文档介绍：第七章图像识别
利用神经网络识别实现图像分割
第7章 图像识别
概论
图像匹配
基于最小错误率贝叶斯决策理论
线性判别函数
人工神经网络
图像识别 运用模式
用于分类的测度。
（2）特征向量
由多个特征组成的向量。
Ⅹ= (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”。
图像匹配
1 定义
根据已知模式到另一幅图中寻找相应的模式。
2 基于相关的模板匹配
3 基于误差平方和的模板匹配
4、特征模板匹配
5、 特征匹配
基于最小错误率贝叶斯决策理论
1 贝叶斯公式
（1）概率：某事件发生的几率。
（2）先验概率
在实际的事件没有出现之前，我们所拥有的该事件可能出现的概率。
举例：（1）***牌：大王，K。
（2）硬币：正面，反面。
（3）赌场押大小：
1000次：810次大，190次小。
1001次？1002次？…
问题：是否可以提高押对的概率，减少押错的概率？
除先验概率外，必须利用其他的信息。
（3）类条件概率密度
细胞识别：正常细胞ω1
异常细胞ω2
光密度特征：x
类条件概率密度p(x|ω)：
类别状态为ω时的x概率密度函数。
（4）贝叶斯公式
A、P(ωj,x) =P(x|ωj) P(ωj) （总体；类）
举例：P(ω1)=，P(ω2)=,
P(x=12|ω1)=，P(x=12|ω2)=
则：P(ω1, x=12)=*
P(ω2, x=12)=*
B、 P(ωj,x) =P(ωj | x) P(x)
C、贝叶斯公式
贝叶斯公式的物理含义：
通过观察x的值，就可以把先验概率转化为后验概率，即特征值x已知的情况下类别属于ωj的概率 。
2、基于最小错误率的贝叶斯决策
（1）决策规则（两类情况）
（2）判决的误差概率
练****br/> 某地区细胞识别； P(ω1)=， P(ω2)= 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？
线性判别函数
1 问题的引入
（1）Bayes决策尽管是最优决策，但实现困难。
A、类条件概率密度的形式常难以确定。
B、非参数方法需要大量样本。
（2）模式识别的任务是分类，可根据样本集直接
设计判别函数。（次优的）
2 线性判别函数的基本概念
（1）线性判别函数的一般表达式：
（举例）
（2）决策规则
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。
1 生物神经网络
（1）复杂多样性
生物神经网络复杂多样，不仅在于神经元和突触
的数量大、组合方式复杂和联系广泛，还在于突触传
递的机制复杂。已经发现的传递机制有突触后兴奋、
突触后抑制、突触前兴奋、突触前抑制，远程“抑制”。
（2）生物神经计算六个基本特征
•神经元及其联接：多输入，一输出；
•神经元之间的联接强度决定信号传递的强弱；
•神经元之间的联接强度可以通过训练改变；
•信号可以起刺激作用，也可以起抑制作用；
•神经元接受信号的累积决定该神经元的状态；
•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Artificial Neural Networks（ANN）
是对人类大脑系统的一阶特性的一种描述，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
序来模