圖像模式識(shí)別的方法介紹

1、 2.1圖像模式識(shí)別的方法 圖像模式識(shí)別的方法很多，從圖像模式識(shí)別提取的特征對(duì)象來看，圖像識(shí)別方法可分為以下幾種：基于形狀特征的識(shí)別技術(shù)、基于色彩特征的識(shí)別技術(shù)以與基于紋理特征的識(shí)別技術(shù)。其中，基于形狀特征的識(shí)別方法，其關(guān)鍵是找到圖像中對(duì)象形狀與對(duì)此進(jìn)行描述，形成可視特征矢量，以完成不同圖像的分類，常用來表示形狀的變量有形狀的周長(zhǎng)、面積、圓形度、離心率等。基于色彩特征的識(shí)別技術(shù)主要針對(duì)彩色圖像，通過色彩直方圖具有的簡(jiǎn)單且隨圖像的大小、旋轉(zhuǎn)變換不敏感等特點(diǎn)進(jìn)行分類識(shí)別。基于紋理特征的識(shí)別方法是通過對(duì)圖像中非常具有結(jié)構(gòu)規(guī)律的特征加以分析或者則是對(duì)圖像中的色彩強(qiáng)度的分布信息進(jìn)行統(tǒng)計(jì)來完成。從模式特征

2、選擇與判別決策方法的不同可將圖像模式識(shí)別方法大致歸納為兩類:統(tǒng)計(jì)模式(決策理論)識(shí)別方法和句法(結(jié)構(gòu))模式識(shí)別方法。此外，近些年隨著對(duì)模式識(shí)別技術(shù)研究的進(jìn)一步深入，模糊模式識(shí)別方法和神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法也開始得到廣泛的應(yīng)用。在此將這四種方法進(jìn)行一下說明。2.1.1句法模式識(shí)別 對(duì)于較復(fù)雜的模式，如采用統(tǒng)計(jì)模式識(shí)別的方法，所面臨的一個(gè)困難就是特征提取的問題，它所要求的特征量十分巨大，要把某一個(gè)復(fù)雜模式準(zhǔn)確分類很困難，從而很自然地就想到這樣的一種設(shè)計(jì)，即努力地把一個(gè)復(fù)雜模式分化為若干較簡(jiǎn)單子模式的組合，而子模式又分為若干基元，通過對(duì)基元的識(shí)別，進(jìn)而識(shí)別子模式，最終識(shí)別該復(fù)雜模式。正如英文句子由一些

3、短語(yǔ)，短語(yǔ)又由單詞，單詞又由字母構(gòu)成一樣。用一組模式基元和它們的組成來描述模式的結(jié)構(gòu)的語(yǔ)言，稱為模式描述語(yǔ)言。支配基元組成模式的規(guī)則稱為文法。當(dāng)每個(gè)基元被識(shí)別后，利用句法分析就可以作出整個(gè)的模式識(shí)別。即以這個(gè)句子是否符合某特定文法，以判別它是否屬于某一類別。這就是句法模式識(shí)別的基本思想。 句法模式識(shí)別系統(tǒng)主要由預(yù)處理、基元提取、句法分析和文法推斷等幾部分組成。由預(yù)處理分割的模式，經(jīng)基元提取形成描述模式的基元串（即字符串）。句法分析根據(jù)文法推理所推斷的文法，判決有序字符串所描述的模式類別，得到判決結(jié)果。問題在于句法分析所依據(jù)的文法。不同的模式類對(duì)應(yīng)著不同的文法，描述不同的目標(biāo)。為了得到于模式類相

4、適應(yīng)的文法，類似于統(tǒng)計(jì)模式識(shí)別的訓(xùn)練過程，必須事先采集足夠多的訓(xùn)練模式樣本，經(jīng)基元提取，把相應(yīng)的文法推斷出來。實(shí)際應(yīng)用還有一定的困難。 2.1.2統(tǒng)計(jì)模式識(shí)別統(tǒng)計(jì)模式識(shí)別是目前最成熟也是應(yīng)用最廣泛的方法，它主要利用貝葉斯決策規(guī)則解決最優(yōu)分類器問題。統(tǒng)計(jì)決策理論的基本思想就是在不同的模式類中建立一個(gè)決策邊界，利用決策函數(shù)把一個(gè)給定的模式歸入相應(yīng)的模式類中。統(tǒng)計(jì)模式識(shí)別的基本模型如圖2，該模型主要包括兩種操作模型：訓(xùn)練和分類，其中訓(xùn)練主要利用己有樣本完成對(duì)決策邊界的劃分，并采取了一定的學(xué)習(xí)機(jī)制以保證基于樣本的劃分是最優(yōu)的;而分類主要對(duì)輸入的模式利用其特征和訓(xùn)練得來的決策函數(shù)而把模式劃分到相應(yīng)模式類

5、中。統(tǒng)計(jì)模式識(shí)別方法以數(shù)學(xué)上的決策理論為基礎(chǔ)建立統(tǒng)計(jì)模式識(shí)別模型。其基本模型是:對(duì)被研究圖像進(jìn)行大量統(tǒng)計(jì)分析，找出規(guī)律性的認(rèn)識(shí)，并選取出反映圖像本質(zhì)的特征進(jìn)行分類識(shí)別。統(tǒng)計(jì)模式識(shí)別系統(tǒng)可分為兩種運(yùn)行模式:訓(xùn)練和分類。訓(xùn)練模式中，預(yù)處理模塊負(fù)責(zé)將感興趣的特征從背景中分割出來、去除噪聲以與進(jìn)行其它操作;特征選取模塊主要負(fù)責(zé)找到合適的特征來表示輸入模式;分類器負(fù)責(zé)訓(xùn)練分割特征空間。在分類模式中，被訓(xùn)練好的分類器將輸入模式根據(jù)測(cè)量的特征分配到某個(gè)指定的類。統(tǒng)計(jì)模式識(shí)別組成如圖2所示。圖2 統(tǒng)計(jì)模式識(shí)別模型2.1.2.1幾種統(tǒng)計(jì)模式識(shí)別的方法統(tǒng)計(jì)模式識(shí)別根據(jù)采用方法的不同可以進(jìn)行多種形式的分類：通過貝葉

6、斯決策理論對(duì)條件密度已知的樣本進(jìn)行分類；對(duì)于類條件密度不明的情況，可根據(jù)訓(xùn)練樣本的類別是否己知將分類問題分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩大類；監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)又可根據(jù)是否通過參數(shù)決策分為參數(shù)估計(jì)和非參數(shù)估計(jì)。統(tǒng)計(jì)模式識(shí)別的另一種分類方法是根據(jù)決策界是否直接得到將其分為幾何方法和基于概率密度的方法。幾何方法經(jīng)常直接從優(yōu)化一定的代價(jià)函數(shù)構(gòu)造決策界;而基于概率密度的方法要首先估計(jì)密度函數(shù)然后構(gòu)造分類函數(shù)指定決策界。1、幾何分類法 1) 模板匹配法它是模式識(shí)別中的一個(gè)最原始、最基本的方法，它將待識(shí)模式分別與各標(biāo)準(zhǔn)模板進(jìn)行匹配，若某一模板與待識(shí)模式的絕大多數(shù)單元均相匹配，則稱該模板與待識(shí)模式“匹配得好”，

7、反之則稱“匹配得不好”，并取匹配最好的作為識(shí)別結(jié)果。 2）距離分類法 距離是一種重要的相似性度量，通常認(rèn)為空間中兩點(diǎn)距離越近，表示實(shí)際上兩樣本越相似。大約有十余種作為相似性度量的距離函數(shù)，其中使用最廣泛的是歐氏距離。它是使用最為廣泛的方法，常用的有平均樣本法、平均距離法、最近鄰法和近鄰法。 3）線性判別函數(shù) 和上述的方法不同，判決函數(shù)法是以判決邊界的函數(shù)形式的假定為其特性的，而上述的方法都是以所考慮的分布的假定為其特性的。假如我們有理由相信一個(gè)線性判決邊界取成：是合適的話，那么剩下的問題就是要確定它的權(quán)系數(shù)。權(quán)系數(shù)可通過感知器算法或最小平方誤差算法來實(shí)現(xiàn)。但作為一條規(guī)則，應(yīng)用此方法必須注意兩點(diǎn)

8、；第一就是方法的可適性問題，第二就是應(yīng)用判決函數(shù)后的誤差準(zhǔn)則。 4）非線性判別函數(shù) 線性判決函數(shù)的特點(diǎn)是簡(jiǎn)單易行，實(shí)際應(yīng)用中許多問題往往是非線性的，一種處理的辦法將非線性函數(shù)轉(zhuǎn)換為線性判決函數(shù)，所以又稱為廣義線性判決函數(shù)。另一種方法借助電場(chǎng)的概念，引入非線性的勢(shì)函數(shù)，它經(jīng)過訓(xùn)練后即可用來解決模式的分類問題。 2 概率分類法 幾何分類法是以模式類幾何可分為前提條件的，在某些分類問題中這種條件能得到滿足，但這種條件并不經(jīng)常能得到滿足，模式的分布常常不是幾何可分的，即在同一區(qū)域中可能出現(xiàn)不同的模式，這時(shí)，必須借助概率統(tǒng)計(jì)這一數(shù)學(xué)工具?？梢哉f，概率分類法的基石是貝葉斯決策理論。 設(shè)有R類樣本，分別為w

9、1, w2 , , wR,若每類的先驗(yàn)概率為P(wii), i = 1,2 ,3,R,對(duì)于一隨機(jī)矢量，每類的條件概率為（又稱類概率密度）P(X/Wii)，則根據(jù)Bayes公式，后驗(yàn)概率為：從后驗(yàn)概率出發(fā)，有Bayes法則： 2.1.2.2樸素貝葉斯分類器樸素貝葉斯分類是一種十分簡(jiǎn)單的分類算法，叫它樸素貝葉斯分類是因?yàn)檫@種方法的思想真的很樸素，樸素貝葉斯的思想基礎(chǔ)是這樣的：對(duì)于給出的待分類項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，哪個(gè)最大，就認(rèn)為此待分類項(xiàng)屬于哪個(gè)類別。通俗來說，就好比這么個(gè)道理，你在街上看到一個(gè)黑人，我問你你猜這哥們哪里來的，你十有八九猜非洲。為什么呢？因?yàn)楹谌酥蟹侵奕说谋?/p>

10、率最高，當(dāng)然人家也可能是美洲人或亞洲人，但在沒有其它可用信息下，我們會(huì)選擇條件概率最大的類別，這就是樸素貝葉斯的思想基礎(chǔ)。樸素貝葉斯分類的工作過程如下：（1）每個(gè)數(shù)據(jù)樣本用一個(gè)n維特征向量表示，分別描述對(duì)n個(gè)屬性A1,A2,An樣本的n個(gè)度量。（2）假定有m個(gè)類C1,C2,Cm。給定一個(gè)未知的數(shù)據(jù)樣本X（即沒有類標(biāo)號(hào)），分類法將預(yù)測(cè)X屬于具有最高后驗(yàn)概率（條件X下）的類。即是說，樸素貝葉斯分類將未知的樣本分配給類Ci，當(dāng)且僅當(dāng)這樣，最大化。其最大的類Ci稱為最大后驗(yàn)假定。根據(jù)貝葉斯定理，（3）由于P(X)對(duì)于所有類為常數(shù)，只需要最大即可。如果類的先驗(yàn)概率未知，則通常假定這些類是等概率的，即P(

11、C1)=P(C2)=P(Cm)。并據(jù)此只對(duì)最大化。否則，最大化。注意，類的先驗(yàn)概率可以用計(jì)算其中si是類Ci中的訓(xùn)練樣本數(shù)，而s是訓(xùn)練樣本總數(shù)。（4）給定具有許多屬性的數(shù)據(jù)集，計(jì)算的開銷可能非常大。為降低計(jì)算的開銷，可以做類條件獨(dú)立的樸素假定。給定樣本的類標(biāo)號(hào)，假定屬性值相互條件獨(dú)立，即在屬性間，不存在依賴關(guān)系。這樣， （7.8）概率，可以由訓(xùn)練樣本估值，其中（a）如果Ak是分類屬性，則，其中sik是在屬性Ak上具有值xk的類Ci的樣本數(shù)，而si是Ci中的訓(xùn)練樣本數(shù)。（b）如果Ak是連續(xù)值屬性，則通常假定該屬性服從高斯分布，因而， （7.9）其中，給定類Ci的訓(xùn)練樣本屬性Ak的值，是屬性Ak的

12、高斯密度函數(shù)，而分別為平均值和標(biāo)準(zhǔn)差。（5）為對(duì)未知樣本X分類，對(duì)每個(gè)類Ci，計(jì)算。樣本X被指派到類Ci，當(dāng)且僅當(dāng)換言之，X被指派到其最大的類Ci。整個(gè)樸素貝葉斯分類分為三個(gè)階段： 第一階段準(zhǔn)備工作階段，這個(gè)階段的任務(wù)是為樸素貝葉斯分類做必要的準(zhǔn)備，主要工作是根據(jù)具體情況確定特征屬性，并對(duì)每個(gè)特征屬性進(jìn)行適當(dāng)劃分，然后由人工對(duì)一部分待分類項(xiàng)進(jìn)行分類，形成訓(xùn)練樣本集合。這一階段的輸入是所有待分類數(shù)據(jù)，輸出是特征屬性和訓(xùn)練樣本。這一階段是整個(gè)樸素貝葉斯分類中唯一需要人工完成的階段，其質(zhì)量對(duì)整個(gè)過程將有重要影響，分類器的質(zhì)量很大程度上由特征屬性、特征屬性劃分與訓(xùn)練樣本質(zhì)量決定。 第二階段分類器訓(xùn)練階

13、段，這個(gè)階段的任務(wù)就是生成分類器，主要工作是計(jì)算每個(gè)類別在訓(xùn)練樣本中的出現(xiàn)頻率與每個(gè)特征屬性劃分對(duì)每個(gè)類別的條件概率估計(jì)，并將結(jié)果記錄。其輸入是特征屬性和訓(xùn)練樣本，輸出是分類器。這一階段是機(jī)械性階段，根據(jù)前面討論的公式可以由程序自動(dòng)計(jì)算完成。 第三階段應(yīng)用階段。這個(gè)階段的任務(wù)是使用分類器對(duì)待分類項(xiàng)進(jìn)行分類，其輸入是分類器和待分類項(xiàng)，輸出是待分類項(xiàng)與類別的映射關(guān)系。這一階段也是機(jī)械性階段，由程序完成。半樸素貝葉斯分類模型(SNBC)為了突破樸素貝葉斯分類器的獨(dú)立性假設(shè)條件的限制，除了上述“提升”等方法之外，還可以通過改變其結(jié)構(gòu)假設(shè)的方式來達(dá)到目的，為此有人提出了半樸素貝葉斯分類(SNBG Sem

14、i-Naive Bayesian classifier)的構(gòu)想。半樸素貝葉斯分類模型對(duì)樸素貝葉斯分類模型的結(jié)構(gòu)進(jìn)行了擴(kuò)展，其目的是為了突破樸素貝葉斯分類模型特征屬性間獨(dú)立性假設(shè)限制，提高分類性能。目前半樸素貝葉斯分類模型學(xué)習(xí)的關(guān)鍵是如何有效組合特片屬性。條件互信息度量半樸素貝葉斯分類學(xué)習(xí)算法可以解決目前一此學(xué)習(xí)算法中存在的效率小高與部分組合意義不大的問題。SNBC的結(jié)構(gòu)比NBC緊湊，在SNBC的模型構(gòu)建過程中，依照一定的標(biāo)準(zhǔn)將關(guān)聯(lián)程度較大的基本屬性(即NBC中的特征屬性)合并在一起構(gòu)成“組合屬性”(也稱之為“大屬性”)。邏輯上，SNBC中的組合屬性與NBC中的基本屬性沒有根本性差別，SNBC的

15、各個(gè)組合屬性之間也是相對(duì)于類別屬性相互獨(dú)立的。圖是SNBC的模型示意圖。這類模型通過將依賴性強(qiáng)的基本屬性結(jié)合在一起構(gòu)建新的模型，這樣可以部分屏蔽NBC中獨(dú)立性假設(shè)對(duì)分類的負(fù)面作用。但從名稱可以看出，SNBC依然屬于樸素貝葉斯分類的疇。這是因?yàn)槌私Y(jié)構(gòu)上的差別之外，計(jì)算推導(dǎo)過程與NBC無異。半樸素貝葉斯分類結(jié)構(gòu)示意圖2.1.2.3圖像金字塔圖像金字塔是以多分辨率來解釋圖像的一種結(jié)構(gòu)。1987年，在一種全新而有效的信號(hào)處理與分析方法，即多分辨率理論中，小波首次作為分析基礎(chǔ)出現(xiàn)了。多分辨率理論將多種學(xué)科的技術(shù)有效地統(tǒng)一在一起，如信號(hào)處理的子帶編碼、數(shù)字語(yǔ)音識(shí)別的積分鏡像過濾以與金字塔圖像處理。正如其

16、名字所表達(dá)的，多分辨率理論與多種分辨率下的信號(hào)（或圖像）表示和分析有關(guān)。其優(yōu)勢(shì)很明顯，某種分辨率下無法發(fā)現(xiàn)的特性在另一種分辨率下將很容易被發(fā)現(xiàn)。圖像金字塔是結(jié)合降采樣操作和平滑操作的一種圖像表示方式。它的一個(gè)很大的好處是，自下而上每一層的像素?cái)?shù)都不斷減少，這會(huì)大大減少計(jì)算量；而缺點(diǎn)是自下而上金字塔的量化變得越來越粗糙，而且速度很快。高斯金字塔里有兩個(gè)概念：組（Octave）和層（Level或Interval），每組里有若干層。高斯金字塔的構(gòu)造是這樣的，第一組的第一層為原圖像，然后將圖像做一次高斯平滑（高斯卷積、高斯模糊），高斯平滑里有一個(gè)參數(shù)，然后將乘一個(gè)比例系數(shù)k作為新的平滑因子來平滑第一組

17、第二層得到第三層。重復(fù)若干次，得到L層他們分別對(duì)應(yīng)的平滑參數(shù)為：0，k，k2，。然后將最后一幅圖像做比例因此為2的降采樣得到第二組的第一層，然后對(duì)第二組的第一層做參數(shù)是的高斯平滑，對(duì)第二層做k的平滑得到第三層，以此類推。每組對(duì)應(yīng)的平滑因子是一樣的，這樣反復(fù)形成了O組L層，組建成高斯金字塔。2.1.3模糊模式識(shí)別 模糊模式識(shí)別的理論基礎(chǔ)是20世紀(jì)60年代誕生的模糊數(shù)學(xué)，它根據(jù)人對(duì)事物識(shí)別的思維邏輯，結(jié)合人類大腦識(shí)別事物的特點(diǎn)，將計(jì)算機(jī)中常用的二值邏輯轉(zhuǎn)向連續(xù)邏輯。在圖像識(shí)別領(lǐng)域應(yīng)用時(shí)該方法可以簡(jiǎn)化圖像識(shí)別系統(tǒng)，并具有實(shí)用、可靠等特點(diǎn)。 模式識(shí)別是一門邊緣學(xué)科，它和許多技術(shù)學(xué)科有著密切的聯(lián)系，它本

18、身就是人工智能的重要組成部分，因此，從本質(zhì)上來說，模式識(shí)別所要討論的核心問題，就是如何使機(jī)器能模擬人腦的思維方法，來對(duì)客觀事物進(jìn)行有效的識(shí)別和分類。一方面現(xiàn)有的廣為運(yùn)用的統(tǒng)計(jì)模式識(shí)別方法與人腦進(jìn)行模式識(shí)別相比，其差別還很大，另一方面待識(shí)別的客觀事物又往往具有不同程度的模糊性。 不少學(xué)者試圖運(yùn)用模糊數(shù)學(xué)的方法來解決模式識(shí)別問題，形成一個(gè)專門的研究領(lǐng)域-模糊模式識(shí)別(Fuzzy Pattern Recognition)。比較成熟的理論和方法有最大來屬原則、基于模糊等價(jià)關(guān)系的模式分類、基于模糊相似關(guān)系的模式分類和模糊聚類，其中模糊聚類方法的研究和應(yīng)用尤為成功和廣泛。目前，模糊模式識(shí)別方法已廣泛應(yīng)用圖形識(shí)別、染色體和白血球識(shí)別、圖象目標(biāo)的形狀分析、手寫體文字識(shí)別等，但其中也遇到不少困難，其中一個(gè)典型的例子就是隸屬函數(shù)的確定往往帶有經(jīng)驗(yàn)色彩。 應(yīng)用模糊方法進(jìn)行圖像識(shí)別的關(guān)鍵是確定某一類別的隸屬函數(shù)，而各類的統(tǒng)計(jì)指標(biāo)則要由樣本像元的灰度值和