《模式识别及其在图像处理中的应用》由会员分享,可在线阅读,更多相关《模式识别及其在图像处理中的应用(9页珍藏版)》请在金锄头文库上搜索。
1、收稿日期: !“# $“% $“2 824? ;5 ?21D45 1; 234 1:B4 9?8=4DD1;B 1;A=?4D1;B7FG -34 ?4 4H2?=218; ;5 234 :1; :42385D 854 D221D21=7 54=1AD18;C D2?=2?7 :42385C :?1I45G -34 D998?2 64=28? ;5 K18;1= 9224?; ?4=8B;1218; E31=3?4 234 ;4E 5464789:4;2D 8DD45G)*+ ,-%.#( 9224?; ?4=8B;1218;L 1:B4 9?8=4DD1;BL ?4 4H2?=A218;L
2、?4=8B;1218; :42385D, , 模式识别诞生于 !“ 世纪 !“ 年代, 随着计算机的出现和人工智能的发展, 模式识别在 “ 年代初迅速发展成一门学科。它所研究的理论和方法在很多学科和领域中得到广泛的重视, 推动了人工智能系统的发展, 扩大了计算机应用的可能性。图像处理就是模式识别方法的一个重要领域, 目前广泛应用的文字识别 (MNO) 就是模式识别在图像处理中的一个典型应用。%, 模式识别的基本框架% P(模式识别在不同的文献中给出的定义不同。一般认为, 模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息, 模式所属的类别或同一类中模式的总体称为模式类, 其中个别具
3、体的模式往往称为样本。模式识别就是研究通过计算机自动地 (或者人为进行少量干预) 将待识别的模式分配到各个模式类中的技术。模式识别的基本框架如图 % 所示。图 %, 模式识别的基本框架 根据有无标准样本, 模式识别可分为监督识别方法和非监督识别方法。监督识别方法是在已知训练样本所属类别的条件下设计分类器, 通过该分类器对待识样本进行识别的方法。如图 %, 标准样本集中的样本经过预处理、 选择与提取特征后设计分类器, 分类器的性能与样本集的大小、 分布等有关。待检样本经过预处理、 选择与提取特征后进入分类器, 得到分类结果或识别结果。非监督模式识别方法是在没有样本所属类别信息的情况下直接根据某种
4、规则进行分类决策。应用于图像处理中的模式识别方法大多为有监督模式识别法, 例如人脸检测、 车牌识别等。无监督的模式识别方法主要用于图像分割、 图像压缩、 遥感图像的识别等。模式识别过程可以看作从样本空间到类别空间的一个映射过程。如果把一个具有 ! 个特征作为参量的 ! 维特征空间划分为不同的区域, 那么每个区域与一类模式类相对应。其中, 特征选择与提取是模式识别的一个重要环节, 如果所选取的特征能够比较全面反映类的本质特征, 那么分类器就比较容易设计; 否则, 分类器设计的难度就增加。因此特征选择和提取是模式识别研究的一项重要内容。!, 特征提取和特征选择% P!原始样本往往处于一个高维空间,
5、 特征提取指的是通过映射的方法用低维空间来表示样本的过程。特征提取后样本的可分性应该更好, 分类器更易设计。常用的方法有主元分析法(.N/) 、 线性判别分析、 核函数主元分析 (Q4?;47 .N/) 、 独立主元分析法 (RN/) 、 自组织映射 (SMT) 方法等。文献 ! 对上述方法的性质进行了详细的比较, 并指出各种方法适合解决的问题。特征提取在图像处理 (例如图像分割、 图像识别、 图像检索等)中得到了广泛的应用, 文献 + 采用 Q4?;47 .N/ 方法进行人脸识别, 结果表明比直接的特征脸方法获得更小的错识率。在人脸识别或人脸认证中, 文献 * P% 采用了 UN- 变换降低
6、原始特征的维数后进一步利用 UN- 变换的一些系数作为特征向量+!测控技术 !“# 年第 !( 卷第 712-,/6 :1=1.-,/6 :1=1.-?A 早在 $0 世纪 *0 年代开始研究有限样本情况下的机器学习问题, 直至 )0年代才形成一个较完善的理论体系 统计学习理论。该理论0“测控技术 $00; 年第 $“ 卷第 ( 期定义了衡量函数集性能的指标 !“ 维#$, !“ 维越大, 函数的推广能力越差, !“ 维越小, 函数的推广能力越强。在该理论的框架下, 经验风险最小化原则下学习机器的实际风险由两部分组成! (“)“ !#$%(“) 问题, 这个问题存在惟一解, 避免了神经网络训练
7、结果不稳定、 容易陷入局部极小的问题, 因而 %! 方法是一种比较好的模式识别方法。%! 最初用来解决两类问题, 表现出优越的性能, 一个很自然的想法就是将其推广到多类识别问题。多类 %! 的分类和识别主要有两种方法, 一是根据多类样本集直接设计分类器,此时分类器的设计问题可转化为一个考虑所有样本的优化问题。在样本比较多时, 这种方法求解比较复杂; 另一种是分解法, 将多类样本分类器的设计转化为多个两类问题的分类器设计问题, 由于这类方法比直接法求解简单, 在实际中应用很广。比较有代表性的训练和预测多类 %! 的方法有一对一 -/2() 428) 、 一对多 -/2() -.) 和有向无回路图
8、?= (A/*8,)8A -,B,./, *-69) 方法和决策树 (A8,/(/78 )*88) 方 法CD等。%! 的优越性能引起人们极大的研究兴趣, 它被越来越多的图像处理研究者和工作者所应用。文献 CEF CC 、CG FHE 介绍了 %! 的应用情况。由于 %! 的范化能力比较 好, 因而常常获得比其他方法更好的识别效果。 HI #5 仿生模式识别HJ FHC前面介绍的各种模式识别方法都是假定分类信息是完全包 含在训练样本内, 以两类或多类样本的最优划分为基础, 分类器的训练过程实际上可以看作对样本的划分过程。文献 HC 提 出把模式识别问题看成是模式的 “认识” , 而不是分类划分
9、, 不是模式分类; 是一类一类样本的 “认识” , 而不是多类样本的划 分。为了强调与传统模式识别在概念上的不同, 文献 HJ 中采用 “仿生模式识别” 这一概念,“仿生” 的含义只是在模式识别的 功能和数学模型上强调了 “认识” 的概念, 更接近于人类的认识。 传统模式识别从特征空间中不同类样本的划分出发设计分类器。而仿生模式识别就在引入特征空间同类样本的连续性规律, 对一类事物的 “认识” , 实际上是对这类事物的全体在特征 空间中形成的无穷点集合的 “形状” 的分析和认识, 文中根据这种规律性建立起 “多维空间中非超球复杂几何形体覆盖” 的识 别原理。文献 H# 根据这一思想, 采用神经
10、网络覆盖的方法训练样本, 对 $ 种实物模型进行训练与识别, 取得了比较好的识别 效果, 全部识别样本没有一次误识。文献 HC 基于仿生模式识别的多镜头人脸身份确认系统研究中, 采用多权值神经网络算 法, 同样得到比较好的识别率。这种高的识别率显示了这一思想在模式识别方面的潜力。 仿生模式识别提出了一种新的模式识别思想, 为模式识别的研究开辟了一个崭新的研究方向。文献 HJ F HC 采用神经网络覆盖来实现该思想, 不可避免地遇到训练速度慢、 网络结构 参数、 节点个数选择等选择问题, 因此这种思想的实现模型有待于进一步的研究。 以上的各种模式识别方法都有其特点和适用范围。研究表明, 不同的分
11、类器错误率所覆盖的范围不同, 多个分类器之间既 存在一定的冗余性, 同时也存在一定的信息互补性。多个分类器联合应用, 可以提高正确识别率。文献 HH 对多种分类器联 合的最终决策的多种方法进行了分析和比较, 并且给出了各种决策方法的适用条件。文献 HD 采用了 K 个分类器, 用模式识 别中常用的不同数据集对每一个分类器单独做实验, 然后根据各自的结果对分类器进行组合决策, 从中选出效果最优的组合作为最终分类器的组合, 结果表明这种识别效果比较理想。当 然, 这种方法提高识别率的同时, 牺牲了一部分计算代价。模式 识别发展到今天, 已经提出了 #EE 多种HG分类和识别方法, 如何进行已有分类
12、器的组合, 解决具体的模式识别问题也是一个值得注意的问题。D5 展望随着计算机和人工智能技术的发展, 人们对计算机图像处JC模式识别及其在图像处理中的应用理中自动处理图像的要求越来越高, 因此对模式识别技术提出更高的要求。到目前为止, 虽然模式识别在图像处理中的应用取得了一些可喜的成就, 但是它还存在一系列亟待解决问题, 例如支撑向量机中核函数的选择问题、 !“ 维的计算和估计问题,神经网络节点选择和结构设计问题、 仿生模式识别新思想的建模和实现问题、 多种方法综合运用中的分类器选择问题等, 这些问题的解决将直接推动模式识别领域的发展, 进而推动其在图像处理领域的应用。同时, 模式识别是一门综
13、合性学科, 它涉及和利用到数学、计算机科学等多学科的知识, 如何将这些学科的新方法新成就综合应用到模式识别中, 提出更加符合人类认识的识别方法也是进一步值得研究的问题。参考文献: # $ 边肇祺, 张学工, 等% 模式识别 (第二版)+-7,:+? +7756- 65:3 +:7,3- 3- +7756- +-+?G, +-H I+:;,-5 ,-75?, 65:33- DF, #NLJ, ( (O) : ONL )L% J $ 沈清, 汤森% 模式识别导论 DEEE D-756-+7,3-+? “3-A X565-:53- .173I+7,: V+:5+-H Z57165 25:3+, %
14、V+:5 65:3,1I3- “,6:1,7 +-H =G75I, ( )(Q: K(Q )K(P% # $ =+-H563- “, 8+?,C+? / /% V+7 X5+7165 576+:7,3- I57;3H X36 63417 X+:5 B56,X,:+7,3- * % E?5:763-,: M57756, (, KP (Q) % # $ !,B,-H 015 F6,56, .-,? /% *+,-, F36X,- F+7% V5+7165 576+:7,3- I57;A 3H X36 :;+6+:756 65:316B5G * % 8+7756- 25:37 “ 3H X36 X5
15、+7165 5A 76+:7,3- 4+5H 3- X6+:7+? 45;+B,36 * % 8+7756- 25:37A-5,75I, 5,6 +?,:+7,3- ,- ,I+,3- * % DEEE F6+-+:7,3- 3- DIA +,-,- X63I 7;5 B+A 6,+-:5 3X I5I456;, B+?15 . % DEEE “3I1756 =3:,57G “3-X565-:5 3- “3I1756 !,3- +-H 8+7756- 25:35H ;+-HA C6,775- :;+6+:756 65:3,- 2 .% . :3I+6,3- 3X -516+? +-H 7+7,
16、7,:+? 75:;A-,_15 ,- 34T5:7 65:375I, 37 5 X,?756 +-H +67,X,:,+? -516+? -57C36W 73 ,I+5 3- “3I17+7,3-+? D-75?,5 3X 7;5 DEEE #NNJ U+7,3-+? .563+:5 +-H E?5:763-,: “3-X565-:5, #NNJ )(: LN# )LNJ% J $25HH,:W 9 E, Z?+ * , “33W E U, 57 +?% .173I+75H 5,X,:+7,3- 3X I1?7,5:76+? I+3-+-:5 ,I+ 3X 46+,- 1,- * % DEEE F6+-