系统学习数字图像处理之目标识别

模式：描绘子组合，即特征。x = (x1,x2,...xn)T.

•模式类：共享某些属性的模式族

•常见模式组合: 向量、串和树

•类型可分离的程度的高低很大程度上取决于应用的描绘子的选择

两大模式识别方法领域：决策理论和结构方法

基于决策理论判别方法

决策函数:模式x属于类wi

di(x) > dj(x) j=1,2,…,W; ji

一个未知的模式x被称为属于第i个模式类，只有当把x代入所有判别函数后能得到di(x)的最大值时才成立。

•决策边界:区分类wi和类wj：di(x)- dj(x)=0

匹配：

最小距离分类器

使用原型模式向量表示每个类

• 计算未知量和每个原型向量间的距离，选择其中最小距离来决策，距离用欧式距离接近。

最小距离分离器

• 每个模式类的原型定义为该类模式的平均向量

• 将未知模式向量分配给与它最接近的原型类

实际上，当均值间的距离与每个类的分散度或者随机性相比较大时，它工作的很好。

相关匹配

f(x,y) 和w(x,y)相关定义如下：

• 当c(x,y)最大时，在f中找到与w（待匹配对象）最匹配

的部分。

实际中，归一化相关系数更好用，其取值范围在【-1,1】内，1表示匹配。

关于相关，http://blog.csdn.net/scuthanman/article/details/5588138

最佳统计分类器

经由公式推导出的贝叶斯分类器，需要假设对各种密度函数有一个解析表达式，且来自每个类的样本模式有一个必须的参数估计，最通用的假设形式是高斯概率密度函数，这种假设越是与真实近似，就越是接近最小平均损失。

神经网络

实际上，模式类中的统计参数通常是未知的，或者是无法估计的，所以最佳统计分类器，匹配等决策理论判别不在使用。此类决策理论问题最好直接由训练生产所需决策函数的方法来处理。然后就没有必要再做关于基本的概率密度函数或者关于所考虑模式类的其他概率信息的假设。通过神经网络工具，对模式的训练集的逐次描述，自适应的到处判别函数的系数。

由于事先不知道神经网络中的层数，通常确定第一层和输出层，中间层由试验确定，然后追踪该网络误差以及各个模式相关联的误差。在成功的训练会话中，网络误差会随迭代次数的增加而减小，并且该过程会收敛到一个稳定的权重集合，对于附加的训练，这些权重仅表现为较小的波动。

结构方法

主要是根据有精确模式描绘子的结构关系，实现模式识别，例如匹配形状数，即在边界的形状数上有相似度。另外，边界的串描绘子，也可以做匹配。对于这种类型的匹配，都有一种解析表达式，讨论其匹配程度。
至此，数字图像处理的理论基础篇，到此为止。