图像模式识别的方法说明

1、2.12.1 图像模式识不的方法图像模式识不的方法专门多，从图像模式识不提取的特征对 象来看，图像识不方法可分为以下几种： 基于形状特征的识不技 术、基于色彩特征的识不技术以及基于纹理特征的识不技术。其中，基于形状特征的识不方法， 其关键是找到图像中对象形状及 对此进行描述，形成可视特征矢量，以完成不同图像的分类，常 用来表示形状的变量有形状的周长、面积、圆形度、离心率等。 基于色彩特征的识不技术要紧针对彩色图像，通过色彩直方图具有的简单且随图像的大小、旋转变换不敏感等特点进行分类识 不。基于纹理特征的识不方法是通过对图像中特不具有结构规律 的特征加以分析或者则是对图像中的色彩强度的分布信息进

2、行 统计来完成。从模式特征选择及判不决策方法的不同可将图像模式识不方法大致归纳为两类: :统计模式（决策理论）识不方法和句法（结1 1 / / 13132 2 / / 1313构）模式识不方法。此外，近些年随着对模式识不技术研究的进 一步深入，模糊模式识不方法和神经网络模式识不方法也开始得 到广泛的应用。在此将这四种方法进行一下讲明。2.1.12.1.1 句法模式识不关于较复杂的模式，如采纳统计模式识不的方法， 所面临的 一个困难确实是特征提取的问题，它所要求的特征量十分巨大， 要把某一个复杂模式准确分类专门困难，从而专门自然地就想到如此的一种设计，即努力地把一个复杂模式分化为若干较简单子 模

3、式的组合，而子模式又分为若干基元，通过对基元的识不，进 而识不子模式，最终识不该复杂模式。正如英文句子由一些短语， 短语又由单词，单词又由字母构成一样。 用一组模式基元和它们 的组成来描述模式的结构的语言， 称为模式描述语言。支配基元 组成模式的规则称为文法。当每个基元被识不后，利用句法分析 就能够作出整个的模式识不。即以那个句子是否符合某特定文 法，以判不它是否属于某一类不。这确实是句法模式识不的差不 多思想。句法模式识不系统要紧由预处理、基元提取、句法分析和 文法推断等几部分组成。由预处理分割的模式，经基元提取形成 描述模式的基元串（即字符串）。句法分析依照文法推理所推断 的文法，判决有序

4、字符串所描述的模式类不，得到判决结果。问 题在于句法分析所依据的文法。不同的模式类对应着不同的文 法，描述不同的目标。为了得到于模式类相适应的文法，类似于 统计模式识不的训练过程，必须事先采集足够多的训练模式样 本，经基元提取，把相应的文法推断出来。实际应用还有一定的 困难。3 3 / / 13132.1.22.1.2 统计模式识不统计模式识不是目前最成熟也是应用最广泛的方法，它要紧利用贝叶斯决策规则解决最优分类器问题。统计决策理论的差不多思想确实是在不同的模式类中建立一个决策边界，利用决策函数把一个给定的模式归入相应的模式类中。统计模式识不的差不多模型如图 2 2,该模型要紧包括两种操作模型

5、：训练和分类，其 中训练要紧利用己有样本完成对决策边界的划分，并采取了一定的学习机制以保证基于样本的划分是最优的 ；而分类要紧对输入 的模式利用其特征和训练得来的决策函数而把模式划分到相应 模式类中。统计模式识不方法以数学上的决策理论为基础建立统计模 式识不模型。其差不多模型是: :对被研究图像进行大量统计分析， 找出规律性的认识，并选取出反映图像本质的特征进行分类识 不。统计模式识不系统可分为两种运行模式 : :训练和分类。训练 模式中，预处理模块负责将感兴趣的特征从背景中分割出来、去除噪声以及进行其它操作；特征选取模块要紧负责找到合适的特 征来表示输入模式；分类器负责训练分割特征空间。在分

6、类模式 中，被训练好的分类器将输入模式依照测量的特征分配到某个指 定的类。统计模式识不组成如图 2 2 所示。分类4 4 / / 1313测期宠一 预处理 一特证的测量 一分类训建II训磁据一预处理一特迪的提取/晡一学习图 2 2 统计模式识不模型2.1212.121 几种统计模式识不的方法统计模式识不依照采纳方法的不同能够进行多种形式的分类：通过贝叶斯决策理论对条件密度已知的样本进行分类；关于类条件密度不明的情况，可依照训练样本的类不是否己知将分类 问题分为监督学习和非监督学习两大类；监督学习和非监督学习又可依照是否通过参数决策分为参数可能和非参数可能。统计模式识不的另一种分类方法是依照决策

7、界是否直接得到将其分为 几何方法和基于概率密度的方法。几何方法经常直接从优化一定 的代价函数构造决策界；而基于概率密度的方法要首先可能密度 函数然后构造分类函数指定决策界。1 1、几何分类法1 1）模板匹配法它是模式识不中的一个最原始、 最差不多的方法，它将待识 模式分不与各标准模板进行匹配， 若某一模板与待识模式的绝大 多数单元均相匹配，则称该模板与待识模式“匹配得好”，反之则称“匹配得不行”，并取匹配最好的作为识不结果。2 2）距离分类法5 5 / / 1313距离是一种重要的相似性度量， 通常认为空间中两点距离越 近，表示实际上两样本越相似。 大约有十余种作为相似性度量的 距离函数，其中

8、使用最广泛的是欧氏距离。 它是使用最为广泛的 方法，常用的有平均样本法、平均距离法、最近邻法和K-近邻 法。3)3) 线性判不函数和上述的方法不同，判决函数法是以判决边界的函数形式的 假定为其特性的，而上述的方法差不多上以所考虑的分布的假定 为其特性的。假如我们有理由相信一个线性判决边界取成：g(x)w1x1w2x2wdxd是合适的话，那么剩下的问题确实是要确定它的权系数。权系数可通过感知器算法或最小平方误差算法来实现。但作为一条规则，应用此方法必须注意两点；第一确实是方法的可适性问题， 第二确实是应用判决函数后的误差准则。4)4) 非线性判不函数线性判决函数的特点是简单易行，实际应用中许多问题往往 是非线性的，一种处理的方法将非线性函数转换为线性判决函 数，因此又称为广义线性判决函数。另一种方法借助电场