圖像識(shí)別課件

第7章圖像識(shí)別利用神經(jīng)網(wǎng)絡(luò)識(shí)別實(shí)現(xiàn)圖像分割第7章圖像識(shí)別7.1概論7.2圖像匹配7.3基于最小錯(cuò)誤率貝葉斯決策理論7.4線性判別函數(shù)7.5人工神經(jīng)網(wǎng)絡(luò)7.1概論1模式識(shí)別的基本定義

（1）模式識(shí)別(PatternRecognition)

進(jìn)行物體分類的學(xué)科。舉例：人日常生活中的模式識(shí)別（2）模式(pattern)

A、事物所具有的時(shí)間或空間分布信息。（狹義）B、描繪子的組合。（更狹義）一維信息：例如聲音信號(hào)，騰格爾的歌聲。二維信息：例如圖像信號(hào)，數(shù)字照相機(jī)拍攝的照片。三維信息：CT重建圖像。多維信息：（3）模式類(patternclass)

一個(gè)擁有某些共同特性的模式族。

（2）預(yù)處理：A、信號(hào)增強(qiáng)：去除噪聲，加強(qiáng)有用信息。信號(hào)恢復(fù)：對退化現(xiàn)象進(jìn)行復(fù)原。B、歸一化處理（例如圖像大小的歸一化；神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的歸一化）（3）特征提取和特征選擇A、特征分類：物理特征、結(jié)構(gòu)特征、數(shù)學(xué)特征。B、特征形成：根據(jù)被識(shí)別的對象產(chǎn)生出一組基本特征，它可以是計(jì)算出來的（當(dāng)識(shí)別對象是波形或數(shù)字圖像時(shí)），也可以是用儀表或傳感器測量出來的（當(dāng)識(shí)別對象是事物或某種過程時(shí)），這樣產(chǎn)生的特征叫做原始特征。C、特征提取：原始特征的數(shù)量可能很大，通過映射（或變換）的方法可以用低維空間表示樣本，這個(gè)過程叫做特征提取。映射后的二次特征是原始特征的線性組合（通常是線性組合）。D、特征選擇：從一組特征中挑選出一些最有效的特征以達(dá)到降低特征空間維數(shù)的過程。

例如：一幅96x64的圖象（a）Gabor濾波器編碼；（b）小波變換+神經(jīng)網(wǎng)絡(luò)；（c）細(xì)節(jié)點(diǎn)（分叉點(diǎn)、端點(diǎn)）思考題：水果（如蘋果和桔子）圖像自動(dòng)識(shí)別系統(tǒng)：選擇那些有效特征，可以把蘋果和桔子有效地區(qū)分開來？3模式識(shí)別的基本問題（1）特征如何提?。?------特征產(chǎn)生（2）最有效的特征是那些特征？-------特征選擇（3）對特定任務(wù)，如何設(shè)計(jì)分類器？-------分類器設(shè)計(jì)（4）分類器設(shè)計(jì)后，如何評(píng)價(jià)分類器？分類錯(cuò)誤率是多少？-------分類器評(píng)價(jià)模式傳感器特征產(chǎn)生特征選擇分類器設(shè)計(jì)分類器評(píng)價(jià)設(shè)計(jì)流程（2）其他分類方法A、統(tǒng)計(jì)模式識(shí)別依據(jù)決策理論而進(jìn)行模式識(shí)別的方法。包括貝葉斯決策理論、判別函數(shù)、近鄰法等。B、聚類模式識(shí)別C、神經(jīng)網(wǎng)絡(luò)模式識(shí)別D、結(jié)構(gòu)模式識(shí)別（句法模式識(shí)別）

5預(yù)備知識(shí)（1）特征

用于分類的測度。（2）特征向量

由多個(gè)特征組成的向量。Ⅹ=(X1,X2,…,Xn)T

（3）分類器

把特征空間劃分為不同類別區(qū)域的“機(jī)器”。7.2圖像匹配

1定義

根據(jù)已知模式到另一幅圖中尋找相應(yīng)的模式。2基于相關(guān)的模板匹配

7.3基于最小錯(cuò)誤率貝葉斯決策理論

1貝葉斯公式（1）概率：某事件發(fā)生的幾率。（2）先驗(yàn)概率在實(shí)際的事件沒有出現(xiàn)之前，我們所擁有的該事件可能出現(xiàn)的概率。舉例：（1）撲克牌：大王，K。（2）硬幣：正面，反面。（3）賭場押大?。?000次：810次大，190次小。1001次？1002次？…問題：是否可以提高押對的概率，減少押錯(cuò)的概率？除先驗(yàn)概率外，必須利用其他的信息。（3）類條件概率密度細(xì)胞識(shí)別：正常細(xì)胞ω1異常細(xì)胞ω2

光密度特征：x類條件概率密度p(x|ω)：類別狀態(tài)為ω時(shí)的x概率密度函數(shù)。貝葉斯公式的物理含義：通過觀察x的值，就可以把先驗(yàn)概率轉(zhuǎn)化為后驗(yàn)概率，即特征值x已知的情況下類別屬于ωj的概率。2、基于最小錯(cuò)誤率的貝葉斯決策（1）決策規(guī)則（兩類情況）

7.4線性判別函數(shù)1問題的引入（1）Bayes決策盡管是最優(yōu)決策，但實(shí)現(xiàn)困難。A、類條件概率密度的形式常難以確定。B、非參數(shù)方法需要大量樣本。（2）模式識(shí)別的任務(wù)是分類，可根據(jù)樣本集直接設(shè)計(jì)判別函數(shù)。（次優(yōu)的）2線性判別函數(shù)的基本概念（1）線性判別函數(shù)的一般表達(dá)式：（舉例）（2）決策規(guī)則7.5人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是對生物神經(jīng)網(wǎng)絡(luò)的簡單模擬。

1生物神經(jīng)網(wǎng)絡(luò)（1）復(fù)雜多樣性

生物神經(jīng)網(wǎng)絡(luò)復(fù)雜多樣，不僅在于神經(jīng)元和突觸的數(shù)量大、組合方式復(fù)雜和聯(lián)系廣泛，還在于突觸傳遞的機(jī)制復(fù)雜。已經(jīng)發(fā)現(xiàn)的傳遞機(jī)制有突觸后興奮、突觸后抑制、突觸前興奮、突觸前抑制，遠(yuǎn)程“抑制”。（2）生物神經(jīng)計(jì)算六個(gè)基本特征?神經(jīng)元及其聯(lián)接：多輸入，一輸出；?神經(jīng)元之間的聯(lián)接強(qiáng)度決定信號(hào)傳遞的強(qiáng)弱；?神經(jīng)元之間的聯(lián)接強(qiáng)度可以通過訓(xùn)練改變；?信號(hào)可以起刺激作用，也可以起抑制作用；?神經(jīng)元接受信號(hào)的累積決定該神經(jīng)元的狀態(tài)；?每個(gè)神經(jīng)元可以有一個(gè)“閾值”。2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)ArtificialNeuralNetworks（ANN）是對人類大腦系統(tǒng)的一階特性的一種描述，是一個(gè)數(shù)學(xué)模型，可以用電子線路來實(shí)現(xiàn)，也可以用計(jì)算機(jī)程序來模擬，是人工智能研究的一種方法。（1）人工神經(jīng)元模擬生物神經(jīng)元的一階特性–輸入：X=（x1，x2，…，xn）–聯(lián)接權(quán)：W=（w1，w2，…，wn）T–網(wǎng)絡(luò)輸入：y=∑（xi*wi）=XW–激勵(lì)函數(shù)：f–輸出：o（2）激活函數(shù)

激活函數(shù)(ActivationFunction)——執(zhí)行對該神經(jīng)元所獲得的網(wǎng)絡(luò)輸入的變換：

o=f（y）A、線性函數(shù)（LinerFunction）

f（y）=ky+c

B、非線性斜波函數(shù)(RampFunction)

C、閾值函數(shù)（ThresholdFunction）階躍函數(shù)

D、S形函數(shù)Sigmoid（3）三層前饋神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)模型：Back-propagation）（可以逼近任意函數(shù)）x1o1輸出層隱藏層輸入層x2o2omxn…………由教師對每一種輸入模式設(shè)定一個(gè)期望輸出值。對網(wǎng)絡(luò)輸入實(shí)際的學(xué)習(xí)記憶模式，并由輸入層經(jīng)中間層向輸出層傳播（稱為“模式順傳播”）。實(shí)際輸出與期望輸出的差即是誤差。按照誤差平方最小這一規(guī)則，由輸出層往中間層逐層修正聯(lián)結(jié)權(quán)值，此過程稱為“誤差逆?zhèn)鞑ァ?。隨著“模式