第七章图像识别解读.ppt

7.5 人工神经网络 人工神经网络是对生物神经网络的简单模拟。 1 生物神经网络 （1）复杂多样性 生物神经网络复杂多样，不仅在于神经元和突触 的数量大、组合方式复杂和联系广泛，还在于突触传 递的机制复杂。已经发现的传递机制有突触后兴奋、 突触后抑制、突触前兴奋、突触前抑制，远程“抑制”。 * 第7章 图像识别 利用神经网络识别实现图像分割 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(Pattern Recognition) 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(pattern class) 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？-------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