文档介绍：模式识别及其在图像处理中的应用
模式识别及其在图像处理中的应用
模式识别及其在图像处理中的应用
学 号: 
19
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: 模式识瞧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, 特征选择与提取就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。因此特征选择与提取就是模式识别研究的一项重要内容。
2 特征提取与特征选择
原始样本往往处于一个高维空间, 特征提取指的就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
模式识别及其在图像处理中的应用
模式识别及其在图像处理中的应用
模式识别及其在图像处理中的应用
)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,
文献[8]采用了DCT变化降低原始特征的维数后进一步利用 DCT 变换的一些系数作为特征向量进行识别。另外在图像压缩中也广泛应用到 DCT 变换以去除图像的空间冗余。文献[ 9] 采用基于分型的特征提取方法对手写签名进行识别。
以上文献均说明, 不同的模式识别问题特征差别可能很大,因而特征提取方法也不尽相同。每一种特征提取方法只适合解决某些特定范围的问题, 例如对于服从高斯型分布的线性相关特征, 采用 PCA 方法比较好, 用其她方法提取特征结果可能不就是“ 最优” 。特征提取的优劣要根据一定的判据来衡量, 由于模式识别中没有一个统一的衡量特征优劣的判据, 所谓的最优就是在特定准则下取得的, 就是相对的最优。
特征提取后的各个特征的物理意义有时不就是很直观, 往往很难瞧出各个特征对分类的影响, 有的特征可能无助于分类器的设计, 甚至会降低分类器的性能。因此要在这些特征中选出最适合分类器设计的特征。换句话说, 特征选择就就是从一组特征 D 中挑选出一些对分类最有效特征d(D >d)的过程。实际中特征选择与提取往往结合使用。
为了判断提取与选择的特征对分类的有效性, 人们提出各种衡量特征分类性能的判据。最直接最有效的判据就是计算分类器错误概率, 但一般情况下, 错误概率的计算很复杂, 有时甚至无法计算。 因此人们提出一些其她的判据。最简单的判据就是用于可分性判据的类内类间距离判据, 其基本原则就是类内距离最小、类间距离最大的特征为最优特征。一方面, 这一判据物理意义明显, 计算方便, 但就是距离的定义不同, 得到的特征不同;另一方面, 它与概率分布没有直接关系。为此人们提出基于概率分布的可分性判据(例如 Bhattacharyya 距离、Chernoff 界限、散度),