第一章模式识别绪论.ppt

* * * （1）信息获取：用不同形式的传感器构成，实现信息获取与信息在不同媒体之间的转换，非电信号转换成电信号。 用话筒将声音信号转换成电信号，表现出电压(电流)随时间变化的复杂波形。 景物信息在摄像机靶面成像并转换成二维的象素矩阵，每个像素(矩阵元素)的电信号与物体表面反射的光强或颜色信息呈现函数关系 一般输入对象的信息有三种类型： 二维图象，如文字、指纹、地图、照片等 一维波形，如脑电图、心电图、机械震动波形等 物理参量和逻辑值，如疾病诊断中病人体温，各种化验数据；或对症状有无描述，如疼与不疼（0/1） §1.4 模式识别系统的典型构成 （2）预处理 去除所获取信息中的噪声，增强有用的信息，及一切必要的使信息纯化的处理过程。 预处理这个环节内容很广泛，与要解决的具体问题有关，例如，从图象中将汽车车牌的号码识别出来，就需要先将车牌从图像中找出来，再对车牌进行划分，将每个数字分别划分开。做到这一步以后，才能对每个数字进行识别。以上工作都应该在预处理阶段完成。 （3）特征选择和提取 功能：对所获取的信息实现从测量空间到特征空间的转换。 将所获取的原始量测数据转换成能反映事物本质，并将其最有效分类的特征表示。 输入：原始的量测数据(经过必要的预处理)，例如由声波变换成的电信号，表现为电压电流幅度随时间的变化，二维图像每个像素所具有的灰度值等。 输出：将原始量测数据转换成有效方式表示的信息，从而使分类器能根据这些信息决定样本的类别。 §1.4 模式识别系统的典型构成 特征选择和提取:选择什么样的方法来描述事物，从而可以有效、牢靠地把事物正确地区分开。 如令是黑为“1”，是白为“0”，那么一个数字就可用35维的二进制向量表示。这就是典型的特征向量表示法。 另一种方法则是将数字用笔划表示，也就是将它分成一横加上一斜杠表示。这种表示方法属于结构表示法范畴。这种方法没有前一种方法的缺点，但提取这种结构信息也不是一件容易方便的事。 缺点：这种表示与网格的尺寸有关，与字的笔划粗细有关，更主要的是字在网格中的不同位置与转向有关。这个字在网格中略为偏一点，其特征向量表示就会有很大的不一样。这就说明了这种表示的稳定性差。 例：印刷体数字大多通过扫描仪输入，或从图像中获取。这样，一个数字往往用一个N×M的数组表示。如果N＝5，M＝7，则一个数字就用5×7共35个网格是黑是白来表示。 §1.4 模式识别系统的典型构成 （4）分类器设计与分类决策 分类器设计：将该特征空间划分成由各类占据的子空间，确定相应的决策分界和判决规则，使按此类判决规则分类时，错误率最低。把这些判决规则建成标准库。 分类决策：分类器在分界形式及其具体参数都确定后，用相应的决策分界对待分类样本进行分类决策的过程。 §1.4 模式识别系统的典型构成 1.5 模式识别系统实例 19名男女同学进行体检，测量了身高和体重，但事后发现其中有4人忘记填写性别，试问（在最小错误的条件下）这4人是男是女？体检数值如下： * * 待识别的模式：性别（男或女） 测量的特征：身高和体重 训练样本：15名已知性别的样本特征 模式识别系统实例（一） 目标：希望借助于训练样本的特征建立判别函数（即数学模型） 由训练样本得到的特征空间分布图： * * 从图中训练样本的分布情况，找出男、女两类特征各自的聚类特点，从而求取一个判别函数（直线或曲线）。 只要给出待分类的模式特征的数值，看它在特征平面上落在判别函数的哪一侧，就可以判别是男还是女了。 1.5 模式识别系统实例 * * 鱼类罐头加工厂：将传送带上的鱼按品种自动分类，即把不同的鱼分开。 鱼的分类：鲑鱼（salmon）, 鲈鱼（sea bass） 模式识别系统实例（二） 数据采集：用光学感知手段，定时拍摄鱼的数字图像，将其传入计算机。 预处理：增强图像中感兴趣的部分，抑制图像中的噪声，将不同的鱼、鱼与背景分离开来。 特征提取（feature extraction）： 待分对象鲑鱼和鲈鱼确实存在一些差异，比如长度、宽度、光泽和形状等。利用类别之间的这些差异来分类。 1.5 模式识别系统实例 * * 模式识别系统实例（二） 特征提取（feature extraction）： 待分对象鲑鱼和鲈鱼确实存在一些差异，比如长度、宽度、光泽和形状等。利用类别之间的这些差异来分类。 特征：从模式中提取的、对分类有用的特征。 特征选择是模式识别的核心问题之一。 分类判别（classification）——单一特征 先验知识：鲈鱼一般比鲑鱼长。因此可以选择长度为分类特征；长度l超过预定阈值l*时判定为鲈鱼，否则判定为鲑鱼。 如何获得长度阈值l*呢？（预定） 1.5 模式识别系统实例 *