第第7章章 图像识别图像识别利用神经网络识别实现图像分割 第第7章章 图像识别图像识别7.1 概论概论7.2 图像匹配图像匹配7.3 基于最小错误率贝叶斯决策实际基于最小错误率贝叶斯决策实际7.4 线性判别函数线性判别函数7.5 人工神经网络人工神经网络 图像识别图像识别 运用方式识别的原理对图像对象进运用方式识别的原理对图像对象进展分类的学问。展分类的学问。 7.1 概论概论1方式识别的根本定义方式识别的根本定义 1方式识别方式识别(Pattern Recognition) 进展物体分类的学科。进展物体分类的学科。 举例：人日常生活中的方式识别举例：人日常生活中的方式识别 2方式方式(pattern) A、事物所具有的时间或空间分布信息。狭义、事物所具有的时间或空间分布信息。狭义 B、描画子的组合。更狭义、描画子的组合。更狭义一维信息：例如声音信号，腾格尔的歌声。二维信息：例如图像信号，数字照相机拍摄的照片。三维信息：CT重建图像。多维信息： 3方式类(pattern class) 一个拥有某些共同特性的方式族。 2 方式识别系统方式识别系统1信息的获取 经过传感器，将光或声等信息转化为电信息。2预处置： A、信号加强：去除噪声，加强有用信息。 信号恢复：对退化景象进展复原。 B、归一化处置 例如图像大小的归一化； 神经网络输入数据的归一化3特征提取和特征选择 A、特征分类：物理特征、构造特征、数学特征。 B、特征构成：根据被识别的对象产生出一组根本特征，它可以是计算出来的当识别对象是波形或数字图像时，也可以是用仪表或传感器丈量出来的当识别对象是事物或某种过程时，这样产生的特征叫做原始特征。 C、特征提取：原始特征的数量能够很大，经过映射或变换的方法可以用低维空间表示样本，这个过程叫做特征提取。映射后的二次特征是原始特征的线性组合通常是线性组合。 D、特征选择：从一组特征中挑选出一些最有效的特征以到达降低特征空间维数的过程。 例如：一幅96x64的图象aGabor滤波器编码；b小波变换+神经网络；c细节点 分叉点、端点4分类器设计 分类器设计的主要功能是经过训练确定判决规那么，使按此类判决规那么分类时，错误率最低或风险最小。5分类决策 在特征空间中对被识别对象进展分类。思索题： 水果如苹果和桔子 图像自动识别系统：选择那些有效特征，可以把苹果和桔子有效地域分开来？3 方式识别的根本问题方式识别的根本问题1特征如何提取？-特征产生2最有效的特征是那些特征？-特征选择3对特定义务，如何设计分类器？ -分类器设计4分类器设计后，如何评价分类器？分类错误率是多少？ -分类器评价方式传感器 特征产生 特征选择分类器设计分类器评价设计流程4 方式识别方法的分类方式识别方法的分类1监视与非监视方式识别 A、监视方式识别 利用先验知识和训练样本来设计分类器。 B、非监视方式识别 利用特征向量的类似性来自动进展分类。2其他分类方法 A、统计方式识别 根据决策实际而进展方式识别的方法。 包括贝叶斯决策实际、判别函数、近邻法等。 B、聚类方式识别 C、神经网络方式识别 D、构造方式识别句法方式识别 5 预备知识预备知识1特征 用于分类的测度。2特征向量 由多个特征组成的向量。 = (X1,X2,Xn)T 3分类器 把特征空间划分为不同类别区域的“机器。 7.2 图像匹配图像匹配 1 定义定义 根据知方式到另一幅图中寻觅相应的方式。根据知方式到另一幅图中寻觅相应的方式。2 基于相关的模板匹配基于相关的模板匹配 3 基于误差平方和的模板匹配基于误差平方和的模板匹配 4、特征模板匹配、特征模板匹配5、 特征匹配特征匹配 7.3 基于最小错误率贝叶斯决策实际基于最小错误率贝叶斯决策实际 1 贝叶斯公式叶斯公式1概率：某事件概率：某事件发生的几率。生的几率。2先先验概率概率 在在实践的事件没有出践的事件没有出现之前，我之前，我们所所拥有的有的该事件能事件能够出出现的概率。的概率。 举例：例：1扑克牌：大王，扑克牌：大王，K。 2硬硬币：正面，反面。：正面，反面。 3赌场押大小：押大小： 1000次：次：810次大，次大，190次小。次小。 1001次？次？1002次？次？问题：能否可以提高押对的概率，减少押错的概率？除先验概率外，必需利用其他的信息。3类条件概率密度 细胞识别：正常细胞1 异常细胞2 光密度特征：x 类条件概率密度p(x|)： 类别形状为时的x概率密度函数。4贝叶斯公式 A、P(j,x) =P(x|j) P(j) 总体；类 举例：P(1)=0.4，P(2)=0.6, P(x=12|1)=0.15，P(x=12|2)=0.35 那么：P(1, x=12)=0.15*0.4 P(2, x=12)=0.35*0.6 B、 P(j,x) =P(j | x) P(x) C、贝叶斯公式贝叶斯公式的物理含义： 经过察看x的值，就可以把先验概率转化为后验概率，即特征值x知的情况下类别属于j的概率 。2、基于最小错误率的贝叶斯决策、基于最小错误率的贝叶斯决策1决策规那么两类情况决策规那么两类情况 2判决的误差概率判决的误差概率 练习： 某地域细胞识别； P(1)=0.9， P(2)=0.1 未知细胞x，先从类条件概率密度分布曲线上查到： 求解：该细胞属于正常细胞还是异常细胞？ 7.4 线性判别函数1 问题的引入 1Bayes决策虽然是最优决策，但实现困难。 A、类条件概率密度的方式常难以确定。 B、非参数方法需求大量样本。 2方式识别的义务是分类，可根据样本集直接 设计判别函数。次优的2 线性判别函数的根本概念 1线性判别函数的普通表达式： 举例2决策规那么7.5 人工神经网络人工神经网络 人工神经网络是对生物神经网络的简单模拟。人工神经网络是对生物神经网络的简单模拟。 1 生物神生物神经网网络1复复杂多多样性性 生物神生物神经网网络复复杂多多样，不，不仅在于神在于神经元和突触元和突触的数量大、的数量大、组合方式复合方式复杂和和联络广泛，广泛，还在于突触在于突触传递的机制复的机制复杂。曾。曾经发现的的传送机制有突触后送机制有突触后兴奋、突触后抑制、突触前突触后抑制、突触前兴奋、突触前抑制，、突触前抑制，远程程“抑制抑制。2生物神经计算六个根本特征 神经元及其联接：多输入，一输出； 神经元之间的联接强度决议信号传送的强弱； 神经元之间的联接强度可以经过训练改动； 信号可以起刺激作用，也可以起抑制造用； 神经元接受信号的累积决议该神经元的形状； 每个神经元可以有一个“阈值。2 人工神经网络人工神经网络 人工神经网络人工神经网络Artificial Neural NetworksANN是对人类大脑系统的一阶特性的一种描画，是一个数是对人类大脑系统的一阶特性的一种描画，是一个数学模型，可以用电子线路来实现，也可以用计算机程学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研讨的一种方法。序来模拟，是人工智能研讨的一种方法。1人工神经元模拟生物神经元的一阶特性 输入：X=x1，x2，xn 联接权：W=w1，w2，wnT 网络输入：y=xi*wi =XW 鼓励函数：f 输出：o2激活函数 激活函数(Activation Function)执行对该神经元所获得的网络输入的变换： o=fy A、线性函数Liner Function fy=ky+c B、非线性斜波函数(Ramp Function) C、阈值函数Threshold Function阶跃函数 D、S形函数Sigmoid3三层前馈神经网络 BP神经网络模型：Back-propagation 可以逼近恣意函数x1o1输出层输出层隐藏层隐藏层输入层输入层x2o2omxnl由教师对每一种输入方式设定一个期望输出值。l对网络输入实践的学习记忆方式，并由输入层经中 间层向输出层传播称为“方式顺传播。实践输出与期望输出的差即是误差。l按照误差平方最小这一规那么，由输出层往中间层逐层修正结合权值，此过程称为“误差逆传播。l随着“方式顺传播和“误差逆传播过程的交替反复进展，网络的实践输出逐渐向各自所对应的期望输出逼近，网络对输入方式的呼应的正确率也不断上升。补充资料：鱼的分类补充资料：鱼的分类 我们经过鱼眼的图像特征，用支持向量机对鱼进展分类。当用一个支持向量机时，正确识别率为8385%之间，当用多个支持向量机构成分类器组合时，正确识别率提高到8991%之间。 点评点评