第十章 模板匹配与模式识别技术.ppt

第十章 模板匹配与模式识别技术 模式识别最基本的方法--模板匹配技术；其次入门性地介绍了统计模式识别、结构模式识别和人工神经网络分类的基本概念和原理。 §10.1 模板匹配 §10.2 模式识别方法 一.模式识别的基本定义 模式(pattern) ------ 存在于时间，空间中可观察 的事物，具有时间或空间分布的信息。 模式识别(Pattern Recognition) ------ 用计算机实现 人对各种事物或现象的分析,描述,判断,识别。 §10.1 模板匹配 模板匹配是一种最原始、最基本的模式识别方法。研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配的问题。 模板匹配定义： 当对象物的图案以图像的形式表现时，根据该图案与一幅图像的各部分的相似度判断其是否存在，并求得对象物在图像中位置的操作叫做模板匹配。 模板匹配的用途： (1)在几何变换中，检测变换的对应点； (2)多光谱或多时相图像间的几何配准（图像配准)； (3)在立体影像分析中提取左右影像间的对应关系； (4)运动物体的跟踪； (5)图像中对象物位置的检测等。 §10.1 模板匹配 一，模板匹配方法 1，基本思想： 设检测对象的模板为t(x，y)，令其中心与图像f(x，y)中的一点(i，j)重合，检测t(x，y)和图像重合部分之间的相似度，对图像中所有的点都进行这样的操作，根据相似度为最大或者超过某一阈值来确定对象物是否存在，并求得对象物所在的位置。 2，匹配尺度： §10.1 模板匹配 相似度：该值越大，表示匹配程度好。 §10.1 模板匹配 二，模板匹配方法的改进 1，高速模板匹配法 1）序贯相似性检测法SSDA法： (Sequential Similiarity DetectionAlgorithm) SSDA法用下式计算图像f(x，y)在点(u，v)的非相似度m(u,v)作为匹配尺度。式中(u，v)表示的不是模板中心坐标，而是它左上角坐标。模板的大小为 m×n。 §10.1 模板匹配 2）粗精检索结合方法： 首先进行粗检索，它不是让模板每次移动一个像素，而是每隔若干个像素把模板和图像重叠，并计算匹配的尺度，从而求出对象物大致存在的范围。然后，仅在这个范围内，让模板每隔一个像素移动一次，根据求出的匹配尺度确定对象物所在的位置。这样，整体上计算模板匹配的次数减少，计算时间缩短，匹配速度提高。但是用这种方法具有漏掉图像中最适当位置的危险性。 §10.2 模式识别方法简介 §10.2 模式识别方法简介 基于概率统计模型得到各类别的特征向量的分布，以取得分类的方法。 特征向量分布的获得是基于一个类别已知的训练样本集。 是一种监督分类的方法，分类器是概念驱动的。 §10.2 模式识别方法简介 基于模糊数学理论，利用隶属函数描述事物的 不确定性。 识别根据研究对象对于某模糊子集的隶属程度采用最大隶属原则识别法、择近原则识别法，模糊聚类分析法对模式进行识别。 §10.2 模式识别方法简介 该方法通过考虑识别对象的各部分之间的联系来达到识别分类的目的。 识别采用结构匹配的形式，通过计算一个匹配程度值（matching score）来评估一个未知的对象或未知对象某些部分与某种典型模式的关系如何。 当成功地制定出了一组可以描述对象部分之间关系的规则后，可以应用一种特殊的结构模式识别方法 – 句法模式识别，来检查一个模式基元的序列是否遵守某种规则，即句法规则或语法。 §10.2 模式识别方法简介 神经网络是受人脑组织的生理学启发而创立的。 由一系列互相联系的、相同的单元（神经元）组成。相互间的联系可以在不同的神经元之间传递增强或抑制信号。 增强或抑制是通过调整神经元相互间联系的权重系数来实现。 神经网络可以实现监督和非监督学习条件下的分类。 * * 模式识别的基本定义 模式(pattern) ------ 存在于时间，空间中可观察的事物，具有时间或空间分布的信息。 广义地说，存在于时间和空间中可观察的物体，如果我们可以区别它们是否相同或是否相似，都可以称之为模式。 模式所指的不是事物本身，而是从事物获得的信息，因此，模式往往表现为具有时间和空间分布的信息。 第十章 模板匹配与模式识别技术 模式的直观特性: 可观察性 可区分性 相似性 第十章 模板匹配与模式识别技术 模式识别(Pattern Recognition) ------ 用计算机实现人对各