数字图像处理与模式识别.ppt

数字图像处理与模式识别 主讲： 相 明 西安交通大学电信学院计算机系 E-Mail: Mxiang@mail.xjtu.edu.cn 绪 论 一、模式识别的基本概念 二、模式识别系统的基本设计方法 三、模式识别问题的一般描述 四、模式识别的应用 五、数字图像处理与模式识别 六：本课程的主要研究内容 一、模式识别的基本概念 1、什么是模式识别？ 简单地说，模式识别就是对观察到的物理对象进行识别与分类。模式识别无所不在，我们每一天都在进行着成功的模式识别。一个简单的例子是根据声音识别汽车的类别。再如读书看报。 2、如何让机器自动进行模式识别？ 模式识别的定义：根据对某个物理对象的观测信息，利用计算机对该物理对象进行分类，从而给出该物理对象所属的类别。在这里，“模式”就是指存储于计算机内的有关物理对象的观测信息，它可以是图像、声音、温度、压力等任何可以测量的观测量。为了让机器自动完成模式识别任务，我们需要（1）数据采集设备（2）模式识别算法。 一个简单的问题：如何让机器可以认字？ 3、模式识别研究的意义 对外界事物的感知与识别是智能的基础。如果我们能够很好的解决模式识别问题，就能够制造出更高级的智能系统。一个例子是手写体识别。另一个例子是自动驾驶系统。 模式识别在计算机学科中的地位：模式识别是计算机科学与控制科学的一个交叉学科，是智能系统及智能信息处理的一个重要基础。 二、模式识别系统的基本设计方法 模式识别问题的一个例子：设计一个自动分类系统，实现对两种不同类别鱼类的自动分类(salmon,sea bass)。结合该例子，我们讨论以下几个问题（1）观测量的获取（2）特征提取（3）分类器的训练（4）分类器的测试（5）分类器的设计过程（6）分类器设计过程中需要考虑的一些关键因素。 1、观测量的获取（图像获取）：首先通过摄像机获取图像，然后采用图像分割技术，得到单个物理对象的图像。 2、特征提取：抽取关键特征，并根据这些特征对物理对象进行分类。  长度特征:根据长度进行分类 salmon一般较短，sea bass一般较长 亮度特征：根据亮度进行分类 salmon一般较暗， sea bass一般较亮 特征向亮：提取一组特征，构成特征向量，根据特征向量进行分类。特征向量=（亮度、宽度）；x=(x1,x2);特征空间: 特征向量所有可能的取值的集合样 本: (x,y), x:该样本对应的特征向量y:该样本的类别，y=+1(salmon),或y= -1(bass) 在特征空间中构造一个分类面，对两类样本进行分类。 3、分类器的训练：根据已有的一组样本（样本集），构造一个判决函数d(x)，根据d(x)实现对两类样本的正确分类。我们希望d(x)尽可能满足 ： 对于第一类样本(x,y),y= 1: d(x)>0或sign(d(x))= 1 对于第二类样本(x,y),y=-1: d(x)<0或sign(d(x))=-1 其中，d(x)=0 称为分类器的分类面。这一过程称为分类器的训练过程，在训练过程中使用的样本，称为训练样本。由训练样本构成的集合，称为训练集。 判决函数d(x)可以采用多种不同的函数模型，常用模型有线性模型、多项式模型、神经网络模型等。在本例中我们可以采用线性模型 d(x)=w.x+b. 因此，分类器训练的任务就是，根据训练样本确定线性分类器的权系数w及偏差项b。采用所得分类器对训练样本进行分类时的错误率，称为训练误差。 4、分类器的测试：在分类器训练过程结束后，需要采用一些新的样本对分类器的分类性能进行测试，这些样本称为测试样本。由测试样本构成的集合称为测试集。 测试过程： 对于测试样本(x,y),y= 1, 如果d(x)>0则分类正确。 如果d(x) < 0则产生一个分类错误。 对于测试样本(x,y),y=-1, 如果d(x)<0则分类正确。 如果d(x) > 0则产生一个分类错误。 分类器对测试样本集进行分类时的错误率，称为测试误差。采用所得分类器对训练样本进行分类时的错误率，称为训练误差 训练误差、测试误差统称为经验误差。分类器优化的原则应该是使测试误差近可能小。因此，判决函数d(x)应根据训练样本及测试样本共同确定。 分类器的应用：在对分类器进行训练及测试，并最终确定了分类器的判决函数以后，就可将分类器投入实际应用。在实