文档介绍：最小距离分类法,,最简单的就是模式匹配,就是把未知图像和一个标准图像相比,看它们是否相同或相近。,它们的特征向量为:任何一个待识别的图像的特征向量为那么,X属于A还是B?若X=A则该图像为A,X==A呢?,则当:时,X属于A;当:时,X属于B;,=[12…m],每一类由一堆向量,从每一堆向量中,挑出一个最标准的为代表,称为图像的原型。如i类,其原型的特征向量为:计算距离找出最小的距离,设为则X属于i类。具体判别时,可用代替距离进行计算,即式中为特征的线性函数,可作为判别函数:若则X属于i类对任一被识图像X:,如二类问题,如下图12R1R2将模板1、2做连线,在做平分线平分线左边为R1区,右边为R2区,R1,R2为决策区域。对于三类问题,则有三个区:12R1R23R312R1R23R34R4对于四类问题,则有四个区:上面是针对二维特征向量,界面为线,决策区为平面,对于三维特征向量,界面为超平面,,是取一个最标准的向量做代表,但是有许多图像,一类中不能只取一个向量做代表,例如要求识别一类零件中五种相互近似的形状,则一类的代表应该有五个向量,这样就把最小距离的概念从一个点到一个点的距离扩充到一个点到一组点之间的距离,如果有m类,12…m,其向量组分别为12…,i=[i1,i2…iki],然后再求距离。求这种距离应该计算最近邻距离,用数学表示就是:若则x属于i用这种方法,决策边界将是片状的,例如,一个二分类问题11有两个代表,11,12,设2有三个代表,21,22,。2111R1R2122223R1这种方法,概念简单,但分段边界较复杂。如果是非线性的边界,可用分段线性来代替。要针对具体的问题进行处理近邻法则是一种次优法则,其产生的错误率要比最小的贝叶斯错误率大。但是,当子样数目较多时,,又名聚合分类法或称群分技术。它与上述方法不同。(1)聚合分类,聚合分类是一种分类方法,它是把特征空间中彼此靠近的点归属于同一类,称为子类,也称为分群技术。实际上就是用一个准则函数,比如说这个准则函数是数据到各个群的中心距离的