40年代電子計(jì)算機(jī)發(fā)明以后逐漸發(fā)展起來(lái)的(完整版)
【正文】 本構(gòu)造出一些文法規(guī)則，以便用這些文法對(duì)描述未知模式的句子進(jìn)行句法分析。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(lái)對(duì)未知類別的圖像進(jìn)行分類。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。一般來(lái)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。圖像識(shí)別，簡(jiǎn)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。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(lái)，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(lái)，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(lái)，深入掌握各種工具的效能和應(yīng)用的可能性，互相取長(zhǎng)補(bǔ)短，開創(chuàng)模式識(shí)別應(yīng)用的新局面。 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(guó)獲得了光學(xué)字符識(shí)別專利。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。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。但是對(duì)于模式識(shí)別來(lái)說，無(wú)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。圖 22 圖像識(shí)別系統(tǒng)框圖下面簡(jiǎn)單對(duì)這幾個(gè)環(huán)節(jié)作以說明：數(shù)據(jù)獲取 來(lái)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(cè)量值。其基本思想是：無(wú)論輸入的對(duì)象是什么，它都表示為一個(gè)數(shù)組。其基本思想是：一個(gè)復(fù)雜的模式可以由一個(gè)簡(jiǎn)單的模式遞歸地描述。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。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。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。close all。[m n]=size(img)。imgn(HH+1:m+HH,WW+1:n+WW)=img。 %最小平方差 endendfigure。如果統(tǒng)計(jì)知識(shí)完整 ，貝葉斯決策理論是一種最優(yōu)分類器。色調(diào) H表示表示光的顏色 ，飽和度S表示光的濃度，亮度v表示光的明暗程度 。) ； ％ 求個(gè)類別的協(xié)方差矩 陣s_inv(i).dat=inv(s_cov(i).dat) ； ％求協(xié)方差矩 陣的逆矩陣一s_det(i)=det(s_cov(i).dat) ； ％ 求協(xié)方差矩陣的行列式endsuml=0。神經(jīng)元及其突觸是神經(jīng)網(wǎng)絡(luò)的基本器件。一個(gè)非線性激勵(lì)函數(shù)，起非線性映射作用并限制神經(jīng)元輸出幅度在一定的范圍之內(nèi)。其中典型的前饋型神經(jīng)網(wǎng)絡(luò)如BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，RBF（Radical Basis Function）神經(jīng)網(wǎng)絡(luò)。(4) 后向傳播過程: a . 計(jì)算同一層單元的誤差。[S2,Q]=size(targets)。traingdx39。=20。for pass=1:10。[netn,tr]=train(netn,P,T)。 subplot(6,9,k+floor(k/)*9+9)。)運(yùn)算結(jié)果如下：成功識(shí)別有噪聲實(shí)驗(yàn)結(jié)果表明，基于 BP 神經(jīng)網(wǎng)絡(luò)的英文字母識(shí)別方法能實(shí)現(xiàn)對(duì) 26 個(gè)英文字母的準(zhǔn)確、快速識(shí)別，并具有較強(qiáng)的抗干擾能力。其設(shè)計(jì)方法屬 于一種基本的統(tǒng)計(jì)分類方法。2 . 顏色空間的量化根據(jù)人 的視覺分辨能力的分 析 ，顏色大致劃分為如下9種 ：紅、黃 、綠、青、藍(lán)、紫、黑、灰和白，依據(jù)這九種顏色就可以大致描述一幅圖像。) ； ％求每類圖像 的特征值end％ 計(jì)算最大的判別函數(shù) for i=1:2h(i)=(pcasampmean_sap(i).dat)’*S_inv(i).dat*(pcasa 圖32 運(yùn)動(dòng)模糊圖像的二次傅立葉變換頻譜（1） 計(jì)算退化圖像的頻譜,并且將的點(diǎn)移動(dòng)到圖像中心位置，為了壓縮頻譜的灰度值范圍，將圖像頻譜數(shù)值去對(duì)數(shù)；（2） 對(duì)上步結(jié)果重復(fù)相同的步驟，得到運(yùn)動(dòng)模糊圖像的二次傅立葉頻譜，記作；對(duì)的各像素按照其灰度值從大到小排序，記作；去排序的23 / 23。2． 分塊主色的實(shí)現(xiàn)本文對(duì)圖像二維空間進(jìn)行 4 * 4 的劃分。則任給一x，判斷x的類別 。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)類別未知的樣品進(jìn)行判定 。endset(gcf,39。for k=1:26 noisyChar=alphabet(:,k)+randn(35,1)*noise_percent。
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1