40年代电子计算机发明以后逐渐发展起来的

1、.：.；现代方式识别是在 20 世纪 40 年代电子计算机发明以后逐渐开展起来的。 在更早的时候，已有用光学和机械手段实现方式识别的例子，如在 1929 年 GustavTauschek 就在德国获得了光学字符识别专利。作为统计方式识别根底的多元统计分析和鉴别分析也在电子计算机出现之前提出来了。1957 年 IBM 的 C.K.Chow 将统计决策方法用于字符识别。然而，“方式识别这个词被广泛运用并构成一个领域是在 20 世纪 60 年代以后。方式识别问题指的是对一系列过程或事件的分类与描画，具有某些相类似的性质的过程或事件就分为一类。目前方式识别问题普通可以运用以下 4 种方法进展分析处置：

2、统计方式识别方法、句法方式识别、人工神经网络方式识别、模糊方式识别。方式识别曾经在天气预告、卫星航空图片解释、工业产品检测、字符识别、语音识别、指纹识别、医学图像分析等许多方面得到了胜利的运用。一切这些运用都是和问题的性质亲密不可分的，至今还没有开展成一致的、有效的可运用于一切的方式识别的实际。当前的一种普遍看法是不存在对一切的方式识别问题都运用的单一模型和处理识别问题的单一技术，我们如今拥有的是一个工具袋，我们所要做的是结合详细问题把统计的和句法构造的识别方法结合起来，把统计方式识别或句法方式识别与人工智能中的启发式搜索结合起来，把人工神经元网络与各种以有技术以及人工智能中的专家系统，不确定

3、方法结合起来，深化掌握各种工具的效能和运用的能够性，相互取长补短，开创方式识别运用的新局面。2.3图像方式识别2.3.1图像方式识别的根本概念图像在人类的感知中扮演着非常重要的角色，人类随时随处都要接触图像。据统计，在人类接受的信息中，视觉信息占了 70%以上，也就是常说的“百闻不如一见 。在许多场所，图像所传送的信息比其他任何方式的信息更加丰富和逼真。随着数字图像技术的开展和实践运用的需求，出现了另一类问题，就是不要求其结果输出是一幅完好的图像，而是将经过图像处置后的图像，再经过分割和描画提取有效的特征，进而加以判决分类，这就是近 20 年来开展起来的一门新兴技术科学图像识别。它以研讨某些对

4、象或过程的分类与描画为主要内容，以研制可以自动处置某些信息的机器视觉系统，替代传统的人工完成分类和辨识的义务为目的。例如要从遥感图像中分割出各种农作物、森林资源和矿产资源等；根据医学图片分析发生病变的细胞外形和颜色判别能否发生癌变；从气候观测数据或气候卫星照片准确预告天气；交通管理系统中运用车牌自动识别技术管理车辆等。因此，在当今社会，图像识别技术曾经在各个领域发扬着极其重要的作用。图像识别，简单地说，就是要把一种研讨对象，根据其某些特征进展识别并分类。例如要识别写在卡片上的数字，判别它是 0，1，2，9 中的哪个数字，就是将数字图像分成 10 类的问题，因此可以以为，对数字图像进展区别分类其

5、本质就是对图像进展方式识别。这种识别早已存在人们的生活实际中。然而，随着实际活动的扩展、深化和社会化的需求，人们不仅需求识别分类数很多的事物，而且被识别的对象内容也越来越复杂。特别是由于科学技术程度的提高，使得各种不同的研讨对象“图像化或“数字化 ，可采用某种技术把调查的对象转换成图片、波形图以及假设干数据，这些数据就可以代表所研讨的对象。但是对于方式识别来说，无论是数据、信号还是平面图像或立体景物都是除掉它们的物理内容而找出它们的共性，把具有同一共性的归为一类，而具有另一种共性者归为另一类。图像方式识别是用机器对文字、 图像、 图片和景物等方式信息加以处置和识别，用以处理计算机与外部环境直接

6、通讯这一重要问题。其目的就是研制采用某种仪器或设备，自动处置某些信息，替代人完成分类和辨识的义务，并且可以快速而准确地进展图形识别。普通来说，一个图像识别由图像预处置、图像特征提取和图像方式分类三个主要部分组成。前期处置普通是指把图像进展平滑、加强、恢复、边缘检测和分割等操作，其目的是把输入图像简化为分段方式。特征提取是指在满足分类识别正确率要求的条件下，提取图像的主要特征，并按某种准那么尽量选用对正确分类识别作用大得特征，使得用较少的特征就能完成分类识别义务。图像方式分类是最重要的一部分，它是根据所提取的特征，将前一部分的特征向量空间映射到类型空间，把相应图像归属知的一类方式。2.3.2图像

7、方式识别的根本方法一个图像识别系统主要由三个环节组成： 图像数据获取， 数据加工和处置、 抽取特征，判别分类等，如图 2-2 所示。图 2-2 图像识别系统框图下面简单对这几个环节作以阐明：1、数据获取 现实的模拟数据，如图片、照片、图像和景物等由一个传感器如扫描仪、机、数字摄像机、数码相机传入，然后被转换成适宜计算机处置的方式，即将物理量变成一组丈量值。2、 数据处置 数据处置包括预处置、 特征笼统和特征选择。 预处置技术包括各种图像处置技术，其目的是改善图像质量，清楚图像中的噪声，减轻或消除因传感器与传输介质本身不完善而引起的退化景象，便于机器分析处置等。特征抽取就是从图像中提取一组反映图

8、像特性的根本元素或数字值。特征选择那么是从曾经抽取的特征中选择可以更好地完成分类识别义务的特征来表示原图像。3、 判别分类 判别分类就是采用一定的准那么或机制建立分类规那么， 并用它们对未知图像方式进展分类识别。用于处理图像识别的方法概括起来可分为统计方式识别、 构造方式识别、模糊图像识别和智能方式识别 主要是人工神经网络方式识别 4 类， 前两类方法有长远的历史，开展较为成熟，对处理相应领域中的方式识别问题均有明显的效果，是方式识别分类的经典与根底性技术。 20 世纪 80 年代新兴的人工神经网络，作以一种广义的智能方式识别法，更以崭新的姿态，以其全局相关的特征，在方式识别领域获得了许多传统

9、方法所难到达的成就，下面分别作以引见：1、统计图像识别：统计图像识别是以概率实际为根底的，方式用特征向量描画，找出决策函数进展方式决策分类。其根本思想是：无论输入的对象是什么，它都表示为一个数组。这数组不是恣意的，而是适中选择的、对原始数据进展各种丈量的结果。统计图像识别的大致过程如图 2-3 所示。图 2-3统计图像识别系统构造图图中的上半部分是识别部分， 即对未知类别的图像进展分类； 下半部分是分析部分，即由知类别的训练样本求出判别函数及判别规那么，进而用来对未知类别的图像进展分类。框图右下角部分是自顺应处置部分，当用训练样本根据某些规那么求出一些判别规那么后，再对这些训练样本逐个进展检测

10、，察看能否有误差。这样不断改良判别规那么，直到满足条件为止。2、构造图像识别：构造方式识别是按方式本身的构造和构造关系对物体进展识别的方法。由于它是将现代自然言语分析的方式言语实际句子分解为各种词类，如名词、动词、副词等用于方式识别，所以又称为句法方式识别。其根本思想是：一个复杂的方式可以由一个简单的方式递归地描画。换言之，对于每个复杂的方式，可以用一些较简单的子方式来描画，而每一个比较简单的子方式再用一些更为简单的子方式来描画，最后用一些最简单的方式基元来表示。句法方式识别框图如图 2-4 所示。图中的上半部分是识别阶段， 即对未知类别的样本进展句法分析并输出分类结果，同时输出待识别样本的构

11、造描画；下半部分是分析阶段，用一些知构造信息的方式样本构造出一些文法规那么，以便用这些文法对描画未知方式的句子进展句法分析。图 2-4 句法方式识别系统构造图3、模糊方式识别：模糊方式识别是模糊集实际在方式识别中的运用。人对客观事物的认识带有模糊性，如通常所说的高矮、胖瘦，青年、老年，温暖和猛烈等都带有模糊性的言语，人类利用这些模糊言语进展交流，并经过大脑分析和决策。模糊数学就是研讨如何利用模糊信息对确定事物进展定量分析。因此，将模糊集实际用于方式识别系统，利用模糊信息进展方式决策分析，使计算机带有接近人类的智能，这是非常重要的研讨课题。模糊识别的主要方法有最大隶属原那么识别法、接近原那么识别

12、法和模糊聚类分析法。4、人工神经网络图像方式识别：人工神经网络的研讨来源于对生物神经系统的研讨。人工神经网络区别于其他识别方法的最大特点是它对待识别的对象不要求有太多的分析与了解，具有一定的智能化处置的特点。神经网络分类器是一种智能化方式识别系统，虽然神经网络的设计和实现依赖与阅历，泛化性能不能确保最优，但是它可以加强系统的学习才干、自顺应才干和容错性，具有很强的开展运用前景。神经网络在图像识别中的运用按处置数据类型大致可以分为两类：一类是基于图像像素数据的神经网络算法；另一类是基于图像特征数据的神经网络算法即特征空间的聚类识别算法。基于图像像素数据的神经网络识别技术，是用高维的原始图像数据作

13、为神经网络的训练样本。目前很多神经网络算法是基于像素进展图像识别的，其图像识别的流程图如图 2-5所示。图 2-5 基于图像特征数据的神经网络图像识别流程图基于图像特征数据的神经网络的图像识别技术是用图像的特征数据作为神经网络的训练样本。此类技术中，神经网络作为特征聚类器，有很多的神经网络别研讨人员运用，如 BP 神经网络、模糊神经网络、Hopfield 神经网络、RAM 自顺应神经网络、SOFM 神经网络、细胞神经网络等。其图像识别的流程图如图 2-6所示。此类技术实践上是传统方法与神经网络技术的结合，它利用人的阅历来获取方式特征以及神经网络分类才干来识别目的函数。其图像识别的关键是图像的特

14、征提取必需反映整个图像的特征。图 2-6基于图像特征数据的神经网络图像识别流程图 第三章 各类算法的比较3.1 基于模板匹配的方式识别分类算法3.1.1 模板匹配的根本概念模板就是一幅知的小图像。模板匹配就是在一幅大图像中搜索目的，知该图中有要找的目的，且该目的同模板有一样的尺寸、方向和图像，经过一定的算法可以在图中找到目的，确定其坐标位置。以8位图像(其 1 个像素由 1 个字节描画)为例，模板T( H W个像素)叠放在被搜索图S( mn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。搜索范围是：1 i W M 1 j H N 经过比较T和Si

15、j的类似性，完成模板匹配过程。留意：图像的数据是从下到上、从左到右陈列的。知原始图像S(H, W)和模板Tm, n如以下图所示: 被搜索图 模板可以用下式衡量T和Sij类似性：当模板和子图完全一样时，相关系数R( i, j ) = 1。在被搜索图S中完成全部搜索后，找出R的最大值Rmax( im, jm )，其对应的子图Simjm即为匹配目的。显然，用这种公式做图像匹配计算量大、速度较慢。另一种算法是衡量T和Sij的误差，其公式为：E( i, j )为最小值处即为匹配目的。为提高计算速度，取一个误差阈值E0，当E( i, j ) E0时就停顿该点的计算，继续下一点计算。3.1.2模板匹配算法的

16、matlab实现用matlab实现模版匹配的源程序如下：clear all;close all;clc;img=imread(lena.jpg);imshow(img);img=double(img);mask=double(imcrop();m n=size(img);H W=size(mask);if mod(H,2)=1 H=H+1;endif mod(W,2)=1 W=W+1;endmask=imresize(mask,H W);HH=floor(H/2);WW=floor(W/2);imgn=zeros(m+2*HH+1,n+2*WW+1);imgn(HH+1:m+HH,WW+1:n

17、+WW)=img;imgn(1:HH,WW+1:n+WW)=img(1:HH,1:n); imgn(1:m+HH,n+WW+1:n+2*WW+1)=imgn(1:m+HH,n:n+WW);imgn(m+HH+1:m+2*HH+1,WW+1:n+2*WW+1)=imgn(m:m+HH,WW+1:n+2*WW+1);imgn(1:m+2*HH+1,1:WW)=imgn(1:m+2*HH+1,WW+1:2*WW);re=imgn;for i=HH+1:m+HH for j=WW+1:n+WW tmp=imgn(i-HH:i+HH,j-WW:j+WW); re(i,j)=sum(sum(tmp-mas

18、k).2); %最小平方差 endendfigure;re=mat2gray(re(HH+1:m+HH,WW+1:n+WW);imshow(1-re);结果如下：图中高亮部分为眼睛所在不部位：3.2基于贝叶斯算法的图像方式识别分类设计3.2.1贝叶斯算法简介方式识别分类问题是对待识别的对象提取观测值，然后根据观测值进展分类。首先建立识别对象的训练集，其中每点的类别知 ，根据这些条件，建立判别函数，经过现有的样品估计判别函数中的参数，然后用此判别函数去对类别未知的样品进展断定 。 3.2.1.1贝叶斯法那么贝叶斯法那么是对客观判别的一种修正方法 ，是指当样本足够多时 ，样本概率与总体概率近似 。

19、普通情况下，事件A在事件B的条件下的概率，与事件 B 在事件A条件下的概率不相等 ，然而，这两者是有确定关系的，贝叶斯法那么就是这种关系的描画 。3.2.1.2 贝叶斯决策贝叶斯法那么只是一种方法 ，是从大的方向上讲，要将它细化又可以分为许多的详细实施的决 策。假设统计知识完好 ，贝叶斯决策实际是一种最优分类器。贝叶斯分类器是分类错误概率最小或者是平均风险最小的分类器。其设计方法属 于一种根本的统计分类方法。3.2.1.3基于最小错误概率的贝叶斯决策假设每个样品属于w1,w2类中的 一类，知两类的先验概率分别p(w1),P(w2),两类的类别密 度函 数为 P ( Xw1 ),P( Xw2)。

20、那么任给一x，判别x的类别 。由贝叶斯公式可知 由全概率公式 可知：其中M为类别数。对于两类问题 ， 所以用后验概率来判别3.2.2图像分类识别系统实现3.2.2.1HSV颜色空间HSV颜色空间比较其它的颜色空间更适宜人的视觉特性 。其中包含颜色 H(Hue)、饱和度 S(Saturation)和亮度 V(Value)。颜色 H表示表示光的颜色 ，饱和度S表示光的浓度，亮度v表示光的明暗程度 。在基于内容的图像检索中，运用这种颜色空 间模型会更适宜用户的视觉判别 。3.2.2.2颜色空间的量化根据人 的视觉分辨才干的分 析 ，颜色大致划分为如下9种 ：红、黄 、绿、青、蓝、紫、黑、灰和白，根据

21、这九种颜色就可以大致描画一幅图像。因此，可以根据这九种颜色来大致确定图像的主颜色特征 。3.2.2.3 分块主色的实现本文对图像二维空间进展 4 * 4 的划分。对其中每一个分块 ，统计出像素最多的那种颜色作为主色 ，建立图像的颜色特征向量。分块主色法是统计 图像每个分块主色来突出颜 色的空间关系 ，适用于主题位置相对固定的分类问题 ，对于变化较大的图像效果会明显减弱。3.2.2.4主 要MATLAB程序函数名:bayesleasterror( )参数:sample :待识别图像特征前往值 :Y:待识别图像所属类别函数功能 ： 最小错误概率的贝叶斯分类器function y = bayesle

22、asterror(sample)clc ；load templet pattern ；对图像库和待测图像进展主成分分析pcapat,pcasamp=pcaprO(sample)；temp=0；for i =1:2pattern(i).feature=pcapat(:,temp+1:temp+pattern(i).num) ；temp=temp+pattern(i).num；ends_cov=；s_inv= ；s_det= ；for i=l:2s_cov(i)dat=cov(pattern(i).feature) ； 求个类别的协方差矩 阵s_inv(i).dat=inv(s_cov(i).da

23、t) ； 求协方差矩 阵的逆矩阵一s_det(i)=det(s_cov(i).dat) ； 求协方差矩阵的行列式endsuml=0;p= ；for i=1:2sum1=sum1+pattern(i).num ； 求图像库样 品总数endfor i=1:2p(i)=pattern(i).numsum1 ； 求类别 的先验概率endh=； mean_sap =；for i=1:2mean_sap(i).dat=mean(pattern(i).feature) ； 求每类图像 的特征值end 计算最大的判别函数 for i=1:2h(i)=(pcasamp-mean_sap(i).dat)*S_in

24、v(i).dat*(pcasamp-mean_sap(i).dat)*(-0.5)+log(p(i)+log(abs(s_det(i)*(-0.5);endmaxval maxpos=max(h);y=maxpos;基于神经网络的图像方式识别分类算法：神经网络的根本概念传统的图像识别技术是基于文本的检索技术，它依托人工对图像进展手工注解，然后根据关键字对图像进展识别。人工神经网络Artificial Neural Networks,ANN是在现代神经生物学研讨根底上提出的模拟生物过程以反映人脑某些特性的计算构造。它不是人脑神经系统的真实描写，而只是它的某种笼统、简化和模拟。神经元及其突触是神经

25、网络的根本器件。因此，模拟生物神经网络应首先模拟生物神经元。在人工神经网络中，神经元常被称为“处置单元 。有时从网络的观念出发常把它称为“节点 。人工神经元是对生物神经元的一种方式化描画，它对生物神经元的信息处置过程进展笼统，并用数学言语予以描画；对生物神经元的构造和功能进展模拟，并用模型予以表达。为了模拟生物神经元，一个简化的人工神经元如图 3-1 所示。该神经元是一个多输入单输出的非线性元件，其输入输出关系可描画为：图 3-1 人工神经元模型人工神经元模型可以看成是由三个根本要素组成：1、 一组衔接权 对应于生物神经元的突触， 衔接强度由各衔接上的权值表示，权值为正表示鼓励，为负值表示抑制

26、。2、一个求和单元，用于求取各输入信息的加权和线性组合。3、一个非线性鼓励函数，起非线性映射作用并限制神经元输出幅度在一定的范围之内。此外还有一个阈值。阈值也被看作是一个输入分量，也就是阈值也是一个权值。在网络的设计中，偏向起着重要的作用，它使得激活函数的图形可以左右挪动而添加理处理问题的能够性。通常所说的人工神经网络构造，主要指它的衔接方式。人工神经网络模型主要思索网络衔接的拓扑构造、 HYPERLINK baike.baidu/view/36428.htm t _blank 神经元的特征、学习规那么等。目前，已有近40种神经网络模型，其中有反传网络、 HYPERLINK baike.bai

27、du/view/238309.htm t _blank 感知器、 HYPERLINK baike.baidu/view/2950587.htm t _blank 自组织映射、Hopfield网络、波耳兹曼机、顺应谐振实际等。根据衔接的拓扑构造，神经网络模型可以分为：前馈型神经网络和反响型网络。其中典型的前馈型神经网络如BPBack Propagation神经网络，RBFRadical Basis Function神经网络。下面举例阐明基于BP神经网络的图像方式识别。基于BP神经网络的图像方式识别实现BP 神经网络是一种典型的前馈神经网络，其神经元的传送函数是 S 型函数，输出量为 0 到 1

28、之间的延续量，它可以实现从输入到输出的恣意非线性映射。由于权值的调整采用反向传播Back Propagation学习算法，因此也常称其为 BP网络。B P网络构造图如下：其算法步骤描画如下:( 1 )设置变量和参数, 其 中包括训练样本, 权值矩阵, 学习速率。( 2) 初始化, 输入样本, 提供训练方式, 训练网络, 直到满足学习要求。(3) 前向传播过程: 对给定训练模 式输入, 计算网络的输出方式, 并与期望方式比较, 假设有误差,那么执行( 4 ); 否那么, 前往 ( 2 )。(4) 后向传播过程: a . 计算同一层单元的误差; b . 修正权值和阈值; c . 前往 ( 2) 。

29、下例为基于 BP 神经网络的英文字母识别方法能实现对 26 个英文字母的识别，其matlab程序如下：clear;close all;clc;alphabet,targets=prprob;R,Q=size(alphabet);S2,Q=size(targets);S1=10;P=alphabet;net=newff(minmax(P),S1,S2,logsig logsig,traingdx);net.LW2,1=net.LW2,1*0.01;net.b2=net.b2*0.01;T=targets;net.performFcn=sse;net.trainParam.goal=0.1;net

30、.trainParam.show=20;net.trainParam.epochs=5000;net.trainParam.mc=0.95;net,tr=train(net,P,T);netn=net;netn.trainParam.goal=0.6;netn.trainParam.epochs=300;T=targets targets targets targets;for pass=1:10; P=alphabet,alphabet,. (alphabet+randn(R,Q)*0.1),. (alphabet+randn(R,Q)*0.2); netn,tr=train(netn,P,

31、T);endnetn.trainParam.goal=0.1;netn.trainParam.epochs=500;netn.trainParam.show=5;P=alphabet;T=targets;netn,tr=train(netn,P,T);noise_percent=0.2;for k=1:26 noisyChar=alphabet(:,k)+randn(35,1)*noise_percent; subplot(6,9,k+floor(k/9.5)*9); plotchar(noisyChar); de_noisyChar=sim(net,noisyChar); de_noisyC

32、har=compet(de_noisyChar); answer=find(de_noisyChar=1); subplot(6,9,k+floor(k/9.5)*9+9); plotchar(alphabet(:,answer);endset(gcf,Position,10,60,900,700, color,w)运算结果如下：胜利识别有噪声实验结果阐明，基于 BP 神经网络的英文字母识别方法能实现对 26 个英文字母的准确、快速识别，并具有较强的抗干扰才干。2基于贝叶斯算法的图像方式识别分类设计2.1贝叶斯算法简介方式识别分类问题是对待识别的对象提取观测值，然后根据观测值进展分类。首先建立

33、识别对象的训练集，其中每点的类别知 ，根据这些条件，建立判别函数，经过现有的样品估计判别函数中的参数，然后用此判别函数去对类别未知的样品进展断定 。2.1.1贝叶斯法那么贝叶斯法那么是对客观判别的一种修正方法 ，是指当样本足够多时 ，样本概率与总体概率近似 。普通情况下，事件A在事件B的条件下的概率，与事件 B 在事件A条件下的概率不相等 ，然而，这两者是有确定关系的，贝叶斯法那么就是这种关系的描画 。2.1. 2 贝叶斯决策贝叶斯法那么只是一种方法 ，是从大的方向上讲，要将它细化又可以分为许多的详细实施的决 策。假设统计知识完好 ，贝叶斯决策实际是一种最优分类器。贝叶斯分类器是分类错误概率最

34、小或者是平均风险最小的分类器。其设计方法属 于一种根本的统计分类方法。2.1.3基于最小错误概率的贝叶斯决策假设每个样品属于w1,w2类中的 一类，知两类的先验概率分别p(w1),P(w2),两类的类别密 度函 数为 P ( Xw1 ),P( Xw2)。那么任给一x，判别x的类别 。由贝叶斯公式可知 由全概率公式 可知：其中M为类别数。对于两类问题 ， 所以用后验概率来判别22图像分类识别系统实现2.2 .1 HSV颜色空间HSV颜色空间比较其它的颜色空间更适宜人的视觉特性 。其中包含颜色 H(Hue)、饱和度 S(Saturation)和亮度 V(Value)。颜色 H表示表示光的颜色 ，饱和度S表示光的浓度，亮度v表示光的明暗程度 。在基于内容