《图像识别》PPT课件

《《图像识别》PPT课件》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第7章图像识别利用神经网络识别实现图像分割第7章图像识别7.1概论7.2图像匹配7.3基于最小错误率贝叶斯决策理论7.4线性判别函数7.5人工神经网络图像识别运用模式识别的原理对图像对象进行分类的学问。7.1概论1模式识别的基本定义（1）模式识别(PatternRecognition)进行物体分类的学科。举例：人日常生活中的模式识别（2）模式(pattern)A、事物所具有的时间或空间分布信息。（狭义）B、描绘子的组合。（更狭义）一维信息：例如声音信号，腾格尔的歌声。二维信息：例如图像信号，数字照相机拍摄的照片。三维信息：CT重建图像。多维信息：（3）模式类(patternc

2、lass)一个拥有某些共同特性的模式族。2模式识别系统（1）信息的获取通过传感器，将光或声等信息转化为电信息。（2）预处理：A、信号增强：去除噪声，加强有用信息。信号恢复：对退化现象进行复原。B、归一化处理（例如图像大小的归一化；神经网络输入数据的归一化）（3）特征提取和特征选择A、特征分类：物理特征、结构特征、数学特征。B、特征形成：根据被识别的对象产生出一组基本特征，它可以是计算出来的（当识别对象是波形或数字图像时），也可以是用仪表或传感器测量出来的（当识别对象是事物或某种过程时），这样产生的特征叫做原始特征。C、特征提取：原始特征的数量可能很大，通过映射（或变换）的方法

3、可以用低维空间表示样本，这个过程叫做特征提取。映射后的二次特征是原始特征的线性组合（通常是线性组合）。D、特征选择：从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的过程。例如：一幅96x64的图象（a）Gabor滤波器编码；（b）小波变换+神经网络；（c）细节点（分叉点、端点）（4）分类器设计分类器设计的主要功能是通过训练确定判决规则，使按此类判决规则分类时，错误率最低或风险最小。（5）分类决策在特征空间中对被识别对象进行分类。思考题：水果（如苹果和桔子）图像自动识别系统：选择那些有效特征，可以把苹果和桔子有效地区分开来？3模式识别的基本问题（1）特征如何提取？--

4、-----特征产生（2）最有效的特征是那些特征？-------特征选择（3）对特定任务，如何设计分类器？-------分类器设计（4）分类器设计后，如何评价分类器？分类错误率是多少？-------分类器评价模式传感器特征产生特征选择分类器设计分类器评价设计流程4模式识别方法的分类（1）监督与非监督模式识别A、监督模式识别利用先验知识和训练样本来设计分类器。B、非监督模式识别利用特征向量的相似性来自动进行分类。（2）其他分类方法A、统计模式识别依据决策理论而进行模式识别的方法。包括贝叶斯决策理论、判别函数、近邻法等。B、聚类模式识别C、神经网络模式识别D、结构模式识别（句法模式

5、识别）5预备知识（1）特征用于分类的测度。（2）特征向量由多个特征组成的向量。Ⅹ=(X1,X2,…,Xn)T（3）分类器把特征空间划分为不同类别区域的“机器”。7.2图像匹配1定义根据已知模式到另一幅图中寻找相应的模式。2基于相关的模板匹配3基于误差平方和的模板匹配4、特征模板匹配5、特征匹配7.3基于最小错误率贝叶斯决策理论1贝叶斯公式（1）概率：某事件发生的几率。（2）先验概率在实际的事件没有出现之前，我们所拥有的该事件可能出现的概率。举例：（1）扑克牌：大王，K。（2）硬币：正面，反面。（3）赌场押大小：1000次：810次大，190次小。1001次？1002次？…问题

6、：是否可以提高押对的概率，减少押错的概率？除先验概率外，必须利用其他的信息。（3）类条件概率密度细胞识别：正常细胞ω1异常细胞ω2光密度特征：x类条件概率密度p(x

7、ω)：类别状态为ω时的x概率密度函数。（4）贝叶斯公式A、P(ωj,x)=P(x

8、ωj)P(ωj)（总体；类）举例：P(ω1)=0.4，P(ω2)=0.6,P(x=12

9、ω1)=0.15，P(x=12

10、ω2)=0.35则：P(ω1,x=12)=0.15*0.4P(ω2,x=12)=0.35*0.6B、P(ωj,x)=P(ωj

11、x)P(x)C、贝叶斯公式贝叶斯公式的物理含义：通过观察x的值，就可以把先验概率转化为

12、后验概率，即特征值x已知的情况下类别属于ωj的概率。2、基于最小错误率的贝叶斯决策（1）决策规则（两类情况）（2）判决的误差概率练习：某地区细胞识别；P(ω1)=0.9，P(ω2)=0.1未知细胞x，先从类条件概率密度分布曲线上查到：求解：该细胞属于正常细胞还是异常细胞？7.4线性判别函数1问题的引入（1）Bayes决策尽管是最优决策，但实现困难。A、类条件概率密度的形式常难以确定。B、非参数方法需要大量样本。（2）模式识别的任务是分类，可根据样本集直接设计判别函数。（次优的）2线性判别函数的基本概念（