代电子计算机发明以后逐渐发展起来的.docx

代电子计算机发明以后逐渐发展起来的.docx

《代电子计算机发明以后逐渐发展起来的.docx》由会员分享，可在线阅读，更多相关《代电子计算机发明以后逐渐发展起来的.docx（23页珍藏版）》请在冰豆网上搜索。

代电子计算机发明以后逐渐发展起来的

代电子计算机发明以后逐渐发展起来的

模式识别差不多在天气预报、卫星航空图片说明、工业产品检测、字符识别、语音识别、指纹识别、医学图像分析等许多方面得到了成功的应用。

所有这些应用差不多上和问题的性质紧密不可分的，至今还没有进展成统一的、有效的可应用于所有的模式识别的理论。

当前的一种普遍看法是不存在对所有的模式识别问题都使用的单一模型和解决识别问题的单一技术，我们现在拥有的是一个工具袋，我们所要做的是结合具体问题把统计的和句法〔结构〕的识别方法结合起来，把统计模式识别或句法模式识别与人工智能中的启发式搜索结合起来，把人工神经元网络与各种以有技术以及人工智能中的专家系统，不确定方法结合起来，深入把握各种工具的效能和应用的可能性，互相取长补短，开创模式识别应用的新局面。

2.3图像模式识别

2.3.1图像模式识别的差不多概念

图像在人类的感知中扮演着专门重要的角色，人类随时随处都要接触图像。

据统计，在人类同意的信息中，视觉信息占了70%以上，也确实是常说的〝百闻不如一见〞。

在许多场合，图像所传递的信息比其他任何形式的信息更加丰富和真切。

随着数字图像技术的进展和实际应用的需要，显现了另一类问题，确实是不要求其结果输出是一幅完整的图像，而是将通过图像处理后的图像，再通过分割和描述提取有效的特点，进而加以判决分类，这确实是近20年来进展起来的一门新兴技术科学——图像识别。

它以研究某些对象或过程的分类与描述为要紧内容，以研制能够自动处理某些信息的机器视觉系统，代替传统的人工完成分类和辨识的任务为目的。

例如要从遥感图像中分割出各种农作物、森林资源和矿产资源等；依照医学图片分析发生病变的细胞形状和颜色判定是否发生癌变；从气象观测数据或气象卫星照片准确预报天气；交通治理系统中应用车牌自动识别技术治理车辆等。

因此，在当今社会，图像识别技术差不多在各个领域发挥着极其重要的作用。

图像识别，简单地说，确实是要把一种研究对象，依照其某些特点进行识别并

分类。

例如要识别写在卡片上的数字，判定它是0，1，2，…，9中的哪个数字，

确实是将数字图像分成10类的问题，因此能够认为，对数字图像进行区别分类事实上质确实是对图像进行模式识别。

这种识别早已存在人们的生活实践中。

然而，随着实践活动的扩大、深入和社会化的需要，人们不仅需要识别分类数专门多的事物，

而且被识别的对象内容也越来越复杂。

专门是由于科学技术水平的提高，使得各

种不同的研究对象〝图像化〞或〝数字化〞，可采纳某种技术把考察的对象转换成图片、波形图以及假设干数据，这些数据就能够代表所研究的对象。

然而关于模式识别来说，不管是数据、信号依旧平面图像或立体景物差不多上除掉它们的物理内容而找出它们的共性，把具有同一共性的归为一类，而具有另一种共性者归为另一类。

图像模式识别是用机器对文字、图像、图片和景物等模式信息加以处理和识别，用以解决运算机与外部环境直截了当通信这一重要问题。

其目的确实是研制采纳某种仪器或设备，自动处理某些信息，代替人完成分类和辨识的任务，同时能够快速而准确地进行图形识别。

一样来说，一个图像识别由图像预处理、图像特点提取和图像模式分类三个要紧部分组成。

前期处理一样是指把图像进行平滑、增强、复原、边缘检测和分割等操作，其目的是把输入图像简化为分段模式。

特点提取是指在满足分类识别正确率要求的条件下，提取图像的要紧特点，并按某种准那么尽量选用对正确分类识别作用大得特点，使得用较少的特点就能完成分类识别任务。

图像模式分类是最重要的一部分，它是依据所提取的特点，将前一部分的特点向量空间映射到类型空间，把相应图像归属的一类模式。

2.3.2图像模式识别的差不多方法

一个图像识别系统要紧由三个环节组成：

图像数据猎取，数据加工和处理、抽取特点，判定分类等，如图2-2所示。

图2-2图像识别系统框图

下面简单对这几个环节作以说明：

1、数据猎取来自现实的模拟数据，如图片、照片、图像和景物等由一个传感器〔如扫描仪、机、数字摄像机、数码相机〕传入，然后被转换成适合运算机处理的形式，立即物理量变成一组测量值。

2、数据处理数据处理包括预处理、特点抽象和特点选择。

预处理技术包括各种图像处理技术，其目的是改善图像质量，清晰图像中的噪声，减轻或排除因传感器与传输介质本身不完善而引起的退化现象，便于机器分析处理等。

特点抽取确实是从图像中提取一组反映图像特性的差不多元素或数字值。

特点选择那么是从差不多抽取的特点中选择能够更好地完成分类识别任务的特点来表示原图像。

3、判别分类判别分类确实是采纳一定的准那么或机制建立分类规那么，并用它们对未知图像模式进行分类识别。

用于解决图像识别的方法概括起来可分为统计模式识别、结构模式识别、模糊图像识别和智能模式识别〔要紧是人工神经网络模式识别〕4类，前两类方法有久远的历史，进展较为成熟，对解决相应领域中的模式识别问题均有明显的成效，是模式识别分类的经典与基础性技术。

20世纪80年代新兴的人工神经网络，作以一种广义的智能模式识别法，更以崭新的姿势，以其全局相关的特色，在模式识别领域取得了许多传统方法所难达到的成就，下面分别作以介绍：

1、统计图像识别：

统计图像识别是以概率理论为基础的，模式用特点向量描述，找出决策函数进行模式决策分类。

其差不多思想是：

不管输入的对象是什么，它都表示为一个数组。

这数组不是任意的，而是适当选择的、对原始数据进行各种测量的结果。

统计图像识别的大致过程如图2-3所示。

图2-3统计图像识别系统结构图

图中的上半部分是识别部分，即对未知类别的图像进行分类；下半部分是分析部分，即由类别的训练样本求出判别函数及判别规那么，进而用来对未知类别的图像进行分类。

框图右下角部分是自适应处理部分，当用训练样本依照某些规那么求出一些判别规那么后，再对这些训练样本逐个进行检测，观看是否有误差。

如此不断改进判别规那么，直到满足条件为止。

2、结构图像识别：

结构模式识别是按模式本身的结构和结构关系对物体进行识别的方法。

由于它是将现代自然语言分析的形式语言理论〔句子分解为各种词类，如名词、动词、副词等〕用于模式识别，因此又称为句法模式识别。

其差不多思想是：

一个复杂的模式能够由一个简单的模式递归地描述。

换言之，关于每个复杂的模式，能够用一些较简单的子模式来描述，而每一个比较简单的子模式再用一些更为简单的子模式来描述，最后用一些最简单的模式基元来表示。

句法模式识别框图如图2-4所示。

图中的上半部分是识别时期，即对未知类别的样本进行句法分析并输出分类结果，同时输出待识别样本的结构描述；下半部分是分析时期，用一些结构信息的模式样本构造出一些文法规那么，以便用这些文法对描述未知模式的句子进行句法分析。

图2-4句法模式识别系统结构图

3、模糊模式识别：

模糊模式识别是模糊集理论在模式识别中的应用。

人对客观事物的认识带有模糊性，如通常所说的高矮、胖瘦，青年、老年，温顺和剧烈等都带有模糊性的语言，人类利用这些模糊语言进行交流，并通过大脑分析和决策。

模糊数学确实是研究如何利用模糊信息对确定事物进行定量分析。

因此，将模糊集理论用于模式识别系统，利用模糊信息进行模式决策分析，使运算机带有接近人类的智能，这是专门重要的研究课题。

模糊识别的要紧方法有最大隶属原那么识别法、接近原那么识别法和模糊聚类分析法。

4、人工神经网络图像模式识别：

人工神经网络的研究起源于对生物神经系统的研究。

人工神经网络区别于其他识别方法的最大特点是它对待识别的对象不要求有太多的分析与了解，具有一定的智能化处理的特点。

神经网络分类器是一种智能化模式识别系统，尽管神经网络的设计和实现依靠与体会，泛化性能不能确保最优，然而它能够增强系统的学习能力、自适应能力和容错性，具有专门强的进展应用前景。

神经网络在图像识别中的应用按处理数据类型大致能够分为两类：

一类是基于图像像素数据的神经网络算法；另一类是基于图像特点数据的神经网络算法即特点空间的聚类识别算法。

基于图像像素数据的神经网络识别技术，是用高维的原始图像数据作为神经网络的训练样本。

目前专门多神经网络算法是基于像素进行图像识别的，其图像识别的流程图如图2-5所示。

图2-5基于图像特点数据的神经网络图像识别流程图

基于图像特点数据的神经网络的图像识别技术是用图像的特点数据作为神经网络的训练样本。

此类技术中，神经网络作为特点聚类器，有专门多的神经网络别研究人员运用，如BP神经网络、模糊神经网络、Hopfield神经网络、RAM自适应神经网络、SOFM神经网络、细胞神经网络等。

其图像识别的流程图如图2-6所示。

此类技术实际上是传统方法与神经网络技术的结合，它利用人的体会来获

取模式特点以及神经网络分类能力来识别目标函数。

其图像识别的关键是图像的特点提取必须反映整个图像的特点。

图2-6基于图像特点数据的神经网络图像识别流程图

第三章各类算法的比较

3.1基于模板匹配的模式识别分类算法

3.1.1模板匹配的差不多概念

模板确实是一幅的小图像。

模板匹配确实是在一幅大图像中搜寻目标，该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像，通过一定的算法能够在图中找到目标，确定其坐标位置。

以8位图像（其1个像素由1个字节描述）为例，模板T（H×W个像素）叠放在被搜索图S（m×n个像素）上平移，模板覆盖被搜索图的那块区域叫子图Sij。

i，j为子图左上角在被搜索图S上的坐标。

搜索范畴是：

1≤i≤W–M

1≤j≤H–N

通过比较T和Sij的相似性，完成模板匹配过程。

注意：

图像的数据是从下到上、从左到右排列的。

原始图像S（H,W）和模板T〔m,n〕如以下图所示:

被搜索图模板

能够用下式衡量T和Sij相似性：

当模板和子图完全一样时，相关系数R（i,j）=1。

在被搜索图S中完成全部搜索后，找出R的最大值Rmax（im,jm），其对应的子图Simjm即为匹配目标。

明显，用这种公式做图像匹配运算量大、速度较慢。

另一种算法是衡量T和Sij的误差，其公式为：

E（i,j）为最小值处即为匹配目标。

为提高运算速度，取一个误差阈值E0，当E（i,j）>E0时就停止该点的运算，连续下一点运算。

3.1.2模板匹配算法的matlab实现

用matlab实现模版匹配的源程序如下：

clearall;

closeall;

clc;

img=imread（'lena.jpg'）;

imshow（img）;

img=double（img）;

mask=double（imcrop（））;

[mn]=size（img）;

[HW]=size（mask）;

ifmod（H,2）~=1

H=H+1;

end

ifmod（W,2）~=1

W=W+1;

end

mask=imresize（mask,[HW]）;

HH=floor（H/2）;

WW=floor（W/2）;

imgn=zeros（m+2*HH+1,n+2*WW+1）;

imgn（HH+1:

m+HH,WW+1:

n+WW）=img;

imgn（1:

HH,WW+1:

n+WW）=img（1:

HH,1:

n）;

imgn（1:

m+HH,n+WW+1:

n+2*WW+1）=imgn（1:

m+HH,n:

n+WW）;

imgn（m+HH+1:

m+2*HH+1,WW+1:

n+2*WW+1）=imgn（m:

m+HH,WW+1:

n+2*WW+1）;

imgn（1:

m+2*HH+1,1:

WW）=imgn（1:

m+2*HH+1,WW+1:

2*WW）;

re=imgn;

fori=HH+1:

m+HH

forj=WW+1:

n+WW

tmp=imgn（i-HH:

i+HH,j-WW:

j+WW）;

re（i,j）=sum（sum（（tmp-mask）.^2））;%最小平方差

end

end

figure;

re=mat2gray（re（HH+1:

m+HH,WW+1:

n+WW））;

imshow（1-re）;

结果如下：

图中高亮部分为眼睛所在不部位

：

3.2基于贝叶斯算法的图像模式识别分类设计

3.2.1贝叶斯算法简介

模式识别分类问题是对待识别的对象提取观测值，然后依照观测值进行分类。

第一建立识别对象的训练集，其中每点的类别，依照这些条件，建立判别函数，通过现有的样品估量判别函数中的参数，然后用此判别函数去对类别未知的样品进行判定。

3.2.1.1贝叶斯法那么

贝叶斯法那么是对主观判定的一种修正方法，是指当样本足够多时，样本概率与总体概率近似。

一样情形下，事件A在事件B的条件下的概率，与事件B在事件A条件下的概率不相等，然而，这两者是有确定关系的，贝叶斯法那么确实是这种关系的描述。

3.2.1.2贝叶斯决策

贝叶斯法那么只是一种方法，是从大的方向上讲，要将它细化又能够分为许多的具体实施的决策。

假如统计知识完整，贝叶斯决策理论是一种最优分类器。

贝叶斯分类器是分类错误概率最小或者是平均风险最小的分类器。

其设计方法属于一种差不多的统计分类方法。

3.2.1.3基于最小错误概率的贝叶斯决策

假设每个样品属于w1,w2类中的一类，两类的先验概率分别p（w1）,P（w2）,两类的类别密度函数为P（X∣w1）,P（X∣w2）。

那么任给一x，判定x的类别。

由贝叶斯公式可知

由全概率公式可知：

其中M为类别数。

关于两类问题，

，因此用后验概率来判别

3.2.2图像分类识别系统实现

3.2.2.1HSV颜色空间

HSV颜色空间比较其它的颜色空间更适合人的视觉特性。

其中包含色调H（Hue）、饱和度S（Saturation）和亮度V（Value）。

色调H表示表示光的颜色，饱和度S表示光的浓度，亮度v表示光的明暗程度。

在基于内容的图像检索中，应用这种颜色空间模型会更适合用户的视觉判定。

3.2.2.2颜色空间的量化

依照人的视觉辨论能力的分析，颜色大致划分为如下9种：

红、黄、绿、青、蓝、紫、黑、灰和白，依据这九种颜色就能够大致描述一幅图像。

因此，能够依照这九种颜色来大致确定图像的主颜色特点。

3.2.2.3分块主色的实现

本文对图像二维空间进行4*4的划分。

对其中每一个分块，统计出像素最多的那种颜色作为主色，建立图像的颜色特点向量。

分块主色法是统计图像每个分块主色来突出颜色的空间关系，适用于主题位置相对固定的分类问题，关于变化较大的图像成效会明显减弱。

3.2.2.4主要MATLAB程序

函数名:

bayesleasterror（）

参数:

sample:

待识别图像特点

返回值:

Y:

待识别图像所属类别

函数功能：

最小错误概率的贝叶斯分类器

functiony=bayesleasterror（sample）

clc；loadtempletpattern；

％对图像库和待测图像进行主成分分析

[pcapat,pcasamp]=pcaprO（sample）；

temp=0；

fori=1:

2

pattern（i）.feature=pcapat（:

temp+1:

temp+pattern（i）.num）；

temp=temp+pattern（i）.num；

end

s_cov=[]；s_inv=[]；s_det=[]；

fori=l:

2

s_cov（i）．dat=cov（pattern（i）.feature'）；％求个类别的协方差矩阵

s_inv（i）.dat=inv（s_cov（i）.dat）；％求协方差矩阵的逆矩阵一

s_det（i）=det（s_cov（i）.dat）；％求协方差矩阵的行列式

end

suml=0;p=[]；

fori=1:

2

sum1=sum1+pattern（i）.num；％求图像库样品总数

end

fori=1:

2

p（i）=pattern（i）.num／sum1；％求类别的先验概率

end

h=[]；mean_sap=[]；

fori=1:

2

mean_sap（i）.dat=mean（pattern（i）.feature'）；％求每类图像的特点值

end

％运算最大的判别函数

fori=1:

2

h（i）=（pcasamp-mean_sap（i）.dat）’*S_inv（i）.dat*（pcasamp-mean_sap（i）.dat）*（-0.5）+log（p（i）+log（abs（s_det（i）））*（-0.5）;

end

[maxvalmaxpos]=max（h）;y=maxpos;

基于神经网络的图像模式识别分类算法：

神经网络的差不多概念

传统的图像识别技术是基于文本的检索技术，它依靠人工对图像进行手工注解，然后依照关键字对图像进行识别。

人工神经网络〔ArtificialNeuralNetworks,ANN〕是在现代神经生物学研究基础上提出的模拟生物过程以反映人脑某些特性的运算结构。

它不是人脑神经系统的真实描写，而只是它的某种抽象、简化和模拟。

神经元及其突触是神经网络的差不多器件。

因此，模拟生物神经网络应第一模拟生物神经元。

在人工神经网络中，神经元常被称为〝处理单元〞。

有时从网络的观点动身常把它称为〝节点〞。

人工神经元是对生物神经元的一种形式化描述，它对生物神经元的信息处理过程进行抽象，并用数学语言予以描述；对生物神经元的结构和功能进行模拟，并用模型予以表达。

为了模拟生物神经元，一个简化的人工神经元如图3-1所示。

该神经元是一个多输入单输出的非线性元件，其输入输出关系可描述为：

图3-1人工神经元模型

人工神经元模型能够看成是由三个差不多要素组成：

1、一组连接权〔对应于生物神经元的突触〕，连接强度由各连接上的权值表示，权值为正表示鼓舞，为负值表示抑制。

2、一个求和单元，用于求取各输入信息的加权和〔线性组合〕。

3、一个非线性鼓舞函数，起非线性映射作用并限制神经元输出幅度在一定的范畴之内。

此外还有一个阈值。

阈值也被看作是一个输入重量，也确实是阈值也是一个权值。

在网络的设计中，偏差起着重要的作用，它使得激活函数的图形能够左右移动而增加了解决问题的可能性。

通常所说的人工神经网络结构，要紧指它的连接方式。

人工神经网络模型要紧考虑网络连接的拓扑结构、神经元的特点、学习规那么等。

目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。

依照连接的拓扑结构，神经网络模型能够分为：

前馈型神经网络和反馈型网络。

其中典型的前馈型神经网络如BP〔BackPropagation〕神经网络，RBF〔RadicalBasisFunction〕神经网络。

下面举例说明基于BP神经网络的图像模式识别。

基于BP神经网络的图像模式识别实现

BP神经网络是一种典型的前馈神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它能够实现从输入到输出的任意非线性映射。

由于权值的调整采纳反向传播〔BackPropagation〕学习算法，因此也常称其为BP网络。

BP网络结构图如下：

其算法步骤描述如下:

（1）设置变量和参数,其中包括训练样本,权值矩阵,学习速率。

（2）初始化,输入样本,提供训练模式,训练网络,直到满足学习要求。

（3）前向传播过程:

对给定训练模式输入,运算网络的输出模式,并与期望模式比较,假设有误差,那么执行（4）;否那么,返回

（2）。

（4）后向传播过程:

a.运算同一层单元的误差;b.修正权值和阈值;c.返回

（2）。

下例为基于BP神经网络的英文字母识别方法能实现对26个英文字母的识别，其matlab程序如下：

clear;closeall;

clc;

[alphabet,targets]=prprob;

[R,Q]=size（alphabet）;

[S2,Q]=size（targets）;

S1=10;

P=alphabet;

net=newff（minmax（P）,[S1,S2],{'logsig''logsig'},'traingdx'）;

net.LW{2,1}=net.LW{2,1}*0.01;

net.b{2}=net.b{2}*0.01;

T=targets;

net.performFcn='sse';

net.trainParam.goal=0.1;

net.trainParam.show=20;

net.trainParam.epochs=5000;

net.trainParam.mc=0.95;

[net,tr]=train（net,P,T）;

netn=net;

netn.trainParam.goal=0.6;

netn.trainParam.epochs=300;

T=[targetstargetstargetstargets];

forpass=1:

10;

P=[alphabet,alphabet,...

（alphabet+randn（R,Q）*0.1）,...

（alphabet+randn（R,Q）*0.2）];

[netn,tr]=train（netn,P,T）;

end

netn.trainParam.goal=0.1;

netn.trainParam.epochs=500;

netn.trainParam.show=5;

P=alphabet;

T=targets;

[netn,tr]=train（netn,P,T）;

noise_percent=0.2;

fork=1:

26

noisyChar=alphabet（:

k）+randn（35,1）*noise_percent;

subplot（6,9,k+floor（k/9.5）*9）;

plotchar（noisyChar）;

de_noisyChar=sim（net,noisyChar）;

de_noisyChar=compet（de_noisyChar）;

answer=find（de_noisyChar==1）;

subplot（6,9,k+floor（k/9.5）*9+9）;

plotchar（alphabet（:

answer））;

end

set（gcf,'Position',[10,60,900,700],'color','w'）

运算结果如下：

实验结果说明，基于BP神经网络的英文字母识别方法能实现对26个英文字母的准确、快速识别，并具有较强的抗干扰能力。

2基于贝叶斯算法的图像模式识别分类设计

2.1贝叶斯算法简介

模式识别分类问题是对待识别的对象提取观测值，然后依照观测值进行分类。

第一建立识别对象的训练集，其中每点的类别，依照这些条件，建立判别函数，通过现有的样品估量判别函数中的参数，然后用此判别函数去对类别未知的样品进行判定。

2.1.1贝叶斯法那么

贝叶斯法那么是对主观判定的一种修正方法，是指当样本足够多时，样本概率与总体概率近似。

一样情形下，事件A在事件B的条件下的概率，与事件B在事件A条件下的概率不相等，然而，这两者是有确定关系的，贝叶斯法那么确实是这种关系的描述。