度:第22页,本讲稿共66页展开则有右边第三项表示模板的总能量,是一个和位置(i,j)无关的常数,第一项是模板下的子图的能量,它随搜索位置的改变缓慢变化,第二项是子图像和模板的互相关,随(i,j)而变,T和Sij匹配时这一项取得最大值,因此可以采用下列归一化相关函数作为相似测度:第23页,本讲稿共66页为了减少图像强度绝对值的影响,可先分别计算T和Sij的均值Tm和Sm,然后在上式中减去均值,可得下列相关函数第24页,本讲稿共66页 按灰度匹配的计算量是很大的,一般将原始图像按比例缩小,采用相对较小的模板来进行匹配。尽管模板匹配有很多不足的地方,但目前仍然
10、是一种较为可靠的模式识别方法,在工业机器视觉中得到广泛应用.对常用焊接结构灰度图象可以通过二值化填充得到由0和1组成的黑白图象,因此进行模板匹配可以相当于比较待识别图象和模板为“1”的相同个数,比较相同可以采用“点异或”的方式进行。如果模板与待识别图象相同,则相关系数可用下式表达:第25页,本讲稿共66页(2)快速模板匹配-序贯相似性检测算法 由于普通模板计算量大,速度慢,人们提出一类叫序贯相似性检测的算法,简称SSDA。SSDA的要点如下:1)定义绝对误差值,有式中,2)取一个不变阈值;第26页,本讲稿共66页3)在子图 Sij(m,n)中随机选取像点(mk,nk),计算它同T中对应点的误差
11、值(i,j,mk,nk),然后把这个差值和其他点对的差值累加起来,当累加r次误差超过 Tk,则停止累加,并记下次数r。定义SSDA的检测曲面为I(i,j)=r4)把取值最大的I(i,j)对应的(i,j)点作为匹配点,因为这点上需要很多次累加才使总误差超过,如下图所示。图中给出了在A,B,C三参考点上得到的误差累计增长曲线。A,B反映模板T不在匹配点上,这时总误差增长很快,超出阈值,曲线C中总误差增长很慢,很可能是一匹配的候选点。第27页,本讲稿共66页I(i,j)图4-2-2 误差累计曲线第28页,本讲稿共66页3、基于频域模板匹配的图像识别在频域分析中,我们将空间域的相关运算转化为频域的的共
12、轭相乘,即:空间域上的相关频率域上的相乘 如果将f(x,y)视为待识别的图像,g(x,y)视为标准模板则就可以采用频域上的相乘,取代空间域上基于相关运算的模板匹配,可以缩短匹配计算的时间。第29页,本讲稿共66页8.5 基于神经网络的图像识别基于神经网络的图像识别W=p=输入的R维向量对应的权值行向量b是偏置 8.5.1 神经网络基础神经网络基础第30页,本讲稿共66页n是输入向量元素的加权求和是输入向量元素的加权求和,定义如下:定义如下:写成向量内积的形式:写成向量内积的形式:a 是神经元的输出,是神经元的输出,f 是神经元的传递函数是神经元的传递函数,定义如下:定义如下:第31页,本讲稿共
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 图像 识别 应用 精品 文稿
限制150内