圖像模式識別的方法介紹(存儲版)
【正文】 第二階段——分類器訓(xùn)練階段，這個階段的任務(wù)就是生成分類器，主要工作是計算每個類別在訓(xùn)練樣本中的出現(xiàn)頻率及每個特征屬性劃分對每個類別的條件概率估計，并將結(jié)果記錄。目前半樸素貝葉斯分類模型學(xué)習(xí)的關(guān)鍵是如何有效組合特片屬性。半樸素貝葉斯分類結(jié)構(gòu)示意圖圖像金字塔是以多分辨率來解釋圖像的一種結(jié)構(gòu)。高斯金字塔的構(gòu)造是這樣的，第一組的第一層為原圖像，然后將圖像做一次高斯平滑（高斯卷積、高斯模糊），高斯平滑里有一個參數(shù)σ，然后將σ乘一個比例系數(shù)k作為新的平滑因子來平滑第一組第二層得到第三層。 不少學(xué)者試圖運用模糊數(shù)學(xué)的方法來解決模式識別問題，形成一個專門的研究領(lǐng)域模糊模式識別(Fuzzy Pattern Recognition)。(2)神經(jīng)元能夠獨立運算和處理收到的信息，即系統(tǒng)能夠并行處理輸入的信息。該網(wǎng)絡(luò)通過一定的機(jī)制，能夠模仿人的神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。 模式識別是一門邊緣學(xué)科，它和許多技術(shù)學(xué)科有著密切的聯(lián)系，它本身就是人工智能的重要組成部分，因此，從本質(zhì)上來說，模式識別所要討論的核心問題，就是如何使機(jī)器能模擬人腦的思維方法，來對客觀事物進(jìn)行有效的識別和分類。它的一個很大的好處是，自下而上每一層的像素數(shù)都不斷減少，這會大大減少計算量；而缺點是自下而上金字塔的量化變得越來越粗糙，而且速度很快。但從名稱可以看出，SNBC依然屬于樸素貝葉斯分類的范疇。半樸素貝葉斯分類模型(SNBC)為了突破樸素貝葉斯分類器的獨立性假設(shè)條件的限制，除了上述“提升”等方法之外，還可以通過改變其結(jié)構(gòu)假設(shè)的方式來達(dá)到目的，為此有人提出了半樸素貝葉斯分類(SNBG SemiNaive Bayesian classifier)的構(gòu)想。這一階段的輸入是所有待分類數(shù)據(jù)，輸出是特征屬性和訓(xùn)練樣本。（4）給定具有許多屬性的數(shù)據(jù)集，計算的開銷可能非常大。給定一個未知的數(shù)據(jù)樣本X（即沒有類標(biāo)號），分類法將預(yù)測X屬于具有最高后驗概率（條件X下）的類。另一種方法借助電場的概念，引入非線性的勢函數(shù)，它經(jīng)過訓(xùn)練后即可用來解決模式的分類問題。 2）距離分類法 距離是一種重要的相似性度量，通常認(rèn)為空間中兩點距離越近，表示實際上兩樣本越相似。分類器負(fù)責(zé)訓(xùn)練分割特征空間。統(tǒng)計決策理論的基本思想就是在不同的模式類中建立一個決策邊界，利用決策函數(shù)把一個給定的模式歸入相應(yīng)的模式類中。 句法模式識別系統(tǒng)主要由預(yù)處理、基元提取、句法分析和文法推斷等幾部分組成。在此將這四種方法進(jìn)行一下說明。其中，基于形狀特征的識別方法，其關(guān)鍵是找到圖像中對象形狀及對此進(jìn)行描述，形成可視特征矢量，以完成不同圖像的分類，常用來表示形狀的變量有形狀的周長、面積、圓形度、離心率等。用一組模式基元和它們的組成來描述模式的結(jié)構(gòu)的語言，稱為模式描述語言。問題在于句法分析所依
試題試卷相關(guān)推薦
鄂ICP備17016276號-1