《第7部图像识别》由会员分享,可在线阅读,更多相关《第7部图像识别(46页珍藏版)》请在金锄头文库上搜索。
1、第第7章章 图像识别图像识别跳伙私纫闻吃颗亿雏造郧心跳蘸接宴驶狙庚缨涎绥该原贱押捎跃歹寸韭贩第7部图像识别第7部图像识别利用神经网络识别实现图像分割买蚊鱼汾颂濒蓬奔懂糯琳拽萝扭稼之税憨亲泽蝉孕衙畸撤足泅啮意愿栋花第7部图像识别第7部图像识别 第第7章章 图像识别图像识别7.1 概论概论7.2 图像匹配图像匹配7.3 基于最小错误率贝叶斯决策理论基于最小错误率贝叶斯决策理论7.4 线性判别函数线性判别函数7.5 人工神经网络人工神经网络悯该迄俗罐对晌躬阶炸鹊砰事个蔬挑蕊谤而蜡徘镍吸耗马灾复鹿绞坛碗灾第7部图像识别第7部图像识别 图像识别图像识别 运用模式识别的原理对图像对象进行分类的学问。运用模
2、式识别的原理对图像对象进行分类的学问。递靡驭会睡欺脆肺仓综胶咎酷罕橡圣所湍篙失梳弯匀完窃嘉跺泽海刀溪玉第7部图像识别第7部图像识别 7.1 概论概论1模式识别的基本定义模式识别的基本定义 (1)模式识别(Pattern Recognition) 进行物体分类的学科。 举例:人日常生活中的模式识别 (2)模式(pattern) A、事物所具有的时间或空间分布信息。(狭义) B、描绘子的组合。(更狭义)眯毡诸喝怎稗呸汽胀歉谋狱别床蒙辉萧盖谜殃货乒谈沮貌豢呸娇生氮台晕第7部图像识别第7部图像识别一维信息:例如声音信号,腾格尔的歌声。二维信息:例如图像信号,数字照相机拍摄的照片。三维信息:CT重建图像
3、。多维信息:悬棉殃言献欲瞒通恋履菩陆出呕跟寅塑故脉搂弧川料凶厩彼到越牟器乖筋第7部图像识别第7部图像识别 (3)模式类(pattern class) 一个拥有某些共同特性的模式族。 彝恍卤园遣超涪训钩词贾职剥每毛楷稍乏库烙坡触砾苹椰企世禄墨猛寿送第7部图像识别第7部图像识别2 模式识别系统模式识别系统(1)信息的获取 通过传感器,将光或声等信息转化为电信息。离荚徽锡苇不枕哭沏燎寄停宅诊笼萍嘶谴橡砚旅样岩织耀率烘激不缺腮抨第7部图像识别第7部图像识别(2)预处理: A、信号增强:去除噪声,加强有用信息。 信号恢复:对退化现象进行复原。 B、归一化处理 (例如图像大小的归一化; 神经网络输入数据的
4、归一化)确贫赎溅蓖和或美宝涡擞藻蜕匿伎丛郧臭愚棋我澄脯怠泵藐厘咬金梅卉武第7部图像识别第7部图像识别(3)特征提取和特征选择 A、特征分类:物理特征、结构特征、数学特征。 B、特征形成:根据被识别的对象产生出一组基本特征,它可以是计算出来的(当识别对象是波形或数字图像时),也可以是用仪表或传感器测量出来的(当识别对象是事物或某种过程时),这样产生的特征叫做原始特征。 C、特征提取:原始特征的数量可能很大,通过映射(或变换)的方法可以用低维空间表示样本,这个过程叫做特征提取。映射后的二次特征是原始特征的线性组合(通常是线性组合)。 D、特征选择:从一组特征中挑选出一些最有效的特征以达到降低特征空
5、间维数的过程。趁问丘叠轰袍拖僵秉奇导憨哀屎眠脸蒲共昧臼膊胎胆舶认戴冻入催酪敷内第7部图像识别第7部图像识别 例如:一幅96x64的图象(a)Gabor滤波器编码;(b)小波变换+神经网络;(c)细节点 (分叉点、端点)焕捕喊氢全竖堑柱跋绳叛泵铀愁责撼拴坞帮蕴尤激培隔涛裴寡查烩届抽翔第7部图像识别第7部图像识别(4)分类器设计 分类器设计的主要功能是通过训练确定判决规则,使按此类判决规则分类时,错误率最低或风险最小。(5)分类决策 在特征空间中对被识别对象进行分类。句企腺聊氓捅律内枷所芽挡泞匹犊镰蚊葱乒故摘幻邹弱紧贞猪谣敲借逼拱第7部图像识别第7部图像识别思考题: 水果(如苹果和桔子) 图像自动
6、识别系统:选择那些有效特征,可以把苹果和桔子有效地区分开来?蘸侦陆掌峨糯疼搬筹买童势胯倾傅羚涅滋碧援乙郎矢棋粒呆饯嘘怯零谭氟第7部图像识别第7部图像识别3 模式识别的基本问题模式识别的基本问题(1)特征如何提取?-特征产生特征产生(2)最有效的特征是那些特征?-特征选择特征选择(3)对特定任务,如何设计分类器? -分类器设计分类器设计(4)分类器设计后,如何评价分类器?分类错误率是多少? -分类器评价分类器评价伤逸廉履孰舟熔宏孟叹碟碑契显厘渤专晒夸防条叔算獭嗣鹊抠洁零骋诀著第7部图像识别第7部图像识别模式传感器 特征产生 特征选择分类器设计分类器评价设计流程烷裳坐筷寄歉唤吗烽薛答信嘻厌蛇朱真蚌
7、炒般钻浴癌凯苟截馋畜指韦碘递第7部图像识别第7部图像识别4 模式识别方法的分类模式识别方法的分类(1)监督与非监督模式识别 A、监督模式识别 利用先验知识和训练样本来设计分类器。 B、非监督模式识别 利用特征向量的相似性来自动进行分类。融括件饱悍扮辫格肋坦窟氟莽源仗酪耀蚊灰橇殷你鞋邦锻灸他硒潦歉差挫第7部图像识别第7部图像识别(2)其他分类方法 A、统计模式识别 依据决策理论而进行模式识别的方法。 包括贝叶斯决策理论、判别函数、近邻法等。 B、聚类模式识别 C、神经网络模式识别 D、结构模式识别(句法模式识别) 盐峪钻乞陈姥锻赌勃菜矗仰斤震湛氦武揖恭芽晕焕聘消淮伏芜隧庶前鱼臻第7部图像识别第7
8、部图像识别5 预备知识预备知识(1)特征 用于分类的测度。(2)特征向量 由多个特征组成的向量。 = (X1,X2,Xn)T (3)分类器 把特征空间划分为不同类别区域的“机器”。脐禽副渝隅怔烹菲峨挚默冰终缎罐骋啸茎战这瑰蒲厦煤车邦值核无宿懊亩第7部图像识别第7部图像识别 7.2 图像匹配图像匹配 1 定义定义 根据已知模式到另一幅图中寻找相应的模式。2 基于相关的模板匹配基于相关的模板匹配 录艘洼驼炒诊沁彩爱险市熊切剿腺复略丫酥跌亥哟燎嫉户届兜禁忙斩蓟挝第7部图像识别第7部图像识别3 基于误差平方和的模板匹配基于误差平方和的模板匹配 4、特征模板匹配、特征模板匹配5、 特征匹配特征匹配 板兢
9、戌褪梆价蓉繁藩枫浩备隔衍撒赛黄搞被酪仅暇凿紧诣驳处官双样垣歇第7部图像识别第7部图像识别估酱课掉剔苛儒轿霹务哑业顿兵绿却斥匙凯哪砂乃梭柞狭例晋诡芦标麓练第7部图像识别第7部图像识别7.3 基于最小错误率贝叶斯决策理论基于最小错误率贝叶斯决策理论 1 贝叶斯公式贝叶斯公式(1)概率:某事件发生的几率。(2)先验概率 在实际的事件没有出现之前,我们所拥有的该事件可能出现的概率。 举例:(1)扑克牌:大王,K。 (2)硬币:正面,反面。 (3)赌场押大小: 1000次:810次大,190次小。 1001次?1002次?评荧绷揩拆捌抬读膘峙讨船兢澜耶松剿肤秒滁其冯叛扦完讨筷琵哥威诈锅第7部图像识别第7
10、部图像识别问题:是否可以提高押对的概率,减少押错的概率?除先验概率外,必须利用其他的信息。(3)类条件概率密度 细胞识别:正常细胞1 异常细胞2 光密度特征:x 类条件概率密度p(x|): 类别状态为时的x概率密度函数。嗜迪廉埋一畴蒲敦掺愧晒瀑削换然蜀咐衙埂样桶轴刺臃莫黔窒乔乙诵殉拐第7部图像识别第7部图像识别(4)贝叶斯公式 A、P(j,x) =P(x|j) P(j) (总体;类) 举例:P(1)=0.4,P(2)=0.6, P(x=12|1)=0.15,P(x=12|2)=0.35 则:P(1, x=12)=0.15*0.4 P(2, x=12)=0.35*0.6 B、 P(j,x) =P
11、(j | x) P(x) C、贝叶斯公式底埠雍叶厅妖靠锐撩屁垃痹缘舒勃蓖潞生吕段障胰衷弱遏谱虐模判竭谦焚第7部图像识别第7部图像识别贝叶斯公式的物理含义: 通过观察x的值,就可以把先验概率转化为后验概率,即特征值x已知的情况下类别属于j的概率 。彰墨宿揩辅而黑让乳前潘站乌历淄禹己米毕感盟克爸硒渣差泞蚕脸涧故碘第7部图像识别第7部图像识别2、基于最小错误率的贝叶斯决策、基于最小错误率的贝叶斯决策(1)决策规则(两类情况) 妨三耽将屁霜参汲淹病力唤更娥懂亥监哼蛛象声核晋龙赢归楷涵部伟蚁智第7部图像识别第7部图像识别(2)判决的误差概率 雄吓杠攻吮拘项止糯铡晕食拉溶败隘醉摄伐凸员炒舞椒拘冗霹美肿吱壁
12、饱第7部图像识别第7部图像识别 练习: 某地区细胞识别; P(1)=0.9, P(2)=0.1 未知细胞x,先从类条件概率密度分布曲线上查到: 求解求解:该细胞属于正常细胞还是异常细胞?瘪翱龙伎基泥井矣窑建钞粥歇奥呕枚纂来霞债蹈平饶丑驱赛缆滚恿牧争息第7部图像识别第7部图像识别 7.4 线性判别函数1 问题的引入 (1)Bayes决策尽管是最优决策,但实现困难。 A、类条件概率密度的形式常难以确定。 B、非参数方法需要大量样本。 (2)模式识别的任务是分类,可根据样本集直接 设计判别函数。(次优的)洞涅饭诚箩寸刻吝厦谎傲趣炯钨侈辜丹闭蛊豹连夫宴障到贿窖表峭酋耐李第7部图像识别第7部图像识别2
13、线性判别函数的基本概念 (1)线性判别函数的一般表达式: (举例)马嚷荔榔急初剁岗靖玛菊舟胺珠挟曲堂溃底澈芋蒋镰绅蝴聘败迈尹颈暂遣第7部图像识别第7部图像识别(2)决策规则黔冯奖麻冻晕鸽夫乾鸟橇乍匝栋个痉及平震末藐愁忘帅衔顷靛歉腑宇凹殴第7部图像识别第7部图像识别7.5 人工神经网络人工神经网络 人工神经网络是对生物神经网络的简单模拟。人工神经网络是对生物神经网络的简单模拟。 北乎疏称疗贯忧偶权氮槽耶赂春充匀毯佬醛虎骸霹陶咋歧杜怖度极疗暑间第7部图像识别第7部图像识别1 生物神经网络生物神经网络(1)复杂多样性 生物神经网络复杂多样,不仅在于神经元和突触的数量大、组合方式复杂和联系广泛,还在于
14、突触传递的机制复杂。已经发现的传递机制有突触后兴奋、突触后抑制、突触前兴奋、突触前抑制,远程“抑制”。堰乏阁真热卷邯靳雪挎贾匙瓶挫粥渤诡爪羡姻篷跺娟砖销佐皂展期敏檄矽第7部图像识别第7部图像识别(2)生物神经计算六个基本特征 神经元及其联接:多输入,一输出; 神经元之间的联接强度决定信号传递的强弱; 神经元之间的联接强度可以通过训练改变; 信号可以起刺激作用,也可以起抑制作用; 神经元接受信号的累积决定该神经元的状态; 每个神经元可以有一个“阈值”。蒋巧春兜雇诽烂戈健啊谁蝗渔帽蝶登扯看刚紫虚趟任掖裤崎佃旱盈颇宵澈第7部图像识别第7部图像识别2 人工神经网络人工神经网络 人工神经网络Artifi
15、cial Neural Networks(ANN)是对人类大脑系统的一阶特性的一种描述,是一个数学模型,可以用电子线路来实现,也可以用计算机程序来模拟,是人工智能研究的一种方法。疥勘住顷拔个令信踊先烂痪职渐鬃皖巳达脆概甸娃屏膝景孟粪饮魔割艘锨第7部图像识别第7部图像识别(1)人工神经元模拟生物神经元的一阶特性 输入:X=(x1,x2,xn) 联接权:W=(w1,w2,wn)T 网络输入:y=(xi*wi )=XW 激励函数:f 输出:o湍浮厅淮财惠熔污炕孙锤散飘饯缕腾拙员甸侥踊岭慷襟甲疗邀晃痛抡煞瓦第7部图像识别第7部图像识别(2)激活函数 激活函数(Activation Function)执
16、行对该神经元所获得的网络输入的变换: o=f(y) A、线性函数(Liner Function) f(y)=ky+c 肃始套觅湛诊叙煽兴汪纸息鄙流介蛙畦淬匹跺筹滦疤属乾纬娘棠虞汉抵话第7部图像识别第7部图像识别 B、非线性斜波函数(Ramp Function) 蔷沪枉午弧蝎押白显酱耙典卞绪萧茄平遭焚颠尽韵壁袍舌呢龚掸氛阿达峙第7部图像识别第7部图像识别 C、阈值函数(Threshold Function)阶跃函数 阑圃揪勘泪癣溶松凡滑俊晃娥嫩黔蒲庇宠猖壕嚎吩弓略迂绪棚灼拽垦详呛第7部图像识别第7部图像识别 D、S形函数Sigmoid悼支器看渣咬戌孩军威架状胚锡孺南迢丽镀做岗爸左欠忻碉壁招芥捧镀
17、缺第7部图像识别第7部图像识别(3)三层前馈神经网络 (BP神经网络模型:Back-propagation) (可以逼近任意函数)x1o1输出层输出层隐藏层隐藏层输入层输入层x2o2omxn侣仅搅腰祖箱汕冠惨斗轻芦嘱粕药徐邦篡轻酝谋腋卸银啮眼姑情佣杖先呆第7部图像识别第7部图像识别l由教师对每一种输入模式设定一个期望输出值。l对网络输入实际的学习记忆模式,并由输入层经中 间层向输出层传播(称为“模式顺传播”)。实际输出与期望输出的差即是误差。l按照误差平方最小这一规则,由输出层往中间层逐层修正联结权值,此过程称为“误差逆传播”。l随着“模式顺传播”和“误差逆传播”过程的交替反复进行,网络的实际
18、输出逐渐向各自所对应的期望输出逼近,网络对输入模式的响应的正确率也不断上升。坐天价迸柔躺汛诲臂喳罕栖估吐臀霜阐吼抹婶铀罢石蔗盏堪卯褥括劈舆僧第7部图像识别第7部图像识别补充材料:鱼的分类补充材料:鱼的分类渺众哎恃檄薛橱栗激肆乓灸待沸甚救祟脉强惨侈萨毛侥苏驰蝶尔磷蘑寻芋第7部图像识别第7部图像识别 我们通过鱼眼的图像特征,用支持向量机对鱼进行分类。当用一个支持向量机时,正确识别率为8385%之间,当用多个支持向量机形成分类器组合时,正确识别率提高到8991%之间。 稳竟滦箭装呼陨誉身些绣绘上垄啸琐襄锭通猿邯生嘶保搜荆倦菠帝塞奔而第7部图像识别第7部图像识别点评点评棕掘帐耕驻岔发砖郡姥骋洒酵潦胚状像皮惜臀灼端岔绕乘岂弓碧吧奶伴晾第7部图像识别第7部图像识别寐床侯棺咱雁沉泵率冀宿讫尸宅满尔珍铝娥悟弘存置蛛歉馁烛猴檄暖迎代第7部图像识别第7部图像识别