40年代電子計算機發(fā)明以后逐漸發(fā)展起來的-wenkub
2023-07-10 05:40:29 本頁面
【正文】 以又稱為句法模式識別。圖 23統(tǒng)計圖像識別系統(tǒng)結構圖圖中的上半部分是識別部分， 即對未知類別的圖像進行分類； 下半部分是分析部分，即由已知類別的訓練樣本求出判別函數(shù)及判別規(guī)則，進而用來對未知類別的圖像進行分類。 20 世紀 80 年代新興的人工神經(jīng)網(wǎng)絡，作以一種廣義的智能模式識別法，更以嶄新的姿態(tài)，以其全局相關的特色，在模式識別領域取得了許多傳統(tǒng)方法所難達到的成就，下面分別作以介紹：統(tǒng)計圖像識別：統(tǒng)計圖像識別是以概率理論為基礎的，模式用特征向量描述，找出決策函數(shù)進行模式?jīng)Q策分類。特征抽取就是從圖像中提取一組反映圖像特性的基本元素或數(shù)字值。一個圖像識別系統(tǒng)主要由三個環(huán)節(jié)組成： 圖像數(shù)據(jù)獲取， 數(shù)據(jù)加工和處理、 抽取特征，判斷分類等，如圖 22 所示。一般來說，一個圖像識別由圖像預處理、圖像特征提取和圖像模式分類三個主要部分組成。特別是由于科學技術水平的提高，使得各種不同的研究對象“圖像化”或“數(shù)字化” ，可采用某種技術把考察的對象轉(zhuǎn)換成圖片、波形圖以及若干數(shù)據(jù)，這些數(shù)據(jù)就可以代表所研究的對象。圖像識別，簡單地說，就是要把一種研究對象，根據(jù)其某些特征進行識別并分類。隨著數(shù)字圖像技術的發(fā)展和實際應用的需要，出現(xiàn)了另一類問題，就是不要求其結果輸出是一幅完整的圖像，而是將經(jīng)過圖像處理后的圖像，再經(jīng)過分割和描述提取有效的特征，進而加以判決分類，這就是近 20 年來發(fā)展起來的一門新興技術科學——圖像識別。當前的一種普遍看法是不存在對所有的模式識別問題都使用的單一模型和解決識別問題的單一技術，我們現(xiàn)在擁有的是一個工具袋，我們所要做的是結合具體問題把統(tǒng)計的和句法（結構）的識別方法結合起來，把統(tǒng)計模式識別或句法模式識別與人工智能中的啟發(fā)式搜索結合起來，把人工神經(jīng)元網(wǎng)絡與各種以有技術以及人工智能中的專家系統(tǒng)，不確定方法結合起來，深入掌握各種工具的效能和應用的可能性，互相取長補短，開創(chuàng)模式識別應用的新局面。模式識別問題指的是對一系列過程或事件的分類與描述，具有某些相類似的性質(zhì)的過程或事件就分為一類。 在更早的時候，已有用光學和機械手段實現(xiàn)模式識別的例子，如在 1929 年 GustavTauschek 就在德國獲得了光學字符識別專利。作為統(tǒng)計模式識別基礎的多元統(tǒng)計分析和鑒別分析也在電子計算機出現(xiàn)之前提出來了。目前模式識別問題一般可以應用以下 4 種方法進行分析處理：統(tǒng)計模式識別方法、句法模式識別、人工神經(jīng)網(wǎng)絡模式識別、模糊模式識別。圖像在人類的感知中扮演著非常重要的角色，人類隨時隨處都要接觸圖像。它以研究某些對象或過程的分類與描述為主要內(nèi)容，以研制能夠自動處理某些信息的機器視覺系統(tǒng)，代替?zhèn)鹘y(tǒng)的人工完成分類和辨識的任務為目的。例如要識別寫在卡片上的數(shù)字，判斷它是 0，1，2，…，9 中的哪個數(shù)字，就是將數(shù)字圖像分成 10 類的問題，因此可以認為，對數(shù)字圖像進行區(qū)別分類其實質(zhì)就是對圖像進行模式識別。但是對于模式識別來說，無論是數(shù)據(jù)、信號還是平面圖像或立體景物都是除掉它們的物理內(nèi)容而找出它們的共性，把具有同一共性的歸為一類，而具有另一種共性者歸為另一類。前期處理一般是指把圖像進行平滑、增強、恢復、邊緣檢測和分割等操作，其目的是把輸入圖像簡化為分段模式。圖 22 圖像識別系統(tǒng)框圖下面簡單對這幾個環(huán)節(jié)作以說明：數(shù)據(jù)獲取 來自現(xiàn)實的模擬數(shù)據(jù)，如圖片、照片、圖像和景物等由一個傳感器（如掃描儀、傳真機、數(shù)字攝像機、數(shù)碼相機）傳入，然后被轉(zhuǎn)換成適合計算機處理的形式，即將物理量變成一組測量值。特征選擇則是從已經(jīng)抽取的特征中選擇能夠更好地完成分類識別任務的特征來表示原圖像。其基本思想是：無論輸入的對象是什么，它都表示為一個數(shù)組。框圖右下角部分是自適應處理部分，當用訓練樣本根據(jù)某些規(guī)則求出一些判別規(guī)則后，再對這些訓練樣本逐個進行檢測，觀察是否有誤差。其基本思想是：一個復雜的模式可以由一個簡單的模式遞歸地描述。圖 24 句法模式識別系統(tǒng)結構圖模糊模式識別：模糊模式識別是模糊集理論在模式識別中的應用。模糊識別的主要方法有最大隸屬原則識別法、接近原則識別法和模糊聚類分析法。神經(jīng)網(wǎng)絡在圖像識別中的應用按處理數(shù)據(jù)類型大致可以分為兩類：一類是基于圖像像素數(shù)據(jù)的神經(jīng)網(wǎng)絡算法；另一類是基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡算法即特征空間的聚類識別算法。此類技術中，神經(jīng)網(wǎng)絡作為特征聚類器，有很多的神經(jīng)網(wǎng)絡別研究人員運用，如 BP 神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡、Hopfield 神經(jīng)網(wǎng)絡、RAM 自適應神經(jīng)網(wǎng)絡、SOFM 神經(jīng)網(wǎng)絡、細胞神經(jīng)網(wǎng)絡等。圖 26基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡圖像識別流程圖 第三章 各類算法的比較 基于模板匹配的模式識別分類算法 模板匹配的基本概念模板就是一幅已知的小圖像。搜索范圍是：1 ≤i ≤W –M 1 ≤j ≤H –N 通過比較T和Sij的相似性，完成模板匹配過程。顯然，用這種公式做圖像匹配計算量大、速度較慢。close all。)。[m n]=size(img)。endmask=imresize(mask,[H W])。imgn(HH+1:m+HH,WW+1:n+WW)=img。imgn(1:m+2*HH+1,1:WW)=imgn(1:m+2*HH+1,WW+1:2*WW)。 %最小平方差 endendfigure。首先建立識別對象的訓練集，其中每點的類別已知 ，根據(jù)這些條件，建立判別函數(shù)，通過現(xiàn)有的樣品估計判別函數(shù)中的參數(shù)，然后用此判別函數(shù)去對類
環(huán)評公示相關推薦
鄂ICP備17016276號-1