40年代電子計(jì)算機(jī)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(shí)別。圖 23統(tǒng)計(jì)圖像識(shí)別系統(tǒng)結(jié)構(gòu)圖圖中的上半部分是識(shí)別部分， 即對(duì)未知類別的圖像進(jìn)行分類； 下半部分是分析部分，即由已知類別的訓(xùn)練樣本求出判別函數(shù)及判別規(guī)則，進(jìn)而用來對(duì)未知類別的圖像進(jìn)行分類。 20 世紀(jì) 80 年代新興的人工神經(jīng)網(wǎng)絡(luò)，作以一種廣義的智能模式識(shí)別法，更以嶄新的姿態(tài)，以其全局相關(guān)的特色，在模式識(shí)別領(lǐng)域取得了許多傳統(tǒng)方法所難達(dá)到的成就，下面分別作以介紹：統(tǒng)計(jì)圖像識(shí)別：統(tǒng)計(jì)圖像識(shí)別是以概率理論為基礎(chǔ)的，模式用特征向量描述，找出決策函數(shù)進(jìn)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(gè)圖像識(shí)別系統(tǒng)主要由三個(gè)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(gè)圖像識(shí)別由圖像預(yù)處理、圖像特征提取和圖像模式分類三個(gè)主要部分組成。特別是由于科學(xué)技術(shù)水平的提高，使得各種不同的研究對(duì)象“圖像化”或“數(shù)字化” ，可采用某種技術(shù)把考察的對(duì)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(duì)象。圖像識(shí)別，簡單地說，就是要把一種研究對(duì)象，根據(jù)其某些特征進(jìn)行識(shí)別并分類。隨著數(shù)字圖像技術(shù)的發(fā)展和實(shí)際應(yīng)用的需要，出現(xiàn)了另一類問題，就是不要求其結(jié)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(jìn)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(shù)科學(xué)——圖像識(shí)別。當(dāng)前的一種普遍看法是不存在對(duì)所有的模式識(shí)別問題都使用的單一模型和解決識(shí)別問題的單一技術(shù)，我們現(xiàn)在擁有的是一個(gè)工具袋，我們所要做的是結(jié)合具體問題把統(tǒng)計(jì)的和句法（結(jié)構(gòu)）的識(shí)別方法結(jié)合起來，把統(tǒng)計(jì)模式識(shí)別或句法模式識(shí)別與人工智能中的啟發(fā)式搜索結(jié)合起來，把人工神經(jīng)元網(wǎng)絡(luò)與各種以有技術(shù)以及人工智能中的專家系統(tǒng)，不確定方法結(jié)合起來，深入掌握各種工具的效能和應(yīng)用的可能性，互相取長補(bǔ)短，開創(chuàng)模式識(shí)別應(yīng)用的新局面。模式識(shí)別問題指的是對(duì)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(shí)候，已有用光學(xué)和機(jī)械手段實(shí)現(xiàn)模式識(shí)別的例子，如在 1929 年 GustavTauschek 就在德國獲得了光學(xué)字符識(shí)別專利。作為統(tǒng)計(jì)模式識(shí)別基礎(chǔ)的多元統(tǒng)計(jì)分析和鑒別分析也在電子計(jì)算機(jī)出現(xiàn)之前提出來了。目前模式識(shí)別問題一般可以應(yīng)用以下 4 種方法進(jìn)行分析處理：統(tǒng)計(jì)模式識(shí)別方法、句法模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別、模糊模式識(shí)別。圖像在人類的感知中扮演著非常重要的角色，人類隨時(shí)隨處都要接觸圖像。它以研究某些對(duì)象或過程的分類與描述為主要內(nèi)容，以研制能夠自動(dòng)處理某些信息的機(jī)器視覺系統(tǒng)，代替?zhèn)鹘y(tǒng)的人工完成分類和辨識(shí)的任務(wù)為目的。例如要識(shí)別寫在卡片上的數(shù)字，判斷它是 0，1，2，…，9 中的哪個(gè)數(shù)字，就是將數(shù)字圖像分成 10 類的問題，因此可以認(rèn)為，對(duì)數(shù)字圖像進(jìn)行區(qū)別分類其實(shí)質(zhì)就是對(duì)圖像進(jìn)行模式識(shí)別。但是對(duì)于模式識(shí)別來說，無論是數(shù)據(jù)、信號(hào)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(jìn)行平滑、增強(qiáng)、恢復(fù)、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(shí)別系統(tǒng)框圖下面簡單對(duì)這幾個(gè)環(huán)節(jié)作以說明：數(shù)據(jù)獲取 來自現(xiàn)實(shí)的模擬數(shù)據(jù)，如圖片、照片、圖像和景物等由一個(gè)傳感器（如掃描儀、傳真機(jī)、數(shù)字?jǐn)z像機(jī)、數(shù)碼相機(jī)）傳入，然后被轉(zhuǎn)換成適合計(jì)算機(jī)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(shí)別任務(wù)的特征來表示原圖像。其基本思想是：無論輸入的對(duì)象是什么，它都表示為一個(gè)數(shù)組?？驁D右下角部分是自適應(yīng)處理部分，當(dāng)用訓(xùn)練樣本根據(jù)某些規(guī)則求出一些判別規(guī)則后，再對(duì)這些訓(xùn)練樣本逐個(gè)進(jìn)行檢測，觀察是否有誤差。其基本思想是：一個(gè)復(fù)雜的模式可以由一個(gè)簡單的模式遞歸地描述。圖 24 句法模式識(shí)別系統(tǒng)結(jié)構(gòu)圖模糊模式識(shí)別：模糊模式識(shí)別是模糊集理論在模式識(shí)別中的應(yīng)用。模糊識(shí)別的主要方法有最大隸屬原則識(shí)別法、接近原則識(shí)別法和模糊聚類分析法。神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)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?cái)?shù)據(jù)的神經(jīng)網(wǎng)絡(luò)算法；另一類是基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)算法即特征空間的聚類識(shí)別算法。此類技術(shù)中，神經(jīng)網(wǎng)絡(luò)作為特征聚類器，有很多的神經(jīng)網(wǎng)絡(luò)別研究人員運(yùn)用，如 BP 神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、Hopfield 神經(jīng)網(wǎng)絡(luò)、RAM 自適應(yīng)神經(jīng)網(wǎng)絡(luò)、SOFM 神經(jīng)網(wǎng)絡(luò)、細(xì)胞神經(jīng)網(wǎng)絡(luò)等。圖 26基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)圖像識(shí)別流程圖 第三章 各類算法的比較 基于模板匹配的模式識(shí)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(jì)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(shí)別對(duì)象的訓(xùn)練集，其中每點(diǎn)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(jì)判別函數(shù)中的參數(shù)，然后用此判別函數(shù)去對(duì)類
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1