申请试用
HOT
登录
注册
 
账号已存在
13 计算机视觉--图像模式识别
王木木
/
发布于
/
2194
人观看
主要介绍了模式识别定义、模式识别应用举例、模式识别发展历史、图像特征介绍,具体包括模式识别、样本、模式、特征、模式类、模式识别系统等一些基本定义,还包括模式识别系统的一些实例、图像的边缘特征、图像点特征、图像纹理特征、图像形状特征。
展开查看详情

1 .成果展示 第十三章 图像模式识别 巫义锐 河海大学 计算机与信息学院

2 . 典型试题 从图像频域分析来看,噪声、边缘、跳跃部分属于图像的 ___ ;背景区域和慢变部分属于图像的 ___. A. 高频分量 B. 低频分量 C. 中频分量 D. 以上三个均不是

3 . 典型试题 从图像频域分析来看,噪声、边缘、跳跃部分属于图像的 _ A _ ;背景区域和慢变部分属于图像的 _ B _. A. 高频分量 B. 低频分量 C. 中频分量 D. 以上三个均不是

4 . 模式识别定义 模式识别应用举例 模式识别发展历史 图像特征介绍 本章提纲

5 .模式识别定义 模式识别 ( Pattern Recognition ) :确定一个样本的 类别属性 (模式类)的过程,即把某一样本归属于多个类型中的某个类型。 样本( Sample ) : 一个具体的研究(客观)对象。如患者,某人写的一个汉字,一幅图片等。 模式 ( Pattern ) : 对 客体 特征 的描述 (定量的或结构的描述),是取自客观世界的某一样本的测量值的 集合。 特征 ( Features ) : 能描述模式特性的量(测量值)。在统计模式识别方法中,通常用一个向量表示,称之为特征向量 模式类 ( Class ) : 具有某些共同特性的模式的集合

6 .模式识别 系统定义 模式识别系统的主要环节 : 特征提取 : 符号表示,如长度、波形、。。。 特征选择 : 选择有代表性的特征,能够 正确 分类 学习 和训练: 利用 已知样本建立 分类和识别规则 分类 识别: 对所获得样本按建立的分类 规则 进行 分类识别

7 . 训练集 :是一个已知样本集,在监督学习方法中, 用它 来开发出模式分类器。 测试 集:在设计识别和分类系统时没有用过的独立样本集。 系统评价 原则:为了更好地对模式识别系统性能进行评价,必须使用一组 独立于训练集的测试集 对系统进行测试。 模式识别 系统定义

8 . 训练 过程 ( Training ) 信息获取 预处理 特征提取 训练(学习分类规则) 识别 过程 ( Testing ) 信息获取 预处理 特征提取 分类(利用学到的分类规则) 信息获取 预处理 特征提取与选择 分类器设计 分类决策 训练 模式识别 系统定义 测试

9 .模式识别系统定义 : 各 类空间的概念 对象空间 特征空间 类型空间 特征提取和特征选择 :由模式空间到特征空间的变换和选择。 类型判别 :特征空间到类型空间所作的操作。

10 .模式识别系统定义 : 各 类空间的概念 对象空间 特征空间 类型空间 特征提取和特征选择 :由模式空间到特征空间的变换和选择。 类型判别 :特征空间到类型空间所作的操作。

11 .系统 实例:问题描述 设计纸币 识别器对纸币按面额进行分类 面额 5 元 10 元 20 元 50 元 100 元

12 .系统 实例:特征提取与选择 长度 (mm) 宽度 (mm) 5 元 136 63 10 元 141 70 20 元 146 70 50 元 151 70 100 元 156 77 可使用的特征一: 磁性 金属条 位置 5 元 有 54/82 10 元 有 54/87 20 元 有 57/89 50 元 有 60/91 100 元 有 63/93 可使用的特征二:

13 .系统实例 特征提取 : 长度 、宽度、磁性、磁性的位置,光 反射 亮度、光透射亮度等等 特征选择 : 长度 、磁性及位置、反射亮度 分类 识别: 确定 纸币的面额及真伪

14 .模式识别系统实例

15 .模式识别系统实例

16 .模式识别系统实例 从摄像头获取包含车牌的彩色图象 车牌定位和获取 字符分割和识别 输入图象 特征提取 粗略定位 分割字符 确定类型 精细定位 识别、输出 用于车牌识别的模式识别系统流程图

17 .模式识别系统实例 从摄像头获取包含车牌的彩色图象 车牌定位和获取 字符分割和识别 输入图象 特征提取 粗略定位 分割字符 确定类型 精细定位 识别、输出 用于车牌识别的模式识别系统流程图

18 .模式识别发展 简史 1929 年 G. Tauschek 发明阅读机 ,能够阅读 0-9 的数字。 30 年代 Fisher 提出统计分类理论,奠定了统计模式识别的基础。 50 年代 Noam Chemsky 提出形式语言理论 —— 傅京荪提出句法 / 结构模式识别。 60 年代 L.A.Zadeh 提出了模糊集理论,模糊模式识别方法得以发展和应用 。 80 年代 以 Hopfield 网、 BP 网为代表的神经网络模型导致人工神经元网络复活,并在模式识别得到较广泛的应用。 90 年代 小样本学习理论,支持向量机也受到了很大的重视。 2012 年 Hinton 课题组为了证明深度学习的潜力,首次参加 ImageNet 图像识别比赛,其通过构建的 CNN 网络 AlexNet 一举夺得冠军,且大幅度超过第二名( SVM 方法)的分类性能 结论:深度学习时代已经来临

19 .19 实用 系统举例 文字识别( Character Recognition ) OCR ( Optical Character Recognition ) 智能交通( Intelligent Traffic ) 车牌、车型。 语音识别( Speech recognition ) 翻译机,身份识别等 目标识别 ATR ( Automaic Target Recognition )

20 .19 实用 系统举例 文字识别( Character Recognition ) OCR ( Optical Character Recognition ) 智能交通( Intelligent Traffic ) 车牌、车型。 语音识别( Speech recognition ) 翻译机,身份识别等 目标识别 ATR ( Automaic Target Recognition )

21 .图像特征介绍 图像的边缘特征 图像点特征 图像纹理特征 图像形状特征

22 .图像点特征 图像点:图像中一区域 的灰度幅值与其领域 值有着 明显的 差异 。 两条直线相交的顶点可看作是角点;物体的几个平面的相交处也可以看作是角点。 图像中周围灰度变化较为剧烈的点可看作是角点;图像边界上曲率足够高的点也可看作是角点

23 .图像点特征: SUSAN 角点检测算法 SUSAN 算法原理:通过 核值相似 区实现 角点特征的检测 ; 核心点邻域划分:一 . 灰度值相似于核心点灰度值的区域,称为核值相似区 ( USAN 区域 ) ;二 . 与核心点像素灰度值相差明显的像素组成的区域。 SUSAN 算子圆形 模板及核心点 P 示意图

24 .USAN 区域大小反映了图像局部特征的强度。 当模板完全处于图像的背景或目标中时, USAN 区域最大,大小为模板大小,如位置 a 。 当 模板中心处于角点上时, USAN 区域最小,如位置 b ; 当 模板中心处于边界上时, USAN 区域大小为模板大小的一半,如位置 c ; 当 模板由图像中逐渐移向图像边缘时, USAN 区域逐渐变小,如位置 e 。 模板核心点 a b c d e 圆形窗口 图像点特征: SUSAN 角点检测算法 SUSAN 算子结果示意图

25 . 组合 立体积木图中的角点检测算,图中的 11 个明显的角点都被检测出来了。 (a) 原组合立体积木图 (b)SUSAN 算子提取的角点结果示例 SUSAN 算子角点检测立体积木实验图 图像点特征: SUSAN 角点检测算法

26 . 组合 立体积木图中的角点检测算,图中的 11 个明显的角点都被检测出来了。 (a) 原组合立体积木图 (b)SUSAN 算子提取的角点结果示例 SUSAN 算子角点检测立体积木实验图 图像点特征: SUSAN 角点检测算法

27 .图像 纹理特征:定义 纹理:由 某种模式重复排列所形成的 结构。 图像 纹理反映了物体表面颜色和灰度的某种变化 ,与 物体本身的属性相关。 从 宏观上看,纹理是物体表面拓扑逻辑的一种变化模式;从微观上看,它由具有一定的不变性的视觉基元(通称 纹理基元 )组成 。 不同 物体表面的纹理可作为描述不同区域的一种明显特征。

28 .纹理 的特征有三点: 某种 局部的序列性在比该序列更大的区域内不断重复出现。 序列 由基本的纹理基元非随机排列组成。 在 纹理区域内各部分具有大致相同的结构和尺寸。 图像 纹理特征 纹理特征示意图

29 .beeren flower water 自然界中存在着大量彩色 纹理 图像: 图像 纹理特征:举例 包含多个纹理区域 的 自然场景图象:

0 点赞
0 收藏
0下载
相关文档
确认
3秒后跳转登录页面
去登陆