13 计算机视觉--图像模式识别

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: