模式識別及其在圖像處理中的應用

1、學 號： 武漢理工大學模式識別及其在圖像處理中的應用學院（系）： 自動化學院課程名稱： 模式識別原理專業(yè)班級：控制科學與工程1603班任課教師： 張素文學生姓名： 王紅剛 2017年1月3日模式識別及其在圖像處理中的應用摘要:隨著計算機和人工智能技術的發(fā)展, 模式識別在圖像處理中的應用日益廣泛。 綜述了模式識別在圖像處理中特征提取、主要的識別方法(統(tǒng)計決策法、句法識別、模糊識別、神經網絡)及其存在的問題, 并且對近年來模式識別的新進展支持向量機與仿生模式識別做了分析和總結, 最后討論了模式識別亟待解決的問題并對其發(fā)展進行了展望。關鍵詞:模式識別;圖像處理;特征提取;識別方法Patte

2、rn Recognition and Its Application in Image ProcessingAbstract:With the development of computer and artificial intelli-gence , pattern recognition is w idely used in the image processing in-creasingly .T he feature extraction and the main methods of pattern recognition in the image processing , w hi

3、ch include statistical deci-sion, structural method , fuzzy method , artificial neural netw ork aresummarized.T he support vector and bionic pattern recognition w hich are the new developments of the pattern recognition are also analyzed .At last, the problems to be solved and development trends are

4、 discussed.Key words:pattern recognition ;image processing ;feature extrac-tion;recognition methods模式識別誕生于 20 世紀 20 年代, 隨著計算機的出現(xiàn)和人工智能的發(fā)展, 模式識別在 60 年代初迅速發(fā)展成一門學科。它所研究的理論和方法在很多學科和領域中得到廣泛的重視, 推動了人工智能系統(tǒng)的發(fā)展, 擴大了計算機應用的可能性。圖像處理就是模式識別方法的一個重要領域, 目前廣泛應用的文字識別(OCR)就是模式識別在圖像處理中的一個典型應用。1 模式識別的基本框架模式識別在不同的文獻中給出的定義不

5、同。一般認為, 模式是通過對具體的事物進行觀測所得到的具有時間與空間分布的信息, 模式所屬的類別或同一類中模式的總體稱為模式類, 其中個別具體的模式往往稱為樣本。模式識別就是研究通過計算機自動地(或者人為進行少量干預)將待識別的模式分配到各個模式類中的技術。模式識別的基本框架如圖 1 所示。分類器設計特征選擇與提取預處理樣本分類結果（識別結果）（）圖 1 模式識別的基本框架根據有無標準樣本, 模式識別可分為監(jiān)督識別方法和非監(jiān)督識別方法。監(jiān)督識別方法是在已知訓練樣本所屬類別的條件下設計分類器, 通過該分類器對待識樣本進行識別的方法。如圖 1 , 標準樣本集中的樣本經過預處理、選擇與提取特征后設計

6、分類器, 分類器的性能與樣本集的大小、分布等有關。待檢樣本經過預處理、選擇與提取特征后進入分類器, 得到分類結果或識別結果。 非監(jiān)督模式識別方法是在沒有樣本所屬類別信息的情況下直接根據某種規(guī)則進行分類決策。應用于圖像處理中的模式識別方法大多為有監(jiān)督模式識別法, 例如人臉檢測、車牌識別等。無監(jiān)督的模式識別方法主要用于圖像分割、圖像壓縮、遙感圖像的識別等。模式識別過程可以看作從樣本空間到類別空間的一個映射過程。如果把一個具有 n 個特征作為參量的 n 維特征空間劃分為不同的區(qū)域, 那么每個區(qū)域與一類模式類相對應。其中, 特征選擇與提取是模式識別的一個重要環(huán)節(jié), 如果所選取的特征能夠比較全面反映類的

7、本質特征, 那么分類器就比較容易設計；否則, 分類器設計的難度就增加。因此特征選擇和提取是模式識別研究的一項重要內容。2 特征提取和特征選擇原始樣本往往處于一個高維空間, 特征提取指的是通過映射的方法用低維空間來表示樣本的過程。 特征提取后樣本的可分性應該更好, 分類器更易設計。常用的方法有主元分析法(PCA)、線性判別分析、核函數主元分析(Kernel PCA)、獨立主元分析法(ICA)、自組織映射(SOM)方法等。文獻2 對上述方法的性質進行了詳細的比較, 并指出各種方法適合解決的問題。特征提取在圖像處理(例如圖像分割、圖像識別、圖像檢索等)中得到了廣泛的應用, 文獻7 采用 Kernel

8、 PCA 方法進行人臉識別, 結果表明比直接的特征臉方法獲得更小的錯識率。在人臉識別或人臉認證中, 文獻8采用了DCT變化降低原始特征的維數后進一步利用 DCT 變換的一些系數作為特征向量進行識別。另外在圖像壓縮中也廣泛應用到 DCT 變換以去除圖像的空間冗余。文獻 9 采用基于分型的特征提取方法對手寫簽名進行識別。以上文獻均說明, 不同的模式識別問題特征差別可能很大,因而特征提取方法也不盡相同。每一種特征提取方法只適合解決某些特定范圍的問題, 例如對于服從高斯型分布的線性相關特征, 采用 PCA 方法比較好, 用其他方法提取特征結果可能不是“ 最優(yōu)” 。特征提取的優(yōu)劣要根據一定的判據來衡量,

9、 由于模式識別中沒有一個統(tǒng)一的衡量特征優(yōu)劣的判據, 所謂的最優(yōu)是在特定準則下取得的, 是相對的最優(yōu)。特征提取后的各個特征的物理意義有時不是很直觀, 往往很難看出各個特征對分類的影響, 有的特征可能無助于分類器的設計, 甚至會降低分類器的性能。因此要在這些特征中選出最適合分類器設計的特征。換句話說, 特征選擇就是從一組特征 D 中挑選出一些對分類最有效特征d(D >d)的過程。實際中特征選擇和提取往往結合使用。為了判斷提取和選擇的特征對分類的有效性, 人們提出各種衡量特征分類性能的判據。最直接最有效的判據是計算分類器錯誤概率, 但一般情況下, 錯誤概率的計算很復雜, 有時甚至無法計算。 因

10、此人們提出一些其他的判據。最簡單的判據是用于可分性判據的類內類間距離判據, 其基本原則是類內距離最小、類間距離最大的特征為最優(yōu)特征。一方面, 這一判據物理意義明顯, 計算方便, 但是距離的定義不同, 得到的特征不同;另一方面, 它和概率分布沒有直接關系。為此人們提出基于概率分布的可分性判據(例如 Bhattacharyya 距離、Chernoff 界限、散度), 這類判據計算比較復雜, 也很難得到和錯誤概率的直接解析關系式。另外還有基于熵函數的可分性判據等, 這些判據在特征提取中都得到了廣泛的應用。選定可分性判據后, 通過窮舉法可以得到特征選擇的最優(yōu)解, 但是當特征個數比較多時, 這種方法由于

11、計算量太大而難以實現(xiàn)。常用的方法有分支和定界(branch and bound)算法、順序前進法(SF S , sequential forward selection)、順序后退法(SBS , se-quential backw ard selection)等, 相對于窮舉法, 這些方法都不同程度地減小了計算量, 但是都不能保證得到最優(yōu)解, 往往得到的是次優(yōu)解。由于特征選擇是在進行相應的特征組合后判斷其分類能力的, 因此可以采用解決優(yōu)化問題的方法來解決。常用的算法如遺傳算法、模擬退火算法, 但它們計算都比較復雜。以上提到的判據在大多情況下和錯誤概率沒有直接關系,用以這些度量為基礎的某個判據的

12、最優(yōu)化對特征進行變換后所設計的分類器的錯誤概率未必最小;同一個問題特征采用的判據不同得到最優(yōu)解也不完全相同;此外, 特征選擇結果的可靠性和訓練樣本個數有關。如果樣本個數太少, 根據某種判據得出的最優(yōu)解和實際的最優(yōu)特征有時差別很大, 這是因為訓練樣本集中包含的分類信息不足。由此可見, 選擇最優(yōu)特征需要具備 3 個條件:樣本個數足夠能夠覆蓋樣本集的分類信息 ;有一種比較好的分類判據;一個切實可行的選擇算法。實際中, 這 3 個條件很難完全滿足。因此, 針對具體的模式識別問題選擇最優(yōu)特征仍是一件比較困難的事, 這些問題仍需要進一步的研究。提取和選擇特征之后, 分類和識別效果的優(yōu)劣取決于所設計的分類器

13、的性質。設計分類器的主要方法也就是模式識別的主要方法。3 模式識別的主要方法及其在圖像處理中的應用模式識別方法大致可以分為 4 類:統(tǒng)計決策法、結構模式識別方法、模糊模式識別方法與基于人工智能方法。其中基于人工智能的方法本文主要介紹人工神經網絡模式識別方法。前兩種方法發(fā)展得比較早, 理論相對也比較成熟, 在早期的模式識別中應用較多。后兩種方法目前的應用較多, 由于模糊方法更合乎邏輯、神經網絡方法具有較強的解決復雜模式識別的能力, 因此日益得到人們的重視。3.1統(tǒng)計決策法統(tǒng)計決策法以概率論和數理統(tǒng)計為基礎, 它包括參數方法和非參數方法。p(x |i)P(i)參數方法主要以 Bayes 決策準則為

14、指導。其中最小錯誤率和最小風險貝葉斯決策是最常用的兩種決策方法。假定特征對于給定類的影響獨立于其他特征, 在決策分類的類別 N 已知與各類別的先驗概率 P(i)及類條件概率密度 p(x|i)已知的情況下, 對于一特征矢量 x 根據式(1)計算待檢模式在各類中發(fā)生的后驗概率 P(i|x), 后驗概率最大的類別即為該模式所屬類別。在這樣的條件下, 模式識別問題轉化為一個后驗概率的計算問題。 Np(x |i)P(i)i =1P(i|x)=（1）在貝葉斯決策的基礎上, 根據各種錯誤決策造成損失的不同, 人們提出基于貝葉斯風險的決策, 即計算給定特征矢量 x 在各種決策中的條件風險大小, 找出其中風險最

15、小的決策。實際上對于具體的模式識別問題, 先驗概率和類條件概率密度很難精確知道。先驗概率根據樣本總數可大致估計, 類條件概率密度可采用統(tǒng)計學中的最大似然估計法、Bayes 估計法等進行估計。 這類方法應用于圖像分割、圖像復原以及圖像識別等方面。在圖像分割中, 假定圖中的數據是服從 K 個概率密度混合分布的樣本, 然后估計概率密度函數的參數, 最后計算后驗概率或風險, 對像素進行歸類, 從而達到分割圖像的目的。一般情況下, 往往假定概率密度函數是高斯型的, 這一方面很多情況下樣本的分布接近高斯分布, 另一方面是數學上處理相對比較簡單。和圖像分割的原理類似, 圖像識別也是對圖像的某些特征采用貝葉斯

16、決策的方法設計分類器, 根據分類器對未知圖像的特征進行識別。參數估計方法的理論基礎是樣本數目趨近于無窮大時的漸進理論。在樣本數目很大時, 參數估計的結果才趨近于真實的模型。然而實際樣本數目總是有限的, 很難滿足這一要求。另外參數估計的另一個前提條件是特征獨立性, 這一點有時和實際差別較大。實際上在樣本數量不是很大的情況下, 往往根據樣本直接設計分類器, 這就是非參數方法。 這類方法物理意義直觀, 但所得的結果和錯誤率往往沒有直接聯(lián)系, 所設計的分類器不能保證最優(yōu)。比較典型的方法如線性分類器、最近鄰方法、K 均值聚類法等。在圖像壓縮領域的矢量量化編碼算法中, 碼書的訓練就是一個典型的聚類過程,

17、壓縮的效果和聚類的結果關系很大。在圖像分割中, 采用對像素或圖像的其他特征進行聚類 , 達到圖像分割的目的。然而, 統(tǒng)計決策理論主要集中在數量的統(tǒng)計關系上而忽略了刻畫模式的結構特征。圖像處理往往與圖像的結構信息有關, 對于很復雜的圖像, 要求的特征量非常巨大, 要把某一模式準確分類很困難, 這時采用統(tǒng)計分類方法很難實現(xiàn), 因此設法分割出圖像的基元子模式, 將基元按照一定句法關系組合來代替原圖像進行分類, 這就涉及到結構模式識別的問題。3.2 結構模式識別結構模式識別是利用模式的結構描述與句法描述之間的相似性對模式進行分類。每個模式由它的各個子部分(稱為子模式或模式基元)的組合來表示。對模式的識

18、別常以句法分析的方式進行, 即依據給定的一組句法規(guī)則來剖析模式的結構。當模式中每一個基元被辨認后, 識別過程就可通過執(zhí)行語法分析來實現(xiàn)。選擇合適的基元是結構模式識別的關鍵?；獞哂小敖Y構簡單、含義明確、能方便地描述數據、易于抽取、結構信息少” 等特點。 由于基元選擇的不確定性以及基元特征的多樣性, 實際應用中有時很難同時滿足以上特點 , 所以有必要在基元的復雜性和易識別性之間取一個恰當的折衷。結構模式識別主要用于文字識別、遙感圖形的識別與分析、紋理圖像的分析中。該方法的特點是識別方便, 能夠反映模式的結構特征 , 能描述模式的性質, 對圖像畸變的抗干擾能力較強。 如何選擇基元是本方法的一個關

19、鍵問題, 尤其是當存在干擾及噪聲時, 抽取基元更困難, 且易失誤。基于統(tǒng)計決策和結構模式識別在早期的模式識別中應用比較多, 隨著人們對模式識別要求的提高, 在解決一些復雜的模式識別問題時 , 上述方法的局限性越來越明顯。模糊邏輯思想和神經網絡的提出, 為人們解決模式識別問題提供了新的思路。3.3 模糊模式識別1965 年Zadeh 提出了他著名的模糊集理論, 使人們認識事物的傳統(tǒng)二值 0, 1 邏輯轉化為 0 , 1 區(qū)間上的邏輯, 這種刻畫事物的方法改變了人們以往單純地通過事物內涵來描述其特征的片面方式, 并提供了能綜合事物內涵與外延性態(tài)的合理數學模型隸屬度函數。對于 A 、B 兩類問題,

20、傳統(tǒng)二值邏輯認為樣本 C 要么屬于 A , 要么屬于 B, 但是模糊邏輯認為 C 既屬于 A , 又屬于 B, 二者的區(qū)別在于 C 在這兩類中的隸屬度不同。所謂模糊模式識別就是解決模式識別問題時引入模糊邏輯的方法或思想。同一般的模式識別方法相比較, 模糊模式識別具有客體信息表達更加合理, 信息利用充分, 各種算法簡單靈巧, 識別穩(wěn)定性好, 推理能力強的特點。模糊模式識別在圖像處理中也被廣泛應用, 文獻 15 還將模糊 K 近鄰(FKNN)方法用于盲圖像的反卷積, 實驗結果證明了這種方法的有效性;文獻 16 將模糊技術同 K 均值聚類結合用于矢量量化編碼中, 這種方法消除了聚類初始化對結果碼書的

21、依賴性，提高了聚類結果的魯棒性，文獻17將模糊方法同K近鄰(K-NN)結合, 對圖像進行分類, 取得比傳統(tǒng) K-NN方法更好的效果。 文獻 18 將模糊邏輯同 BP 神經網絡相結合對手寫字符識別, 取得接近 100 %的效果。文獻以上方法在獲得比較好的效果的同時, 往往增加一定的計算量, 但是有些算法本身比較簡單, 在同其他算法的結合中, 模糊思想運用引入的計算開銷有時同整個算法的計算量相比并不大, 計算速度通常是可以接受的。模糊模式識別的關鍵在隸屬度函數的建立, 目前主要的方法有模糊統(tǒng)計法、模糊分布法、二元對比排序法、相對比較法和專家評分法等。雖然這些方法具有一定的客觀規(guī)律性與科學性, 但同

22、時也包含一定的主觀因素, 準確合理的隸屬度函數很難得到, 如何在模糊模式識別方法中建立比較合理的隸屬度函數是需要進一步解決的問題。3.4 人工神經網絡模式識別早在 20 世紀 50 年代, 研究人員就開始模擬動物神經系統(tǒng)的某些功能, 他們采用軟件或硬件的辦法, 建立了許多以大量處理單元為結點, 處理單元間實現(xiàn)(加權值的)互聯(lián)的拓撲網絡, 進行模擬。 稱之為人工神經網絡。這種方法可以看作是對原始特征空間進行非線性變換, 產生一個新的樣本空間, 使得變換后的特征線性可分。同傳統(tǒng)統(tǒng)計方法相比, 其分類器是與概率分布無關的。人工神經網絡的主要特點在于其具有信息處理的并行性、自組織和自適應性、具有很強的

23、學習能力和聯(lián)想功能以及容錯性能等, 在解決一些復雜的模式識別問題中顯示出其獨特的優(yōu)勢。近年來, 在圖像處理中應用也很多。有的采用自組織網絡對醫(yī)學圖像進行分割, 并能夠將 CT 圖像中的病灶分割出來。 有的利用各種神經網絡方法識別圖像的情況, 取得一些令人滿意的結果。人工神經網絡是一種復雜的非線性映射方法, 其物理意義比較難解釋, 在理論上還存在一系列亟待解決的問題。例如在設計上, 網絡層數的確定和節(jié)點個數的選取帶有很大的經驗性和盲目性, 缺乏理論指導, 網絡結構的設計仍是一個尚未解決的問題。在算法復雜度方面, 神經網絡計算復雜度大, 在特征維數比較高時, 樣本訓練時間比較長;在算法穩(wěn)定性方面

24、, 學習過程中容易陷入局部極小, 并且存在欠學習與過學習的現(xiàn)象, 范化能力不容易控制。這些也是制約人工神經網絡進一步發(fā)展的關鍵問題。近些年來基于統(tǒng)計學習理論的支撐向量機在模式識別方法表現(xiàn)出出色的學習性能和范化能力, 同神經網絡相比, 其可有效地克服局部極小、維數災難等問題, 因而成為目前模式識別領域中又一個研究熱點。4 模式識別的新進展及其在圖像處理中的應用4 .1 支撐向量機前面提到, 在有限樣本尤其是小樣本的情況下, 采用統(tǒng)計決策法中的很多方法都難以取得理想的效果。Vapnik 早在 20 世紀 60 年代開始研究有限樣本情況下的機器學習問題, 直至 90年代才形成一個較完善的理論體系統(tǒng)計

25、學習理論。該理論定義了衡量函數集性能的指標VC 維 , V C 維越大, 函數的推廣能力越差, VC 維越小, 函數的推廣能力越強。在該理論的框架下, 經驗風險最小化原則下學習機器的實際風險由兩部分組成nhR(w) Remp(w)+Ø( )式中第一項為訓練樣本的經驗風險;第二項為置信范圍 , 在訓練樣本數目n一定的情況下, 函數集的 VC 維越大, 其置信范圍越大。因此, 在設計分類器時, 不但要使經驗風險最小, 同時也要使 VC 維盡量小, 縮小置信范圍, 從而提高分類器的預測能力。統(tǒng)計學習理論提出了結構風險最小化的原則:即把函數集分解為一個函數集序列, 使各個子集能夠根據 VC

26、維的大小排列, 在每個子集中尋找最小經驗風險。選擇最小經驗風險和置信范圍之和最小的子集, 即達到期望風險最小, 這個子集中使期望風險最小的函數也即所求的最優(yōu)函數。 這種思想稱為結構風險最小化 SRM(structural risk minimization), 如圖 2 所示。圖 2 結構風險最小化示意圖實現(xiàn)結構風險最小化有兩種方法:一是在函數集的每一子集中求最小經驗風險, 然后選擇最小經驗風險和置信范圍最小的子集。這種方法類似窮舉法, 計算量比較大, 當子集數目很大時幾乎無法實現(xiàn)。 另一種方法是設計函數集的某種結構, 使每個子集中都能取得最小的經驗風險, 然后選擇適當的子集使置信范圍最小,

27、這個子集中使經驗風險最小的函數就是最優(yōu)函數。支撐向量機 SVM(support vector machine)是結構風險最小化的第二種實現(xiàn)方法的體現(xiàn)。其基本思想是:首先通過非線性變換將輸入空間變換到一個高維空間, 甚至是一個無限維空間,然后在這個高維空間求取最優(yōu)分類面, 其中非線性變換是通過核函數的方法來實現(xiàn)的。SV M 方法通過內積計算比較有效地解決了維數災難問題, 通過在高維空間設計最優(yōu)分類面 , 比較好地實現(xiàn)了 VC 維最小的問題;在數學上支撐向量機的訓練問題可轉化為一個求解受約束的二次型規(guī)劃(QP)問題, 這個問題存在惟一解, 避免了神經網絡訓練結果不穩(wěn)定、容易陷入局部極小的問題, 因

28、而 SVM 方法是一種比較好的模式識別方法。SVM 最初用來解決兩類問題, 表現(xiàn)出優(yōu)越的性能, 一個很自然的想法就是將其推廣到多類識別問題。多類 SVM 的分類和識別主要有兩種方法, 一是根據多類樣本集直接設計分類器,此時分類器的設計問題可轉化為一個考慮所有樣本的優(yōu)化問題。在樣本比較多時, 這種方法求解比較復雜;另一種是分解法, 將多類樣本分類器的設計轉化為多個兩類問題的分類器設計問題, 由于這類方法比直接法求解簡單, 在實際中應用很廣。比較有代表性的訓練和預測多類 SV M 的方法有一對一 OAO(one against one)、一對多OAA(one against all)和有向無回路圖

29、 DAG(directed acyclic graph)方法和決策樹(decisive tree)方法等。 SVM 的優(yōu)越性能引起人們極大的研究興趣, 它被越來越多的圖像處理研究者和工作者所應用。由于 SVM 的范化能力比較好,因而常常獲得比其他方法更好的識別效果。4.2 仿生模式識別前面介紹的各種模式識別方法都是假定分類信息是完全包含在訓練樣本內, 以兩類或多類樣本的最優(yōu)劃分為基礎, 分類器的訓練過程實際上可以看作對樣本的劃分過程。文獻21 提出把模式識別問題看成是模式的“ 認識” , 而不是分類劃分, 不是模式分類;是一類一類樣本的“認識” , 而不是多類樣本的劃分。為了強調與傳統(tǒng)模式識別

30、在概念上的不同, 文獻 20 中采用“ 仿生模式識別” 這一概念,“ 仿生”的含義只是在模式識別的功能和數學模型上強調了“ 認識”的概念 , 更接近于人類的認識。傳統(tǒng)模式識別從特征空間中不同類樣本的劃分出發(fā)設計分類器。而仿生模式識別就在引入特征空間同類樣本的連續(xù)性規(guī)律, 對一類事物的“認識” , 實際上是對這類事物的全體在特征空間中形成的無窮點集合的“ 形狀” 的分析和認識, 文中根據這種規(guī)律性建立起“ 多維空間中非超球復雜幾何形體覆蓋” 的識別原理。文獻21 根據這一思想, 采用神經網絡覆蓋的方法訓練樣本, 對 8 種實物模型進行訓練與識別, 取得了比較好的識別效果, 全部識別樣本沒有一次誤

31、識。文獻23 基于仿生模式識別的多鏡頭人臉身份確認系統(tǒng)研究中, 采用多權值神經網絡算法,同樣得到比較好的識別率。 這種高的識別率顯示了這一思想在模式識別方面的潛力。仿生模式識別提出了一種新的模式識別思想, 為模式識別的研究開辟了一個嶄新的研究方向。 文獻 21 23 采用神經網絡覆蓋來實現(xiàn)該思想, 不可避免地遇到訓練速度慢、網絡結構參數、節(jié)點個數選擇等選擇問題, 因此這種思想的實現(xiàn)模型有待于進一步的研究。以上的各種模式識別方法都有其特點和適用范圍。研究表明, 不同的分類器錯誤率所覆蓋的范圍不同, 多個分類器之間既存在一定的冗余性, 同時也存在一定的信息互補性。多個分類器聯(lián)合應用, 可以提高正確

32、識別率。 文獻 24 對多種分類器聯(lián)合的最終決策的多種方法進行了分析和比較, 并且給出了各種決策方法的適用條件。文獻 25 采用了 7 個分類器, 用模式識別中常用的不同數據集對每一個分類器單獨做實驗, 然后根據各自的結果對分類器進行組合決策, 從中選出效果最優(yōu)的組合作為最終分類器的組合, 結果表明這種識別效果比較理想。 當然, 這種方法提高識別率的同時, 犧牲了一部分計算代價。模式識別發(fā)展到今天, 已經提出了 200 多種分類和識別方法, 如何進行已有分類器的組合, 解決具體的模式識別問題也是一個值得注意的問題。5 展望隨著計算機和人工智能技術的發(fā)展, 人們對計算機圖像處理中自動圖像處理的要

33、求越來越高, 因此對模式識別技術提出更高的要求。到目前為止, 雖然模式識別在圖像處理中的應用取得了一些可喜的成就, 但是它還存在一系列亟待解決問題, 例如支撐向量機中核函數的選擇問題、VC 維的計算和估計問題，神經網絡節(jié)點選擇和結構設計問題、仿生模式識別新思想的建模和實現(xiàn)問題、多種方法綜合運用中的分類器選擇問題等, 這些問題的解決將直接推動模式識別領域的發(fā)展, 進而推動其在圖像處理領域的應用。同時, 模式識別是一門綜合性學科, 它涉及和利用到數學、計算機科學等多學科的知識, 如何將這些學科的新方法新成就綜合應用到模式識別中, 提出更加符合人類認識的識別方法也是進一步值得研究的問題。參考文獻1

34、邊肇祺, 張學工, 等.模式識別(第二版) M .北京:清華大學出版社, 2000 -01.2 Jain A K , Duin Robert P W , Mao Jianchang .Statistical pattern recog- nition :areview J .IEEE Trans actions on pattern analysis and ma- chine intelligence, 2000 , 22(1):4-37.3 沈清, 湯森.模式識別導論 M .長沙:國防科技大學出版社, 1991 .4 戚飛虎.模式識別與圖象處理 M .上海:上?？茖W技術出版社,1989.5

35、 吳傳孫.汽車牌照自動識別技術研究 D .江西師范大學, 2003.6 黃寧.遙感圖像中模式分類技術的研究 D .中國科學院, 2003.7 Yang M H , Ahuja N .Kriegman D .Face recognition using kernel eigenfaces A .IEEE International Conference on Image Processing , 2000 -01 :37 -40 .8 Zobel M , Gebhard A , Paulus D , et al. Robust facial feature localizationby coup

36、led features, Proceedings A . Fourth IEEE International Conferenceon Automatic Faceand Gesture Recognition, 2000-03: 2-79 Tang Yuan Y , Tao Yu , Lam Ernest C M .New method for feature extraction based on fractal behavior J .Pattern Recognition , 2002.10 范昕煒.支持向量機算法的研究及其應用 D .浙江大學, 2003.11 吳艷冬.復雜背景的人

37、臉檢測與定位 D .大連理工大學, 2002 .12 Using neu-ral networks A .Proceedings of IEEE International Conference on Image Processing , 1994 -03 :936 -939.13 Guo Guodong , Li S Z ,C han Kapluk .Face recognition by support vec-tor machines A .Proceedings of Fourth IEEE International Confer-ence on Automatic Face and

38、 Gesture Recognition , 2000 , 196 -201.14 Machines :anapplication to face detection A .Proceedings of IEEE Computer So-iety Conference on Computer Vision and Pattern Recognition , 1997.15 Chen Li , Yap Kim-Hui .A fuzzy K-nearest-neighbor algorithm to blind image deconvolution A .IEEE International Conference on Systems , Man and Cybernetics , 2003 -03 :2049 -