圖像模式識別的方法介紹-免費閱讀
【正文】 神經(jīng)網(wǎng)絡(luò)是一種全新的模式識別技術(shù)，它具有以下幾個方面的特點:(1)神經(jīng)網(wǎng)絡(luò)具有分布式存儲信息的特點。一方面現(xiàn)有的廣為運用的統(tǒng)計模式識別方法與人腦進行模式識別相比，其差別還很大，另一方面待識別的客觀事物又往往具有不同程度的模糊性。高斯金字塔里有兩個概念：組（Octave）和層（Level或Interval），每組里有若干層。這是因為除了結(jié)構(gòu)上的差別之外，計算推導(dǎo)過程與NBC無異。半樸素貝葉斯分類模型對樸素貝葉斯分類模型的結(jié)構(gòu)進行了擴展，其目的是為了突破樸素貝葉斯分類模型特征屬性間獨立性假設(shè)限制，提高分類性能。這一階段是整個樸素貝葉斯分類中唯一需要人工完成的階段，其質(zhì)量對整個過程將有重要影響，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。為降低計算的開銷，可以做類條件獨立的樸素假定。即是說，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。 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，必須借助概率統(tǒng)計這一數(shù)學(xué)工具。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。在分類模式中，被訓(xùn)練好的分類器將輸入模式根據(jù)測量的特征分配到某個指定的類。統(tǒng)計模式識別的基本模型如圖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決策邊界的劃分，并采取了一定的學(xué)習(xí)機制以保證基于樣本的劃分是最優(yōu)的。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）。 對于較復(fù)雜的模式，如采用統(tǒng)計模式識別的方法，所面臨的一個困難就是特征提取的問題，它所要求的特征量十分巨大，要把某一個復(fù)雜模式準確分類很困難，從而很自然地就想到這樣的一種設(shè)計，即努力地把一個復(fù)雜模式分化為若干較簡單子模式的組合，而子模式又分為若干基元，通過對基元的識別，進而識別子模式，最終識別該復(fù)雜模式。 圖像模式識別的方法很多，從圖像模式識別提取的特征對象來看，圖像識別方法可分為以下幾種：基于形狀特征的識別技術(shù)、基于色彩特征的識別技術(shù)以及基于紋理特征的識別技術(shù)。正如英文句子由一些短語，短語又由單詞，單詞又由字母構(gòu)成一樣。句法分析根據(jù)文法推理所推斷的文法，判決有序字符串所描述的模式類別，得到判決結(jié)果。而分類主要對輸入的模式利用其特征和訓(xùn)練得來的決策函數(shù)而把模式劃分到相應(yīng)模式類中。統(tǒng)計模式識別組成如圖2所示。它是使用最為廣泛的方法，常用的有平均樣本法、平均距離法、最近鄰法和Ｋ－近鄰法。可以說，概率分類法的基石是貝葉斯決策理論。其最大的類Ci稱為最大后驗假定。給定樣本的類標號，假定屬性值相互條件獨立，即在屬性間，不存在依賴關(guān)系。
試題試卷相關(guān)推薦
鄂ICP備17016276號-1