【正文】 [netn,tr]=train(netn,P,T)。=。{2,1}={2,1}*。P=alphabet。 c . 返回 ( 2) ?；贐P神經(jīng)網(wǎng)絡的圖像模式識別實現(xiàn)BP 神經(jīng)網(wǎng)絡是一種典型的前饋神經(jīng)網(wǎng)絡，其神經(jīng)元的傳遞函數(shù)是 S 型函數(shù)，輸出量為 0 到 1 之間的連續(xù)量，它可以實現(xiàn)從輸入到輸出的任意非線性映射。閾值也被看作是一個輸入分量，也就是閾值也是一個權(quán)值。在人工神經(jīng)網(wǎng)絡中，神經(jīng)元常被稱為“處理單元” 。) ； ％求每類圖像 的特征值end％ 計算最大的判別函數(shù) for i=1:2h(i)=(pcasampmean_sap(i).dat)’*S_inv(i).dat*(pcasampmean_sap(i).dat)*()+log(p(i)+log(abs(s_det(i)))*()。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、紫、黑、灰和白，依據(jù)這九種顏色就可以大致描述一幅圖像。其設計方法屬 于一種基本的統(tǒng)計分類方法。imshow(1re)。 imgn(1:m+HH,n+WW+1:n+2*WW+1)=imgn(1:m+HH,n:n+WW)。if mod(H,2)~=1 H=H+1。img=imread(39。已知原始圖像S(H, W)和模板T（m, n）如下圖所示: 被搜索圖 模板可以用下式衡量T和Sij相似性：當模板和子圖完全一樣時，相關(guān)系數(shù)R( i, j ) = 1。此類技術(shù)實際上是傳統(tǒng)方法與神經(jīng)網(wǎng)絡技術(shù)的結(jié)合，它利用人的經(jīng)驗來獲取模式特征以及神經(jīng)網(wǎng)絡分類能力來識別目標函數(shù)。人工神經(jīng)網(wǎng)絡區(qū)別于其他識別方法的最大特點是它對待識別的對象不要求有太多的分析與了解，具有一定的智能化處理的特點。句法模式識別框圖如圖 24 所示。統(tǒng)計圖像識別的大致過程如圖 23 所示。 預處理技術(shù)包括各種圖像處理技術(shù)，其目的是改善圖像質(zhì)量，清楚圖像中的噪聲，減輕或消除因傳感器與傳輸介質(zhì)本身不完善而引起的退化現(xiàn)象，便于機器分析處理等。其目的就是研制采用某種儀器或設備，自動處理某些信息，代替人完成分類和辨識的任務，并且能夠快速而準確地進行圖形識別。因此，在當今社會，圖像識別技術(shù)已經(jīng)在各個領(lǐng)域發(fā)揮著極其重要的作用。所有這些應用都是和問題的性質(zhì)密切不可分的，至今還沒有發(fā)展成統(tǒng)一的、有效的可應用于所有的模式識別的理論?，F(xiàn)代模式識別是在 20 世紀 40 年代電子計算機發(fā)明以后逐漸發(fā)展起來的。模式識別已經(jīng)在天氣預報、衛(wèi)星航空圖片解釋、工業(yè)產(chǎn)品檢測、字符識別、語音識別、指紋識別、醫(yī)學圖像分析等許多方面得到了成功的應用。例如要從遙感圖像中分割出各種農(nóng)作物、森林資源和礦產(chǎn)資源等；根據(jù)醫(yī)學圖片分析發(fā)生病變的細胞形狀和顏色判斷是否發(fā)生癌變；從氣象觀測數(shù)據(jù)或氣象衛(wèi)星照片準確預報天氣；交通管理系統(tǒng)中應用車牌自動識別技術(shù)管理車輛等。圖像模式識別是用機器對文字、 圖像、 圖片和景物等模式信息加以處理和識別，用以解決計算機與外部環(huán)境直接通信這一重要問題。 數(shù)據(jù)處理 數(shù)據(jù)處理包括預處理、 特征抽象和特征選擇。這數(shù)組不是任意的，而是適當選擇的、對原始數(shù)據(jù)進行各種測量的結(jié)果。換言之，對于每個復雜的模式，可以用一些較簡單的子模式來描述，而每一個比較簡單的子模式再用一些更為簡單的子模式來描述，最后用一些最簡單的模式基元來表示。人工神經(jīng)網(wǎng)絡圖像模式識別：人工神經(jīng)網(wǎng)絡的研究起源于對生物神經(jīng)系統(tǒng)的研究。其圖像識別的流程圖如圖 26所示。注意：圖像的數(shù)據(jù)是從下到上、從左到右排列的。clc。[H W]=size(mask)。imgn(1:HH,WW+1:n+WW)=img(1:HH,1:n)。re=mat2gray(re(HH+1:m+HH,WW+1:n+WW))。貝葉斯分類器是分類錯誤概率最小或者是平均風險最小的分類器。在基于內(nèi)容的圖像檢索中，應用這種顏色空 間模型會更適合用戶的視覺判斷 。p=[] ；for i=1:2sum1=sum1+pattern(i).num ； ％求圖像庫樣 品總數(shù)endfor i=1:2p(i)=pattern(i).num／sum1 ； ％求類別 的先驗概率endh=[]； mean_sap =[]；for i=1:2mean_sap(i).dat=mean(pattern(i).feature39。因此，模擬生物神經(jīng)網(wǎng)絡應首先模擬生物神經(jīng)元。此外還有一個閾值。下面舉例說明基于BP神經(jīng)網(wǎng)絡的圖像模式識別。 b . 修正權(quán)值和閾值。S1=10。)。=5000。 P=[alphabet,alphabet,... (alphabet+randn(R,Q)*),... (alphabet+randn(R,Q)*)]。noise_percent=。 plotchar(alphabet(:,answer))。2基于貝葉斯算法的圖像模式識別分類設計模式識別分類問題是對待識別的對象提取觀測值，然后根據(jù)觀測值進行分類。若每個樣品屬于w1,w2類中的 一類，已知兩類的先驗概率分別p(w1),P(w2),兩類的類別密 度函 數(shù)為 P ( X∣w1 ),P( X∣w2)。因此，可以根據(jù)這九種顏色來大致確定圖像的主顏色特征