40年代電子計(jì)算機(jī)發(fā)明以后逐漸發(fā)展起來(lái)的-在線瀏覽
2024-08-05 05:40本頁(yè)面
【正文】 是適當(dāng)選擇的、對(duì)原始數(shù)據(jù)進(jìn)行各種測(cè)量的結(jié)果。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。這樣不斷改進(jìn)判別規(guī)則，直到滿足條件為止。由于它是將現(xiàn)代自然語(yǔ)言分析的形式語(yǔ)言理論（句子分解為各種詞類，如名詞、動(dòng)詞、副詞等）用于模式識(shí)別，所以又稱為句法模式識(shí)別。換言之，對(duì)于每個(gè)復(fù)雜的模式，可以用一些較簡(jiǎn)單的子模式來(lái)描述，而每一個(gè)比較簡(jiǎn)單的子模式再用一些更為簡(jiǎn)單的子模式來(lái)描述，最后用一些最簡(jiǎn)單的模式基元來(lái)表示。圖中的上半部分是識(shí)別階段， 即對(duì)未知類別的樣本進(jìn)行句法分析并輸出分類結(jié)果，同時(shí)輸出待識(shí)別樣本的結(jié)構(gòu)描述；下半部分是分析階段，用一些已知結(jié)構(gòu)信息的模式樣本構(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。人對(duì)客觀事物的認(rèn)識(shí)帶有模糊性，如通常所說(shuō)的高矮、胖瘦，青年、老年，溫和和劇烈等都帶有模糊性的語(yǔ)言，人類利用這些模糊語(yǔ)言進(jìn)行交流，并通過(guò)大腦分析和決策。因此，將模糊集理論用于模式識(shí)別系統(tǒng)，利用模糊信息進(jìn)行模式?jīng)Q策分析，使計(jì)算機(jī)帶有接近人類的智能，這是非常重要的研究課題。人工神經(jīng)網(wǎng)絡(luò)圖像模式識(shí)別：人工神經(jīng)網(wǎng)絡(luò)的研究起源于對(duì)生物神經(jīng)系統(tǒng)的研究。神經(jīng)網(wǎng)絡(luò)分類器是一種智能化模式識(shí)別系統(tǒng)，雖然神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和實(shí)現(xiàn)依賴與經(jīng)驗(yàn)，泛化性能不能確保最優(yōu)，但是它可以增強(qiáng)系統(tǒng)的學(xué)習(xí)能力、自適應(yīng)能力和容錯(cuò)性，具有很強(qiáng)的發(fā)展應(yīng)用前景?；趫D像像素?cái)?shù)據(jù)的神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)，是用高維的原始圖像數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。圖 25 基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)圖像識(shí)別流程圖基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)是用圖像的特征數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。其圖像識(shí)別的流程圖如圖 26所示。其圖像識(shí)別的關(guān)鍵是圖像的特征提取必須反映整個(gè)圖像的特征。模板匹配就是在一幅大圖像中搜尋目標(biāo)，已知該圖中有要找的目標(biāo)，且該目標(biāo)同模板有相同的尺寸、方向和圖像，通過(guò)一定的算法可以在圖中找到目標(biāo)，確定其坐標(biāo)位置。i，j為子圖左上角在被搜索圖S上的坐標(biāo)。注意：圖像的數(shù)據(jù)是從下到上、從左到右排列的。在被搜索圖S中完成全部搜索后，找出R的最大值Rmax( im, jm )，其對(duì)應(yīng)的子圖Simjm即為匹配目標(biāo)。另一種算法是衡量T和Sij的誤差，其公式為：E( i, j )為最小值處即為匹配目標(biāo)。用matlab實(shí)現(xiàn)模版匹配的源程序如下：clear all。clc。39。imshow(img)。mask=double(imcrop())。[H W]=size(mask)。endif mod(W,2)~=1 W=W+1。HH=floor(H/2)。imgn=zeros(m+2*HH+1,n+2*WW+1)。imgn(1:HH,WW+1:n+WW)=img(1:HH,1:n)。imgn(m+HH+1:m+2*HH+1,WW+1:n+2*WW+1)=imgn(m:m+HH,WW+1:n+2*WW+1)。re=imgn。 re(i,j)=sum(sum((tmpmask).^2))。re=mat2gray(re(HH+1:m+HH,WW+1:n+WW))。結(jié)果如下：圖中高亮部分為眼睛所在不部位：模式識(shí)別分類問(wèn)題是對(duì)待識(shí)別的對(duì)象提取觀測(cè)值，然后根據(jù)觀測(cè)值進(jìn)行分類。 貝葉斯法則是對(duì)主觀判斷的一種修正方法 ，是指當(dāng)樣本足夠多時(shí) ，樣本概率與總體概率近似 。 貝葉斯決策貝葉斯法則只是一種方法 ，是從大的方向上講，要將它細(xì)化又可以分為許多的具體實(shí)施的決 策。貝葉斯分類器是分類錯(cuò)誤概率最小或者是平均風(fēng)險(xiǎn)最小的分類器。若每個(gè)樣品屬于w1,w2類中的 一類，已知兩類的先驗(yàn)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)。由貝葉斯公式可知 由全概率公式 可知：其中M為類別數(shù)。其中包含色調(diào) H(Hue)、飽和度 S(Saturation)和亮度 V(Value)。在基于內(nèi)容的圖像檢索中，應(yīng)用這種顏色空 間模型會(huì)更適合用戶的視覺判斷 。因此，可以根據(jù)這九種顏色來(lái)大致確定圖像的主顏色特征 。對(duì)其中每一個(gè)分塊 ，統(tǒng)計(jì)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。 要MATLAB程序函數(shù)名:bayesleasterror( )參數(shù):sample :待識(shí)別圖像特征返回值 :Y:待識(shí)別圖像所屬類別函數(shù)功能 ： 最小錯(cuò)誤概率的貝葉斯分類器function y = bayesleasterror(sample)clc ；load templet pattern ；％對(duì)圖像庫(kù)和待測(cè)圖像進(jìn)行主成分分析[pcapat,pcasamp]=pcaprO(sample)；temp=0；for i =1:2pattern(i).feature=pcapat(:,temp+1:temp+pattern(i).num) ；temp=temp+pattern(i).num；ends_cov=[]；s_inv=[] ；s_det=[] ；for i=l:2s_cov(i)．dat=c
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1