内容发布更新时间 : 2024/5/12 7:21:09星期一 下面是文章的全部内容请认真阅读。

学 号： 1049721603719

武汉理工大学

模式识别及其在图像处理中的应用

学院（系）： 自动化学院 课程名称： 模式识别原理 专业班级：控制科学与工程1603班 任课教师： 张素文

学生姓名： 王红刚

2017年1月3日

模式识别及其在图像处理中的应用

摘要:随着计算机和人工智能技术的发展, 模式识别在图像处理中的应用日益广泛。 综述了模式识别在图像处理中特征提取、主要的识别方法(统计决策法、句法识别、模糊识别、神经网络)及其存在的问题, 并且对近年来模式识别的新进展———支持向量机与仿生模式识别做了分析和总结, 最后讨论了模式识别亟待解决的问题并对其发展进行了展望。

关键词:模式识别;图像处理;特征提取;识别方法

Pattern Recognition and Its Application in Image Processing

Abstract:With the development of computer and artificial intelli-gence , pattern recognition is w idely used in the image processing in-creasingly .T he feature extraction and the main methods of pattern recognition in the image processing , w hich include statistical deci-sion, structural method , fuzzy method , artificial neural netw ork aresummarized.T he support vector and bionic pattern recognition w hich are the new developments of the pattern recognition are also analyzed .At last, the problems to be solved and development trends are discussed.

Key words:pattern recognition ;image processing ;feature extrac-tion;recognition methods

- 1 -

模式识别诞生于 20 世纪 20 年代, 随着计算机的出现和人工智能的发展, 模式识别在 60 年代初迅速发展成一门学科。它所研究的理论和方法在很多学科和领域中得到广泛的重视, 推动了人工智能系统的发展, 扩大了计算机应用的可能性。图像处理就是模式识别方法的一个重要领域, 目前广泛应用的文字识别(OCR)就是模式识别在图像处理中的一个典型应用。

1 模式识别的基本框架

模式识别在不同的文献中给出的定义不同。一般认为, 模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息, 模式所属的类别或同一类中模式的总体称为模式类, 其中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动地(或者人为进行少量干预)将待识别的模式分配到各个模式类中的技术。模式识别的基本框架如图 1 所示。

分类器设计

样本 预处理 特征选择与提取 分类结果 （识别结果）

（）） 图 1 模式识别的基本框架

根据有无标准样本, 模式识别可分为监督识别方法和非监督识别方法。监督识别方法是在已知训练样本所属类别的条件下设计分类器, 通过该分类器对待识样本进行识别的方法。如图 1 , 标准样本集中的样本经过预处理、选择与提取特征后设计分类器, 分类器的性能与样本集的大小、分布等有关。待检样本经过预处理、选择与提取特征后进入分类器, 得到分类结果或识别结果。 非监督模式识别方法是在没有样本所属类别信息的情况下直接根据某种规则进行分类决策。应用于图像处理中的模式识别方法大多为有监督模式识别法, 例如人脸检测、车牌识别等。无监督的模式识别方法主要用于图像分割、图像压缩、遥感图像的识别等。

模式识别过程可以看作从样本空间到类别空间的一个映射过程。如果把一个具有 n 个特征作为参量的 n 维特征空间划分为不同的区域, 那么每个区域与一类模式类相对应。其中, 特征选择与提取是模式识别的一个重要环节, 如果所选取的特征能够比较全面反映类的本质特征, 那么分类器就比较容易设计；否则, 分类器设计的难度就增加。因此特征选择和提取是模式识别研究的一项重要内容。

2 特征提取和特征选择

原始样本往往处于一个高维空间, 特征提取指的是通过映射的方法用低维空间来表示样本的过程。 特征提取后样本的可分性应该更好, 分类器更易设计。常用的方法有主元分析法(PCA)、线性判别分析、核函数主元分析(Kernel PCA)、独立主元分析法(ICA)、自组织映射(SOM)方法等。文献[2] 对上述方法的性质进行了详细的比较, 并指出各种方法适合解决的问题。特征提取在图像处理(例如图像分割、图像识别、图像检索等)中得到了广泛的应用, 文献[7] 采用 Kernel PCA 方法进行人脸识别, 结果表明比直接的特征脸方法获得更小的错识率。在人脸识别或人脸认证中,

- 2 -