图像模式识别 (七)

主要识别方法
1）模板匹配识别
利用模板匹配可以在一幅图象中找到已知的物体。比如抓拍到了一张射门的照片，要在该照片中找到足球的位置。这时就可以采用模板匹配的方法。所谓模板匹配，其实想法很简单：拿已知的模板(在本例中为足球的图象)，和原图象中同样大小的一块区域去对。最开始时，模板的左上角点和图象的左上角点是重合的，拿模板和原图象中同样大小的一块区域去对比，然后平移到下一个象素，仍然进行同样的操作，……所有的位置都对完后，差别最小的那块就是我们要找的物体。
我们用平方误差之和来衡量原图中的块和模板之间的差别。假设模板的大小为m×n(宽×高)；图象的大小为Width×Height。模板中的某点坐标为(x0,y0)，该点的灰度为U(x0,y0)；与之重合的图象中的点坐标为(X0-x0,Y0-y0)，该点的灰度为V(X0-x0,Y0-y0)。则一次匹配的结果为：


全部图象都匹配后，找到最小的即为结果。可以看到模板匹配的运算量是惊人的。一次匹配都要做m×n次减法，m×n次平方，m×n-1次加法，整个图象要匹配(Width-m+1) ×(Height-n+1)次。

2）统计模式识别
统计模式识别,对模式的统计分类方法，把模式类看成是用某个随机向量实现的集合。又称决策理论识别方法。属同一类别的各个模式之间的差异，部分是由环境噪声和传感器的性质所引起，部分是模式本身所具有的随机性质。统计模式识别方法是用给定的有限数量样本集，在已知研究对象统计模型或已知判别函数类条件下，根据一定的准则通过学习算法把d维特征空间划分为c个区域，每一个区域与每一类别相对应。模式识别系统在进行工作时只要判断被识别的对象落入哪一区域，就能确定它所属的类别。由噪声和传感器所引起的变异性，可通过预处理而部分消除；而模式本身固有的变异性则可通过特征抽取和特征选择得到控制，尽可能使模式在该特征空间中的分布满足上述理想条件。因此一个统计模式识别系统应包含预处理、特征抽取、分类器等部分。

也就是说统计地方中每个模式都是d维空间中的一个点，目标就是选择一些模式向量将不同的模式分配到不同的模式空间的区域上，对于每个类别给定的训练集，在模式空间中建立一些分割边界将不同的模式分到不同的类别中，统计方法中，这个边界是基于每个类的模式的概率分布的，这点必须预先知道或通过学习获得，学习就分参数化和非参数化的，前者对应知道其分布需要估计其分布参数，这个由样本空间可完成，而后者是采用核函数的方式进行估计，同时分割边界一般是基于一定准则建立的，如最小均方误差准则。

3）人工神经网络识别
人工神经网络（ Artificial Neural Networks， 简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model） ，是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础 的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。国际著名的神经网络研究专家，第一家神经计算机公司的创立者 与领导人Hecht—Nielsen给人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连 续或断续的输入作状态相应而进行信息处理。” 这一定义是恰当的。 人工神经网络的研究，可以追溯到 1957年Rosenblatt提出的感知器(Perceptron)模型 。它几乎与人工智能——AI（Artificial Intelligence）同时起步，但30余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧条。直到80年代，获得了关于 人工神经网络切实可行的算法，以及以Von Neumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新对 人工神经网络发生了兴趣，导致神经网络的复兴。 目前在神经网络研究方法上已形成多个流派，最富有成果的研究工作包括：多层网络 BP算法(误差反传播算法)，Hopfield网络模型，自适应共振理 论，自组织特征映射理论等。人工神经网络是在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特征，但远不是自然 神经网络的逼真描写，而只是它的某种简化抽象和模拟。
人工神经网络识别是一种复杂的并行的非线性系统，完成复杂的计算，网络的最大特点就是从训练数据中学习到输入－输出间的复杂关系，并对数据具有适应性。网络的结构是千万种，但最常用的就是前馈结构，如多层感知器及径向基函数两种。神经网络中的隐层可完成特性的抽取及选择功能，所以适应性很强，理论上，网络模型等价于经典的统计方法，实际上统计信息就是从样本中获得。

1. 人工神经网络的特点

人工神经网络的以下几个突出的优点使它近年来引起人们的极大关注：
(1)可以充分逼近任意复杂的非线性关系；
(2)所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；
(3)采用并行分布处理方法，使得快速进行大量运算成为可能；
(4)可学习和自适应不知道或不确定的系统；
(5)能够同时处理定量、定性知识。

人工神经网络的特点和优越性，主要表现在三个方面：
第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就 会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提 供经济预测、市场预测、效益预测，其应用前途是很远大的。
第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。
第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型 人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。
4）句法结构模式识别
用句法分析方法进行识别的模式可用较简单的子模式来描述,依次类推,直到最简单的子模式——“基元”。用一组“基元”组合和关联表示模式结构与用一组单字组合和关联表示语言句子是对应的,即基元、子模式、模式分别对应于单字、词组、句子;而将基元组合、关联所必须遵守的规则对应于语言句法。利用语言学中的文法知识进行模式的结构分析和分类就是模式识别的句法分析方法。
用句法分析方法进行识别、分类的问题可归纳为:称待识别的类别为W1、W2、…、Wi,其相应的文法是L(G1)、L(G2)、…、L(Gi),若有X∈L(Gi),则判别X∈Wi。句法知识系统中的知识库是由文法产生式构成的,每个文法产生式[A→β]表达知识[IFβ,THEN A]。产生式A→X1X2X3…XS可表达知识[IFX1∧X2∧X3…∧XS,THEN A],其中X1X2X3…XS是合取,即AND关系。如果在产生式集P中有左边都为A的产生式子集PA={A→β1,A→β2,A→β3,…,A→βS},则表示[IFβ1∨β2∨β3∨…∨βS,THEN A],β1、β2、β3、…、βS为析取,即OR关系。由于PA中产生式为“或”的关系,因此牵连较少,知识库可方便地进行修改,并且不影响推理机。