模板匹配与模式识别.pptx

1;1 基本概念：模式 模式识别;模式识别的研究目的：利用计算机对物理对象进行分类，在错误概率最小的条件下，使识别的结果尽量与客观物体相符合。 如下所表示： Y = F(X) X的定义域取自特征集 Y的值域为类别的标号集 F是模式识别的判别方法;模式识别简史 1929年发明阅读机,能够阅读0-9的数字。 30年代Fisher提出统计分类理论,奠定了统计模式识别的基础。 50年代傅京荪提出句法结构模式识别。 60年代提出了模糊集理论，模糊模式识别方法得以发展和应用。 80年代以Hopfield网、BP网为代表的神经网络模型导致人工神经元网络复活，并在模式识别得到较广泛的应用。 90年代小样本学习理论，支持向量机也受到了很大的重视。;模式识别系统的目标：在特征空间和解释空间之间找到一种映射关系，这种映射也称之为假说。 特征空间：从模式得到的对分类有用的度量、属性或基元构成的空间。 解释空间： 模式识别的依据是相似性 可以识别从未见过的事物；可以识别变形的事物；根据事物的特征来识别它 识别时抓住分类的主要特征，而忽略其他细节差异（只考虑相似不考虑相同）;模式识别的基本过程：学习、分类 （1）学习过程 读取样本特征 建立分类规则 进行分类检验 （2）分类过程 读取事物信息 选取特征 按规则分类 对分类结果进行评估;2 模板匹配;模板匹配过程： 建立模板：对每个类别建立一个或多个模版， 模板比较：输入样本和数据库中每个类别的模版进行比较，判断是否有相似的对象 模板匹配的用途： 几何变换中检测图象和地图之间对应点； 不同光谱或者不同摄影时间所得的图象之间的位置配准； 运动物体的跟踪； 图象中对象物位置的检测;模板匹配方法;非相似度 计算的是模板与图象重合部分的非相似度，该值越小，则匹配程度越好。;相似度： 计算的是模板与图象重合部分的相似度，该值越大，表示匹配程度越好;模板匹配算法的改进; 如果图像和模板在(u,v)处有和模板一致的图案时，则m(u,v)的值很小，相反则较大。特别是模板和图像重叠部分完全不一致的情况下，和就不断的增大。 当差的绝对???部分和超过某一个阈值的时就认为在该位置不存在于模板一致的图案，从而转移到下一个位置。 还有一种方法：粗检索和细检索两个阶段。 模板一次移动若干个像素，计算匹配尺度，先求出大致的范围。然后在大致范围内，在每次移动一个像素，求出匹配尺度，确定对象所在位置。;模板的要求： 检测对象大小和方向未知的情况下进行模板匹配，需要具备各式各样大小和方向的模板，从而确定对象及其未知。 对象形状复杂时，需要把对象分割成几个分图案，把分图案作为模板进行匹配，然后研究分图案之间的位置关系，从而获得图像中对象的位置。 模版匹配： ?? 优点：直接、简单（早期非智能化方法） ?? 缺点：适应性差（可采用形变模版）;3 统计模式识别;特征处理：特征提取和特征选择 首先对识别对象的性质进行测量；利用测量值作为分类的特征。 特征选择：;特征选择的方法： 穷举法：从m个测量值里面选取n个特征，然后对每一种选法利用已经知道类别属性的样本进行试分类，获得其正确率，分类误差最小的一组特征便是最好的选择。 最大最小类对距离法： 基本思想 ：从K个类别中选取最难分离的一对类别，然后选择不同的特征子集，计算这一类别的可分性，具有最大可分性的特征子集就是该方法所选择的最佳特征子集。 这种方法不改变原始观测值的物理意义。;特征变换 就是将m个测量值的集合通过某种变换，产生n个特征用于分类。 分两种情况：从减少原始特征之间相关性和浓缩性信息量的角度出发。 另一种方法就是根据观测量所反映的物理现象与待分类别之间的关系的认识，通过数学运算产生一组新的特征值，使得待分类之间的差异在改组特征值里面更加明显。;统计分类法;第19页/共62页;常用的判别函数 距离判别函数 线性判别函数 该方法一般将m类问题分解成m-1个两类识别的问题。先把特征空间分为一类和其它类。线性判别函数的系数通过样本试验确定。 统计决策理论;最大似然法;如在一维数特征空间场合，如下图T把特征空间分成两个区域，产生的误分类概率为：;使用最大似然法，需要预先求出;第24页/共62页;非监督分类 无法获得先验知识的情况下根据模式之间的相似度进行分类。将相似性强的模式归为同一类别，该方法又称为聚类分析其中k均值聚类就是一种非监督分类的方法。;例：统计模式识别;实例：统计模式识别;实例：统计模式识别;实例：统计模式识别;句子的层状结构;自然句法规则用语模式识别：; 结构模式识别以形式语言为基础，将一个复杂的模式分解