《数字图象处理12》由会员分享，可在线阅读，更多相关《数字图象处理12（144页珍藏版）》请在金锄头文库上搜索。
1、1Digital Image Processing 数字图像处理http:/E-MAIL:2第十二章第十二章 图像识别图像识别31 12 2.1 .1 概概 述述4数据数据 获取获取判决判决 分类分类待识待识 图像图像数据数据 处理处理结果结果 输出输出图图1 12 2.1 .1 图像识别系统框图图像识别系统框图图像识别系统5 统计法（统计法（Statistical ApproachStatistical Approach） 句法法（句法法（Syntactic ApproachSyntactic Approach） 模糊法（模糊法（Fuzzy ApproachFuzzy Approach） 识
2、别方法61 12 2.2 .2 统计图像识别统计图像识别 7统计模式表示 特征向量的第特征向量的第i i个分量就是模式的第个分量就是模式的第i i个特征的测量值个特征的测量值 模式的特征向量模式的特征向量8统计模式表示 图图1 12 2.2.2特征空间划分示意图特征空间划分示意图 9统计模式识别系统 图图1 12 2.3.3统计模式识别系统结构图统计模式识别系统结构图 10图像模式的特征 图像模式本身自然含有的图像模式本身自然含有的如图像的象素灰度级、目标的边缘轮廓及纹理区域等。如图像的象素灰度级、目标的边缘轮廓及纹理区域等。 通过某种测量或变换操作人工地得出的通过某种测量或变换操作人工地得出
3、的如图像象素灰度级分布的直方图，图像的各种变换（如傅里叶如图像象素灰度级分布的直方图，图像的各种变换（如傅里叶变换、余弦变换、沃什变换、哈达码变换等正交变换）系数特征变换、余弦变换、沃什变换、哈达码变换等正交变换）系数特征等等 图像模式的图像模式的特征特征是图像模式场明显可分的本原的特性或属性是图像模式场明显可分的本原的特性或属性11特征的分布状态 距离距离向量向量x x与特征集之间与特征集之间两向量之间两向量之间12特征的分布状态 距离距离类内距离类内距离类间距离类间距离 特征选择的准则特征选择的准则1 1：类内距离小，类间距离大：类内距离小，类间距离大13特征的分布状态 似然比似然比散度散
4、度条件概率条件概率条件概率条件概率14特征的分布状态 散度散度将两类互相将两类互相 区分的平均区分的平均 量度量度散度散度 特征选择的准则特征选择的准则2 2：最大散度最大散度 15特征的分布状态 熵熵 特征选择的准则特征选择的准则3 3：总总总总体体熵熵熵熵最小最小 第第i i类的概率密度类的概率密度类内异样性的总体熵类内异样性的总体熵向量的各分量统计独立向量的各分量统计独立第第i i类的总体熵类的总体熵16特征抽取 特征抽取就是对图像模式进行物理测量或变换，得到一组反映其特性特征抽取就是对图像模式进行物理测量或变换，得到一组反映其特性 的数字值。特征抽取方法与实际问题是紧密联系的的数字值。
5、特征抽取方法与实际问题是紧密联系的。 特征抽取有两种类型：一种是对识别对象的各个重要特性都有充特征抽取有两种类型：一种是对识别对象的各个重要特性都有充 分的理解，然后把这种特性转换为数字。与此相反，另一种并不需要充分的理解，然后把这种特性转换为数字。与此相反，另一种并不需要充 分了解识别对象的各个重要特性，而是根据某些原理进行特征抽取。分了解识别对象的各个重要特性，而是根据某些原理进行特征抽取。 要得到某类模式的足够的特征，那么来自该模式类的样本数就不要得到某类模式的足够的特征，那么来自该模式类的样本数就不 能太少。能太少。 特征抽取应对识别对象的各种特性加以考虑，但不等于说特征空特征抽取应对
6、识别对象的各种特性加以考虑，但不等于说特征空 间维数越高越好，识别精度并不随着特征数量的增多而提高。在地球资间维数越高越好，识别精度并不随着特征数量的增多而提高。在地球资 源卫星源卫星ERS-1ERS-1可以取得十二个波段的遥感数据，但从识别精度来看，三可以取得十二个波段的遥感数据，但从识别精度来看，三 个或四个波段的组合效果最好。个或四个波段的组合效果最好。17特征选择 特征选择特征选择是在特征抽取以后，从中挑选出有代表性的或有效是在特征抽取以后，从中挑选出有代表性的或有效的成份来，使得分类判决的问题能够更有效地进行。的成份来，使得分类判决的问题能够更有效地进行。 特征选择特征选择可以在前述
7、距离准则，最大散度准则或最小熵准则可以在前述距离准则，最大散度准则或最小熵准则的指导下进行。的指导下进行。 18特征选择 特征选择就是决定变换矩阵特征选择就是决定变换矩阵 A Amm mm（mm0为有助于收敛的校正系数，或称学习率学习率 J J 的梯度的梯度29线性分类器 奖惩算法奖惩算法令令30线性分类器 奖惩算法奖惩算法有有即即31ANN分类器 32ANN简介 生物神经元功能特性生物神经元功能特性33ANN简介 生物神经元功能特性生物神经元功能特性34ANN简介 细胞体：由细胞核、细胞质和细胞膜组成；轴突：即神经纤维，相当于细胞的输出电缆，其端部的神经未梢为信号输出端子，用于传出神经冲动；
8、树突：相当于输入端，接受来自四面八方的传入神经冲动；突触：细胞与细胞之间通过轴突和树突相互连接，接口就称为突触 。每个细胞有100010000个突触。突触有两种类型：兴奋型和抑制型膜电位：细胞膜内外之间的电位差，约20 100mv，膜外为正，膜内为负；结构可塑性：由于突触的信息传递性是可变的，随着神经冲动传递方式的变化，其传递作用可以增强，也可以减弱，即细胞之间的连接是 柔性的。生物神经元功能特性生物神经元功能特性35ANN简介 时空整合功能对不同时间通过同一突触传入的神经冲动有整合功能，对同一时间通过 不同突触传入的神经冲动有整合功能。兴奋与抑制状态兴奋当传入冲动的时空整合结果，使膜电位升高
9、，超过动作电位的 阈值（约40mv）时，细胞进入兴奋状态，产生神经冲动，由轴突输出；抑制当传入冲动的时空整合结果，使膜电位低于动作电位的阈值（ 约40mv）时，细胞进入抑制状态，无神经冲动输出。 生物神经元功能特性生物神经元功能特性36ANN简介 生物神经元功能特性生物神经元功能特性脉冲与电位转换突触界面有脉冲/电位信号转换功能。由轴突传递的电脉冲为等 幅、恒宽、编码的离散脉冲信号，而细胞膜电位变化为连续的电位 信号。在突触接口处进行“数/模”转换是通过神经介质以量子化学方 式实现的变换过程，即电脉冲神经化学物质膜电位突触延时和不应期不应期相邻两次冲动之间需要一个时间间隔，在此期间对激 励不响
10、应，不能传递神经冲动。 学习、遗忘和疲劳由于结构可塑性，突触的传递作用有增强、减弱、饱和，所以细 胞有学习、遗忘和疲劳效应。 37ANN简介 人工神经元模型人工神经元模型38ANN简介 非线性特性非线性特性39ANN简介 非线性特性非线性特性40ANN简介 非线性特性非线性特性41ANN简介 非线性特性非线性特性42ANN简介 人工神经网络人工神经网络人工神经网络（简称为ANN）由大量神经元互连而成，是现代神经科学研究成果的基础上提出来的，反映人脑功能的基本特性，但不是人脑真实写照，只是它的某种抽象、简化和模拟。 43ANN简介 ANNANN信息处理能力信息处理能力ANN的信息处理功能由下列因
11、素决定网络单元（人工神经元）的输入输出特性网络的拓朴结构连接权的大小（突触联系强度） 44ANN简介 ANNANN信息处理能力信息处理能力大规模并行分布信息处理（现行计算机只能串行离散符号处理）分布式信息存贮：信息存贮体现在神经元互连的分布上，并以并行分布式处理(现行计算机计算与存贮是相互独立的)高度的鲁棒性和容错性，善于联想、概括、类比和推广，任何局部损伤不会影响整体结果。很强的自学习能力，系统可在学习过程中不断完善，具有创新特点。具有集体运算能力。45ANN简介 ANNANN的学习的学习人工神经网络的学习模拟人脑的学习方法。人脑在学习过程中究竟哪些部分发生了变化，这是神经系统学习的实质问题
12、。人脑学习学说（两大流派）化学学说认为神经系统把学习后的结果记录在某些生物分子（如蛋白质、 核酸、神经递质）上，就象遗传信息记录在DNA上一样。突触修正学说认为学习过程中神经元之间的突触联系发生了变化。人工神经网 络按突触修正学说来模拟人脑的学习过程。46ANN简介 ANNANN的学习准则的学习准则误差修正型学习根据系统的期望输出与实际输出之间的误差作为连接权调整的参考， 最后减小这种误差。随机型学习结合随机过程、概率和能量的概念来调整网络的连接权，从而使网络 的能量达到最小。赫布型学习如果两个神经元同时兴奋，则它们之间的突触联系应该得以加强。竞争型学习是一种无教师学习。最简单的学习形式是“胜
13、者为王”。 47前向网络分类器 结构结构48前向网络分类器 工作过程工作过程隐节点隐节点i i的加权输入的加权输入隐节点隐节点i i的输出的输出输出节点输出节点j j的输出的输出输出节点输出节点j j的加权输入的加权输入49前向网络分类器 学习过程学习过程当输入向量为当输入向量为A Ak k时，期望的输出向量为时，期望的输出向量为C Ck k在模式识别中，期望输出向量实际上就是人工对输入模式的判识结果在模式识别中，期望输出向量实际上就是人工对输入模式的判识结果训练样本对训练样本对50前向网络分类器 学习过程学习过程全局代价函数全局代价函数单个样本对时的代价函数单个样本对时的代价函数输出节点一般
14、化误差输出节点一般化误差51前向网络分类器 学习过程学习过程隐节点一般化误差隐节点一般化误差52前向网络分类器 学习过程学习过程梯度下降规则梯度下降规则: : 调节现有连接权调节现有连接权w wij ij和和v vhihi减少代价函数减少代价函数E Ek k53前向网络分类器 学习过程学习过程54前向网络分类器 学习过程学习过程令令则则55前向网络分类器 学习算法学习算法56前向网络分类器 学习算法学习算法57前向网络分类器 学习算法学习算法5811.3 句法图像识别 59概 述 句法法句法法又称为又称为结构法结构法（Structural ApproachStructural Approach
15、） 结构法的识别过程不仅能够把模式分类，而且还可以描述结构法的识别过程不仅能够把模式分类，而且还可以描述模式的结构形态，而统计法只有模式分类的能力模式的结构形态，而统计法只有模式分类的能力 句法法特别适合用来解决图片识别（句法法特别适合用来解决图片识别（Picture RecognitionPicture Recognition）和景物分析（和景物分析（Scene AnalysisScene Analysis）问题问题 结构法以形式语言理论为基础结构法以形式语言理论为基础60基本思想基本思想一个复杂的模式可以由一些简单的模式递归地描述。一个复杂的模式可以由一些简单的模式递归地描述。换言之，对于
16、每个复杂的模式，可以用一些较简单的换言之，对于每个复杂的模式，可以用一些较简单的子模式来描述，而每一个比较简单的子模式再用一些子模式来描述，而每一个比较简单的子模式再用一些更为简单的子模式来描述，更为简单的子模式来描述，最后用一些最简单的，最后用一些最简单的识别起来比模式本身容易得多的称为模式基元（识别起来比模式本身容易得多的称为模式基元（Pattern PrimitivePattern Primitive）的子模式来表示的子模式来表示 61基本思想基本思想图12.9 图片P图12.10 图片P的多级结 构描述62基本思想基本思想图12.11 英文句子的导出树图12.10 图片P的多级结 构描述63基本思想基本思想 自然语言自然语言：单词由语法规则连接起
