【正文】 應(yīng)用模糊方法進(jìn)行圖像識別的關(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。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（或圖像）表示和分析有關(guān)。 第三階段——應(yīng)用階段。并據(jù)此只對最大化。權(quán)系數(shù)可通過感知器算法或最小平方誤差算法來實(shí)現(xiàn)。統(tǒng)計(jì)模式識別系統(tǒng)可分為兩種運(yùn)行模式:訓(xùn)練和分類。當(dāng)每個(gè)基元被識別后，利用句法分析就可以作出整個(gè)的模式識別。從模式特征選擇及判別決策方法的不同可將圖像模式識別方法大致歸納為兩類:統(tǒng)計(jì)模式(決策理論)識別方法和句法(結(jié)構(gòu))模式識別方法。實(shí)際應(yīng)用還有一定的困難。而基于概率密度的方法要首先估計(jì)密度函數(shù)然后構(gòu)造分類函數(shù)指定決策界。樸素貝葉斯分類的工作過程如下：（1）每個(gè)數(shù)據(jù)樣本用一個(gè)n維特征向量表示，分別描述對n個(gè)屬性A1,A2,…An樣本的n個(gè)度量。樣本X被指派到類Ci，當(dāng)且僅當(dāng)換言之，X被指派到其最大的類Ci。圖是SNBC的模型示意圖。 模糊模式識別的理論基礎(chǔ)是20世紀(jì)60年代誕生的模糊數(shù)學(xué)，它根據(jù)人對事物識別的思維邏輯，結(jié)合人類大腦識別事物的特點(diǎn)，將計(jì)算機(jī)中常用的二值邏輯轉(zhuǎn)向連續(xù)邏輯。9 / 9。然后將最后一幅圖像做比例因此為2的降采樣得到第二組的第一層，然后對第二組的第一層做參數(shù)是σ的高斯平滑，對第二層做kσ的平滑得到第三層，以此類推。SNBC的結(jié)構(gòu)比NBC緊湊，在SNBC的模型構(gòu)建過程中，依照一定的標(biāo)準(zhǔn)將關(guān)聯(lián)程度較大的基本屬性(即NBC中的特征屬性)合并在一起構(gòu)成“組合屬性”(也稱之為“大屬性”)。（b）如果Ak是連續(xù)值屬性，則通常假定該屬性服從高斯分布，因而， （）其中，給定類Ci的訓(xùn)練樣本屬性Ak的值，是屬性Ak的高斯密度函數(shù)，而分別為平均值和標(biāo)準(zhǔn)差。通俗來說，就好比這么個(gè)道理，你在街上看到一個(gè)黑人，我問你你猜這哥們哪里來的，你十有八九猜非洲。統(tǒng)計(jì)模式識別的另一種分類方法是根據(jù)決策界是否直接得到將其分為幾何方法和基于概率密度的方法。不同的模式類對應(yīng)著不同的文法，描述不同的目標(biāo)?；谏侍卣鞯淖R別技術(shù)主要針對彩色圖像，通過色彩直方圖具有的簡單且隨圖像的大小、旋轉(zhuǎn)變換不敏感等特點(diǎn)進(jìn)行分類識別。這就是句法模式識別的基本思想。特征選取模塊主要負(fù)責(zé)找到合適的特征來表示輸入模式。 4）非線性判別函數(shù) 線性判決函數(shù)的特點(diǎn)是簡單易行，實(shí)際應(yīng)用中許多問題往往是非線性的，一種處理的辦法將非線性函數(shù)轉(zhuǎn)換為線性判決函數(shù)，所以又稱為廣義線性判決函數(shù)。注意，類的先驗(yàn)概率可以用計(jì)算其中si是類Ci中的訓(xùn)練樣本數(shù)，而s是訓(xùn)練樣本總數(shù)。這一階段也是機(jī)械性階段，由程序完成。圖像金字塔是結(jié)合降采樣操作和平滑操作的一種圖像表示方式。 神經(jīng)網(wǎng)絡(luò)的研究始于20世紀(jì)40年