[整理]图像的识别和应用课件PPT.ppt

《[整理]图像的识别和应用课件PPT.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、图像的识别和应用本课程的主要内容1、图像的获取2、图像变换3、图像的增强与滤波4、图像的边缘检测5、图像的分割6、图像形态学7、图像的特征提取与分析8、图像识别与应用9、计算机视觉初步第8章图像的识别技术模式识别的一般过程原始信息输入特征提取分类器识别结果识别的关键是分类器的设计图像识别与模式识别的关系1、模式识别包含了、波形、语音、图形、图像等各种信息输入形式，图像识别属于模式识别的一部分；2、模式识别的许多方法如：决策理论、贝叶斯分类器、神经网络分类器、支持向量机等都可以用到图像识别中来；3、图像识别有自己独特的方法。8.2一

2、些常用的基本概念1、特征向量---用于描述对象的一组特征参数，以n×1维的向量形式表示出来。如：1、向量的相似性度量---距离（1）两向量的欧式距离设两向量则它们之间的欧式距离用下式度量(2)向量与向量族组成员的距离设则距离d则它们之间的欧式距离用下式度量可用下列MATLAB语句实现：(2)向量族与向量族成员的距离设向量族Xp×n向量族Yq×n则向量族X的i行与向量族Y的第j列间欧式距离用下矩阵表达(3)Mahalanobis距离----向量与向量组均值的相似性度量则它们之间的欧式距离用下式度量均值：协方差矩阵：8.3基于决策理论的图

3、像识别图像识别的方式基于决策理论方法空间模板匹配最小距离分类器基于结构的识别频域模板匹配贝叶斯分类器神经网络分类器支持向量机分类器使用基元符号使用数值向量串结构识别树、图结构识别1、基于最小距离分类器的图像识别决策理论的基本思想：将图像进行特征提取，用提取的特征构成一个特征向量x={x1,x2,…，xn}，对于W个模式分类ω1,ω2,ωw，设计W个决策函数d1(x),d2(x),…,dw(x),满足下列条件：将x归于ωi类最小距离分类器就是将每个模式分类用它的均值向量来表示，设x是待分类的模式向量，分别求模式向量到各类均值向量的距离，

4、将x归属于距离最小的那个类别。用决策函数表示：这里，mj是均值向量，它计算如下：求Dj(x)最小，等价于求最大。因此我们可以选择决策函数对于：将其归于ωi类。不难看出，在ωi和ωj之间的边界为8.4基于模板匹配的图像识别模板匹配（TemplateMatching）是图像识别方法中最具代表性的基本方法之一，它是将从待识别的图像或者图像区域S(i,j)中提取的若干特征量逐个进行比较，计算它们之间规格化的相关性系数，其中相关性系数最大的一个就表示其相似程度最高，可以将图像归与相应的类。模板匹配的基本概念：模板就是一幅已知的具有标准尺寸和标准

5、内容的图像。模板匹配就是在一幅图像中按一定算法搜寻目标，将目标的特征和已知模板比较，从而确定目标是否存在以及存在目标所在的坐标位置。以8位灰度图像(1个像素由1个字节描述)为例，模板T(m*n个像素)叠放在被搜索图S(M*N个像素)上平移，模板覆盖被搜索图的那块区域叫子图Sij。i，j为子图左上角在被搜索图S上的坐标，如图所示。搜索范围是MXN。通过比较模板T和Sij的相似性，完成模板匹配过程。（1）普通模板匹配算法mnMN模板及其搜索图子图Sij(a)搜索图模板T一般可以采用下面测度来衡量T和Sij的相似度：展开则有右边第三项表示模

6、板的总能量，是一个和位置（i，j）无关的常数，第一项是模板下的子图的能量，它随搜索位置的改变缓慢变化，第二项是子图像和模板的互相关，随（i，j）而变，T和Sij匹配时这一项取得最大值，因此可以采用下列归一化相关函数作为相似测度：为了减少图像强度绝对值的影响，可先分别计算T和Sij的均值Tm和Sm，然后在上式中减去均值，可得下列相关函数按灰度匹配的计算量是很大的,一般将原始图像按比例缩小，采用相对较小的模板来进行匹配。尽管模板匹配有很多不足的地方，但目前仍然是一种较为可靠的模式识别方法，在工业机器视觉中得到广泛应用[].对常用焊接结构灰

7、度图象可以通过二值化填充得到由0和1组成的黑白图象，因此进行模板匹配可以相当于比较待识别图象和模板为“1”的相同个数，比较相同可以采用“点异或”的方式进行。如果模板与待识别图象相同，则相关系数可用下式表达：（2）快速模板匹配---序贯相似性检测算法由于普通模板计算量大，速度慢，人们提出一类叫序贯相似性检测的算法，简称SSDA。SSDA的要点如下：1)定义绝对误差值，有式中，2)取一个不变阈值；3)在子图Sij（m，n）中随机选取像点（mk，nk），计算它同T中对应点的误差值ε（i，j，mk，nk），然后把这个差值和其他点对的差值累加起

8、来，当累加r次误差超过Tk，则停止累加，并记下次数r。定义SSDA的检测曲面为I（i，j）=r4)把取值最大的I（i，j）对应的（i，j）点作为匹配点，因为这点上需要很多次累加才使总误差超过，如下图所示。图中给出了在A，