【正文】 完成全部搜索后，找出R的最大值Rmax( im, jm )，其對應(yīng)的子圖Simjm即為匹配目標(biāo)。endif mod(W,2)~=1 W=W+1。結(jié)果如下：圖中高亮部分為眼睛所在不部位：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(jìn)行分類。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 。有時從網(wǎng)絡(luò)的觀點出發(fā)常把它稱為“節(jié)點” 。由于權(quán)值的調(diào)整采用反向傳播（Back Propagation）學(xué)習(xí)算法，因此也常稱其為 BP網(wǎng)絡(luò)。net=newff(minmax(P),[S1,S2],{39。[net,tr]=train(net,P,T)。 subplot(6,9,k+floor(k/)*9)。貝葉斯法則是對主觀判斷的一種修正方法 ，是指當(dāng)樣本足夠多時 ，樣本概率與總體概率近似 。對其中每一個分塊 ，統(tǒng)計出像素最多的那種顏色作為主色 ， 建立圖像的顏色特征向量。在基于內(nèi)容的圖像檢索中，應(yīng)用這種顏色空 間模型會更適合用戶的視覺判斷 。w39。T=targets。=。[R,Q]=size(alphabet)。根據(jù)連接的拓?fù)浣Y(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)模型可以分為：前饋型神經(jīng)網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。它不是人腦神經(jīng)系統(tǒng)的真實描寫，而只是它的某種抽象、簡化和模擬。其中包含色調(diào) H(Hue)、飽和度 S(Saturation)和亮度 V(Value)。 re(i,j)=sum(sum((tmpmask).^2))。mask=double(imcrop())。i，j為子圖左上角在被搜索圖S上的坐標(biāo)。因此，將模糊集理論用于模式識別系統(tǒng)，利用模糊信息進(jìn)行模式?jīng)Q策分析，使計算機帶有接近人類的智能，這是非常重要的研究課題。 20 世紀(jì) 80 年代新興的人工神經(jīng)網(wǎng)絡(luò)，作以一種廣義的智能模式識別法，更以嶄新的姿態(tài)，以其全局相關(guān)的特色，在模式識別領(lǐng)域取得了許多傳統(tǒng)方法所難達(dá)到的成就，下面分別作以介紹：統(tǒng)計圖像識別：統(tǒng)計圖像識別是以概率理論為基礎(chǔ)的，模式用特征向量描述，找出決策函數(shù)進(jìn)行模式?jīng)Q策分類。特別是由于科學(xué)技術(shù)水平的提高，使得各種不同的研究對象“圖像化”或“數(shù)字化” ，可采用某種技術(shù)把考察的對象轉(zhuǎn)換成圖片、波形圖以及若干數(shù)據(jù)，這些數(shù)據(jù)就可以代表所研究的對象。模式識別問題指的是對一系列過程或事件的分類與描述，具有某些相類似的性質(zhì)的過程或事件就分為一類。圖像在人類的感知中扮演著非常重要的角色，人類隨時隨處都要接觸圖像。前期處理一般是指把圖像進(jìn)行平滑、增強、恢復(fù)、邊緣檢測和分割等操作，其目的是把輸入圖像簡化為分段模式。框圖右下角部分是自適應(yīng)處理部分，當(dāng)用訓(xùn)練樣本根據(jù)某些規(guī)則求出一些判別規(guī)則后，再對這些訓(xùn)練樣本逐個進(jìn)行檢測，觀察是否有誤差。神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用按處理數(shù)據(jù)類型大致可以分為兩類：一類是基于圖像像素數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)算法；另一類是基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)算法即特征空間的聚類識別算法。顯然，用這種公式做圖像匹配計算量大、速度較慢。endmask=imresize(mask,[H W])。首先建立識別對象的訓(xùn)練集，其中每點的類別已知 ，根據(jù)這些條件，建立判別函數(shù)，通過現(xiàn)有的樣品估計判別函數(shù)中的參數(shù)，然后用此判別函數(shù)去對類別未知的樣品進(jìn)行判定 。 分塊主色的實現(xiàn)本文對圖像二維空間進(jìn)行 4 * 4 的劃分。人工神經(jīng)元是對生物神經(jīng)元的一種形式化描述，它對生物神經(jīng)元的信息處理過程進(jìn)行抽象，并用數(shù)學(xué)語言予以描述；對生物神經(jīng)元的結(jié)構(gòu)和功能進(jìn)行模擬，并用模型予以表達(dá)。B P網(wǎng)絡(luò)結(jié)構(gòu)圖如下：其算法步驟描述如下:( 1 )設(shè)置變量和參數(shù), 其 中包括訓(xùn)練樣本, 權(quán)值矩陣, 學(xué)習(xí)速率。logsig39。netn=net。 plotchar(noisyChar)。一般情況下，事件A在事件B的條件下的概率，與事件 B 在事件A條件下的概率不相等 ，然而，這兩者是有確定關(guān)系的，貝葉斯法則就是這種關(guān)系的描述 。分塊主色法是統(tǒng)計 圖像每個分塊主色來突出顏 色的空間關(guān)系 ， 適用于主題位置相對固定的分類問題 ，對于變化較大的圖像效果會明顯減弱。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 。,39。P=alphabet。sse39。[alphabet,targets]=prprob。目前，已有近40種神經(jīng)網(wǎng)絡(luò)模型，其中有反傳網(wǎng)絡(luò)、感知器、自組織映射、Hopfield網(wǎng)絡(luò)、波耳茲曼機、適應(yīng)諧振理論等。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks,ANN）是在現(xiàn)代神經(jīng)生物學(xué)研究基礎(chǔ)上提出的模擬生物過程以反映人腦某些特性的計算結(jié)構(gòu)。對于兩類問題 ， 所以用后驗概率來判別HSV顏色空間比較其它的顏色空間更適合人的視覺特性 。for i=HH+1:m+HH for j=WW+1:n+WW tmp=imgn(iHH:i+HH,jWW:j+WW)。img=double(img)。以8位圖像(其 1 個像素由 1 個字節(jié)描述)為例，模板T( H W個像素)疊放在被搜索圖S( mn個像素)上平移，模板覆蓋被搜索圖的那塊區(qū)域叫子圖Sij。模糊數(shù)學(xué)就是研究如何利用模糊信息對確定事物進(jìn)行定量分析。用于解決圖像識別的方法概括起來可分為統(tǒng)計模式識別、 結(jié)構(gòu)模式識別、模糊圖像識別和智能模式識別 （主要是人工神經(jīng)網(wǎng)絡(luò)模式識別） 4 類， 前兩類方法有久遠(yuǎn)的歷史，發(fā)展較為成熟，對解決相應(yīng)領(lǐng)域中的模式識別問題均有明顯的