《模式识别原理、应用及实现》 课件 1绪论

第1章绪论第1章绪论1.1模式和模式识别的概念1.2模式识别系统1.3模式识别概况1.4模式识别的应用2.狭义定义1）模式：对某些感兴趣的客体的定量的或结构的描述。模式类是具有某些共同特性的模式的集合。2）模式识别：研究一种自动技术，依靠这种技术，计算机将自动地（或人尽量少地干涉）把待别识模式分配到各自的模式类中去。1.广义定义1）模式(pattern)：一个客观事物的描述，一个可用来仿效的完善的例子。2）模式识别(patternrecognition)：按哲学的定义是一个“外部信息到达感觉器官，并被转换成有意义的感觉经验”的过程。例：识别热水、字迹等。1.1模式和模式识别的概念

注意：狭义的“模式”概念——是对客体的描述，不论是待识别客体，还是已知的客体。广义的“模式”概念——是指“用于效仿的完善例子”1）目前的计算机建立在诺依曼体系基础之上。

1946年：美籍匈牙利数学家冯·诺依曼提出了关于计算机组成和工作方式的基本设想：数字计算机的数制采用二进制；计算机按照程序顺序执行，即“程序存储”的概念。

1949年：研制出第一台冯·诺依曼式计算机。

1956年：第一次人工智能(artificialintelligence)研讨会在美国召开。3.相关的计算机技术2）第五代人工智能型计算机

本质区别：主要功能将从信息处理上升为知识处理（学习、联想、推理、解释问题），使计算机具有人类的某些智能。研制工作从80年代开始，目前尚未形成一致结论。

几种可能的发展方向：神经网络计算机－－模拟人的大脑思维。生物计算机－－运用生物工程技术、蛋白分子作芯片。光计算机－－用光作为信息载体，通过对光的处理来完成对信息的处理。4.研究和发展模式识别的目的

提高计算机的感知能力，从而大大开拓计算机的应用。1.2模式识别系统1.2.1简例：建立感性认识

以癌细胞识别为例，了解机器识别的全过程。1.信息输入与数据获取

将显微细胞图像转换成数字化细胞图像，是计算机分析的原始数据基础。数字化显微细胞图像

灰度图象

经过染色处理过的彩色图象

核N浆C背景B

灰度数字图像的像素值反映光密度的大小。2.数字化细胞图像的预处理与区域划分

预处理的目的：（1）去除在数据获取时引入的噪声与干扰。（2）去除所有夹杂在背景上的次要图像，突出主要的待识别的细胞图像。例：平滑、图像增强等数字图像处理技术。

区域划分的目的：找出边界，划分出三个区域，为特征抽取做准备。

设灰度阈值为Tc和Tn，图像中某像素的灰度值为Ti，则：

Ti≥

Tn的点属于胞核区；

Ti

＜

Tc的点属于背景区；

Tc≤Ti＜

Tn的点属于胞浆区；

检测的边缘

TnTc疑似肿瘤细胞

TcTn核N浆C例：对一个细胞抽取33个特征，建立一个33维的空间X，每个细胞可通过一个33维随机向量表示，记为：

即把一个物理实体“细胞”变成了一个数学模型“33维随机向量”，也即33维空间中的一点。3.细胞特征的抽取、选择和提取目的：为了建立各种特征的数学模型，以用于分类。①抽取特征：原始采集数据，第一手资料，特征数据量大。是特征选择和提取的依据。②特征选择：在原始特征基础上选择一些主要特征作为判别用的特征。③特征提取：采用某种变换技术，得出数目上比原来少的综合特征作为分类用，称为特征维数压缩，习惯上亦称特征提取。例：有五个特征，以及变换f(·)、g(·),则可有：结果：

X空间中的向量

变成Y空间的向量即：特征向量由5维降为2维。4.判别分类（1）气管细胞97个，识别错误率为7.2%。（2）肺细胞166个，识别错误率为18%。判别的好坏通过错误率给出，不同错误的代价和风险不同。信息输入细胞涂片制备显微细胞图像数字化细胞图像数据获取图像预处理区域划分预处理决策分析信息输出特征抽取特征选择/提取细胞图像的计算机分类系统框图模式识别一般步骤：1.2.2模式识别系统组成学习过程判决过程分类规则训练分类决策数据获取预处理特征选择或提取注意：“处理”与“识别”两个概念的区别具体的羊、猴亩产量1000斤、地形特点图像、语音

动物卫星照片图像、语音处理识别处理：输入与输出是同样的对象，性质不变。识别：输入的是事物，输出的是对它的分类、理解和描述。模式识别系统框图1.3模式识别概况1929年G.Tauschek发明阅读机;30年代Fisher提出统计分类理论;50年代NoamChemsky提出形式语言理论;60年代L.A.Zadeh提出了模糊集理论，较广泛地应用;80年代Hopfield提出神经元网络模型理论;90年代以后小样本学习理论、支持向量机。1.3.1模试识别发展简介基本上：五十、六十年代开始迅速发展，七十年代初奠定理论基础。比较成熟的：四大分支1.从理论上分类①统计模式识别以模式集在特征空间中分布的类概率密度函数为基础，对总体特征进行研究。包括判决函数法和聚类分析法。1.3.2模式识别分类②句法模式识别（结构模式识别）根据识别对象的结构特征，以形式语言理论为基础的一种模式识别方法。

把复杂模式分化为较简单的子模式乃至基元，各层次之间的关系通过“结构法”来描述，相当于语言中的语法。用小而简单的基元与语法规则来描述大而复杂的模式。（b）墙壁f地板gEDBbadce（c）③模糊模式识别以隶属度为基础，运用模糊数学中的“关系”概念和运算进行分类。隶属度反映的是某一元素属于某集合的程度。例：元素a、b、c对正方形的隶属度：a比b更像正方形。说明：④神经网络模式识别法以人工神经元为基础，模拟人脑神经细胞的工作特点。对脑部工作的生理机制进行模拟，实现形象思维的模拟。

对比：基于知识的逻辑性推理：对逻辑思维的模拟。①监督（有人管理）分类：利用判别函数进行分类判别。需要有足够的先验知识。②非监督（无人管理）分类：用于没有先验知识的情况下，采用聚类分析的方法。2.从实现方法来分1.4模式识别的应用例1.1不停车收费系统。1）提取车辆外形几何参数进行处理分析，实现分类。如视频检测方法、红外检测方法。2）测量车辆的其他物理参数(噪声、振动、压重等)实现分类。如动态称重、电磁感应等。3）直接识别车辆身份的方法实现分类。如电子标签、视频牌照识别等。例如第一种方式：交通部的收费标准：按吨位划分收费站：按车型收费（间接按车辆设计载重量收费）关键：车型的自动分类。几种主要技术：顶长比：车高：最高居中最低顶高长最小最大居中例1.2生物识别技