1第一章 绪论（智能模式识别的应用）.ppt

* 第一章 绪论 1.8 课后作业 课后作业 　　 请温习概率相关知识（概率书或者附录内容） 　1）条件概率 2）全概率公式 3）贝叶斯（Bayes）公式 * * 1.6.3 相似性度量 同类物体之所以属于同一类，在于它们的某些属性相似，因此可选择适当的度量方法检测出它们之间的相似性。人们也正是依据物体之间的相似程度将它们分类的。 第一章 绪论 1.6 有关模式识别的若干问题 * 1.6.3 相似性度量 问题以及难点：物体之间的相似性具有定性与不确定的性质，有时相似性与不相似性很难用明确的定量表示。 而计算机却适合符号运算或数值计算。如果采用数值运算，则必须将赖以区别物体的相似性与不相似性用定量表示，这显然是非常困难的。如果采用符号运算来说明两个物体在什么方面相似与不相似，则往往也要从定量分析的基础得出定性的符号描述，这也正是许多实际模式识别问题的困难所在。 第一章 绪论 1.6 有关模式识别的若干问题 * 1.6.3 相似性度量 如果两个模式的特征仅有微小的差别，则称两个模式是相似的。 最简单和直观的分类方法是直接以各类训练样本点的集合所构成的区域表示各类决策区，并以点距离作为样本相似度量度的主要依据，即认为空间中两点距离越近，表示实际上两样本越相似。 第一章 绪论 1.6 有关模式识别的若干问题 * 1.6.3 相似性度量 测度函数 根据所研究模式的不同，应定义不同的测度函数来反映模式间的相似度。 第一章 绪论 1.6 有关模式识别的若干问题 * 1.6.3 相似性度量 （1）测度函数——距离函数 在特征空间中用特征向量描述样本的属性，就是把相似性度量用距度离量（距离函数）表示。 在找到合适的特征空间情况下，同类样本应具有聚类性，或紧致性好，而不同类别样本应在特征空间中显示出具有较大的距离。 统计模式识别各种方法实际上都是直接或间接以距离度量为基础的。 第一章 绪论 1.6 有关模式识别的若干问题 * （1）测度函数——距离函数 为使模式空间中的点X、Y、Z的距离能作为这些样本间的相似度的度量，除应预先进行各维量度的归一化以外，所选的距离函数还应满足以下条件： 第一章 绪论 1.6 有关模式识别的若干问题 * （1）测度函数——距离函数 根据不同的应用目的，提出许多种满足以上条件的距离函数。常见的几种有： 第一章 绪论 1.6 有关模式识别的若干问题 距离名称 Minkowsky距离 （即明氏距离） Manhattan距离 City block距离 （即街坊距离） 距离函数 * （1）测度函数——距离函数 根据不同的应用目的，提出许多种满足以上条件的距离函数。常见的几种有： 第一章 绪论 1.6 有关模式识别的若干问题 距离名称 Euclidean距离 （即欧氏距离） Mahalanobis距离 （马氏距离） Camberra距离 距离函数 * 欧氏距离 　　 最常用的距离度量是D维特征空间中的欧氏距离 　　 其中X,Y表示两个样本的特征向量。Xi、Yi则是相应的第i个分量。　　 第一章 绪论 1.6 有关模式识别的若干问题 * 欧氏距离（举例：图像分割的运用) 在医学序列图像进行三维重建过程中，当旋转时，观察视线会受到架子（为固定病人用）的阻碍。如图6中，白色光 体表示重建的目标器官，而两侧有很明显的架子显示。为保证体绘制显示的效果，保证手术的精确性，需要分割图像中架子。 第一章 绪论 1.6 有关模式识别的若干问题 图6 * 欧氏距离（举例：图像分割的运用) 运用欧氏距离，进行判断分类。整个样本取3×3，设 为样本相似性度， 为被分类的点的灰度值， 为8（被分类的点与相邻的点共八对），则： 若 ， 为分类度量，则 架子集，设定该点的值为背景值。 第一章 绪论 1.6 有关模式识别的若干问题 * 欧氏距离（举例：图像分割的运用） 第一章 绪论 1.6 有关模式识别的若干问题 原始CT图像 CT分割结果 * 欧氏距离（举例：图像分割的运用） 第一章 绪论 1.6 有关模式识别的若干问题 未去架子 去架子后 * 欧氏距离 一般说来，使用欧氏距离是最常用的，它表示两个向量的差向量的模。这种计算在衡量几何距离时最为合适，例如各城市之间的距离。 但在模式识别中特征向量的各个分量的含义往往是不同的，就像苹果的例子中，一个表示重