圖像模式識(shí)別的方法介紹-預(yù)覽頁(yè)
【正文】 識(shí)別后，利用句法分析就可以作出整個(gè)的模式識(shí)別。由預(yù)處理分割的模式，經(jīng)基元提取形成描述模式的基元串（即字符串）。為了得到于模式類相適應(yīng)的文法，類似于統(tǒng)計(jì)模式識(shí)別的訓(xùn)練過(guò)程，必須事先采集足夠多的訓(xùn)練模式樣本，經(jīng)基元提取，把相應(yīng)的文法推斷出來(lái)。統(tǒng)計(jì)模式識(shí)別的基本模型如圖2，該模型主要包括兩種操作模型：訓(xùn)練和分類，其中訓(xùn)練主要利用己有樣本完成對(duì)決策邊界的劃分，并采取了一定的學(xué)習(xí)機(jī)制以保證基于樣本的劃分是最優(yōu)的。統(tǒng)計(jì)模式識(shí)別系統(tǒng)可分為兩種運(yùn)行模式:訓(xùn)練和分類。在分類模式中，被訓(xùn)練好的分類器將輸入模式根據(jù)測(cè)量的特征分配到某個(gè)指定的類。幾何方法經(jīng)常直接從優(yōu)化一定的代價(jià)函數(shù)構(gòu)造決策界。大約有十余種作為相似性度量的距離函數(shù)，其中使用最廣泛的是歐氏距離。權(quán)系數(shù)可通過(guò)感知器算法或最小平方誤差算法來(lái)實(shí)現(xiàn)。 2 概率分類法 幾何分類法是以模式類幾何可分為前提條件的，在某些分類問(wèn)題中這種條件能得到滿足，但這種條件并不經(jīng)常能得到滿足，模式的分布常常不是幾何可分的，即在同一區(qū)域中可能出現(xiàn)不同的模式，這時(shí)，必須借助概率統(tǒng)計(jì)這一數(shù)學(xué)工具。為什么呢？因?yàn)楹谌酥蟹侵奕说谋嚷首罡撸?dāng)然人家也可能是美洲人或亞洲人，但在沒(méi)有其它可用信息下，我們會(huì)選擇條件概率最大的類別，這就是樸素貝葉斯的思想基礎(chǔ)。即是說(shuō)，樸素貝葉斯分類將未知的樣本分配給類Ci，當(dāng)且僅當(dāng) 這樣，最大化。并據(jù)此只對(duì)最大化。為降低計(jì)算的開(kāi)銷，可以做類條件獨(dú)立的樸素假定。（5）為對(duì)未知樣本X分類，對(duì)每個(gè)類Ci，計(jì)算。這一階段是整個(gè)樸素貝葉斯分類中唯一需要人工完成的階段，其質(zhì)量對(duì)整個(gè)過(guò)程將有重要影響，分類器的質(zhì)量很大程度上由特征屬性、特征屬性劃分及訓(xùn)練樣本質(zhì)量決定。 第三階段——應(yīng)用階段。半樸素貝葉斯分類模型對(duì)樸素貝葉斯分類模型的結(jié)構(gòu)進(jìn)行了擴(kuò)展，其目的是為了突破樸素貝葉斯分類模型特征屬性間獨(dú)立性假設(shè)限制，提高分類性能。邏輯上，SNBC中的組合屬性與NBC中的基本屬性沒(méi)有根本性差別，SNBC的各個(gè)組合屬性之間也是相對(duì)于類別屬性相互獨(dú)立的。這是因?yàn)槌私Y(jié)構(gòu)上的差別之外，計(jì)算推導(dǎo)過(guò)程與NBC無(wú)異。正如其名字所表達(dá)的，多分辨率理論與多種分辨率下的信號(hào)（或圖像）表示和分析有關(guān)。高斯金字塔里有兩個(gè)概念：組（Octave）和層（Level或Interval），每組里有若干層。每組對(duì)應(yīng)的平滑因子是一樣的，這樣反復(fù)形成了O組L層，組建成高斯金字塔。一方面現(xiàn)有的廣為運(yùn)用的統(tǒng)計(jì)模式識(shí)別方法與人腦進(jìn)行模式識(shí)別相比，其差別還很大，另一方面待識(shí)別的客觀事物又往往具有不同程度的模糊性。 應(yīng)用模糊方法進(jìn)行圖像識(shí)別的關(guān)鍵是確定某一類別的隸屬函數(shù)，而各類的統(tǒng)計(jì)指標(biāo)則要由樣本像元的灰度值和樣本像元的隸屬函數(shù)的值即隸屬度共同決定。神經(jīng)網(wǎng)絡(luò)是一種全新的模式識(shí)別技術(shù)，它具有以下幾個(gè)方面的特點(diǎn):(1)神經(jīng)網(wǎng)絡(luò)具有分布式存儲(chǔ)信息
試題試卷相關(guān)推薦
鄂ICP備17016276號(hào)-1