图像识别精要.pptx

图像识别;图像识别的基本概念 统计模式识别;模式是对客观事物的描述，是指建立一个可用于仿效的完善的标本。 模式识别本质上是经过分析、判断、归类、识别出事物与哪个供仿效的标本相同或相似。有时可将模式识别理解为模式分类。 图像识别就是图像分类，属于模式识别的范畴;数据获取：通过图像输入设备实现。 预处理：提高图像质量，包括滤波、平滑、增强、复原、提取边缘、图像分割等方法 特征提取和选择：将预处理后的图像转化为若干特征。常见特征有：幅度特征，统计特征，几何特征，变换系数特征等;决策分类是模式识别要解决的关键问题 决策分类可以认为是寻找进行分类的决策函数的过程。当已知待识别模式的完整的先验知识时，则可以据此确定决策函数的数学表达式。如果仅已知待识别模式的定性知识，则在确定决策函数的过程中，通过反复学习、调整，以取得满意的决策函数表达式;数据获取：将细胞涂片上显微细胞图像转换为细胞数字图像，该细胞数字灰度图像反映了原细胞图像中相应位置的光密度大小。 预处理：采用图像平滑法去除噪声，用图像阈值分割在差分直方图上求出划分细胞与背景、细胞核与细胞浆的两个灰度阈值 特征的选择和提取：根据医生的建议和细胞所处部位及病变阶段，建立细胞的特征模型。一般可取33个特征。;统计模式识别：以概率统计为基础，模式用特征向量描述，找出决策函数进行模式决策分类 句法模式识别：以形式语言理论概念为基础。模式被分解为模式基元，识别过程为判定输入的模式基元串能否被文法识别器接受。 模糊模式识别：以模糊集理论为基础，利用模糊信息进行模式决策分类。 神经网络模式识别：神经网络具有信息分布式存储，大规模自适应并行处理，高度容错性等优点。对于不确定的模式识别具有优势;线性决策函数;一般形式为： 对于两类情况，根据决策函数的正负进行分类 多类别情况，需要分成三种情况进行讨论;1、每一类模式与其他类模式用单个决策面分割 设M类模式，由M个决策函数，具有以下性质： 其中， 。 表示第i个决策函数的权向量 ;2、每一类模式与其他类由不同的决策面单个地分 开，即类别间是成对可分的，这样就有M(M-1)/2个决策面。决策函数形式为： 若模式X 属于 类，则有： ;3、存在M 个决策函数 如 X 属于 类，则;对样本抽取N个特征，即 ，建立线性决策函数和构造一个线性分类器，利用该分类器完成对未知类别的模式分类。 通过学习的方法对分类器进行训练，利用已知类别的训练样本通过分类器训练，如果分类错了就调整权向量W，直到对训练样本集正确训练为止 ;许多决策函数可以分割这些数据点出为两类 如何选取决策函数 ;支持向量机;最佳的决策函数应该最大化两类之间的间隔 m;对所用的训练样本 xi 有： 将之前的目标函数进行转化得到新的优化问题 定义Lagrange函数 原问题等价于 ;可得原式的对偶问题： 原问题与对偶问题等价的条件中有：;通过求导求解 ，可得： 原对偶问题转化为 将求解后得到的 ai 带回可得决策函数参数的取值;由于处于非边界位置的ai 都为零。处于边界的ai 不为零。 W 只是处于边界处数据的线性组合，可将处于边界处的原始数据当做支持向量。 检测新数据z时： 如果 小于0，则认为是第一类；否则为第二类 ;距离函数作模式分类，多用集群分析技术，此时已掌握的先验知识是一批未知类别的样本集。因此，需要先对样本进行归类操作。此时依赖集群的准则函数，并要通过最优化技术使集群的准则函数达到最优。 1、相似性尺度：常用的是欧式距离 其他相似的还有Mahalanobis距离、二次型度量、相关度量等。 ;2、集群准则函数：集群准则函数反映了类别间的相似性或分离性。 误差平方和准则： 离散度准则：;3、最小距离分类器：定义任一模式向量与第i个原型之间的欧氏距离为： 最小距离分类器是计算未知模式 X 到每一类原型之间的距离并赋于距离最小的一类模式。即 如果 则 类。 ;输入：k:类的个数，D:包含n个对象的数据集。 输出：k个类的集合 步骤： 1、从D中任意选择k个对象作为初始类中心； 2、根据簇中对象的均值，将每个对象指派到最相似的类 3、更新类均值，即计算每个类中对象的均值 4、重复2~3步，直至误差平方准则 J 变化幅度小于下界 ;K-means算法;例：中国男足近几年到底在亚洲处于几流水平？下图是采集的亚洲15只球队在2005年-