数字图像处理 第12章 目标识别

### 数字图像处理 第12章 目标识别 #### 12.1 模式和模式类 在数字图像处理领域中，模式是指由一组描绘子构成的组合，而模式类则是指具有某些共同特征的一组模式。这些模式可以是图像中的不同对象或结构。在实际应用中，模式通常被表示为向量、串或者树的形式。 - **向量**：是最常见的模式表示形式之一，它可以是一个一维数组，包含模式的各种特征，如颜色、纹理、形状等。 - **串**：用于表示序列数据，比如轮廓线上的点序列。 - **树**：适用于层次结构的表示，例如图像中的分层结构特征。 模式类的区分程度受到所选用的描绘子的影响很大。因此，在设计目标识别系统时，正确选择描绘子至关重要。 #### 用两个度量描述三类花 本节通过使用两个特定的度量来描述三种不同的花卉类别。这里提到的度量可能是花朵的颜色、尺寸、纹理或其他相关特征。通过对这些特征进行量化分析，可以有效地将不同种类的花卉区分开来。这种做法对于训练分类模型至关重要，因为它可以帮助算法学习如何根据输入特征正确地对新样本进行分类。 #### 12.2 基于决策理论方法的识别 基于决策理论的目标识别方法是一种常用的图像识别技术，它涉及到决策函数的设计以及决策边界的确定。 - **决策函数**：用于判断一个未知模式是否属于某一类。如果对于某个类\( w_i \)，当\( d_i(x) > d_j(x) \) 对所有的\( j = 1, 2, ..., W; j \neq i \)都成立时，则认为未知模式\( x \)属于类\( w_i \)。这里\( d_i(x) \)是一个判别函数，用于评估模式\( x \)属于类\( w_i \)的可能性。 - **决策边界**：用于区分不同的模式类，即\( d_i(x) - d_j(x) = 0 \)时的边界。这个边界定义了不同类别之间的分界线。 #### 12.2.1 匹配 (Matching) 匹配是一种简单有效的识别方法，其基本思想是计算未知模式与各个已知模式之间的距离，并将未知模式归类到距离最近的模式所属的类。 - **原型模式向量**：每个类都有一个代表性的模式向量，称为原型模式向量。它通常是该类中所有模式的平均向量。 - **最小距离分离器**：对于每一个未知模式\( x \)，计算它与各个类的原型向量之间的距离\( D(x,m_j), j=1,2,...,W \)。将\( x \)分配给距离最小的那个类。 #### 最小距离分离器示例 - **示例1**：假设有一个未知模式\( x \)，通过计算它与各个类的原型向量之间的距离，发现它与类\( w_1 \)的原型向量距离最小，那么就将\( x \)归类到\( w_1 \)。 - **示例2**：同理，如果未知模式\( y \)与类\( w_2 \)的原型向量距离最小，则\( y \)被归类到\( w_2 \)。 #### 相关匹配 在相关匹配中，两个函数\( f(x,y) \)和\( w(x,y) \)之间的相似度通过计算它们的相关系数\( c(x,y) \)来衡量。具体而言，当\( c(x,y) \)取得最大值时，表示\( f \)中与\( w \)最匹配的部分被找到。 \[ c(s,t) = \sum_{x+y} f(x+s,y+t)w(x,y) \] #### 形状匹配 两个区域边界之间的相似度\( k \)可以通过计算它们之间形状匹配的数量来确定。\( k \)值越大，表示两个图形之间的相似度越高。 #### 总结 本章主要介绍了数字图像处理中的目标识别技术，包括模式和模式类的概念、基于决策理论的方法以及具体的匹配策略。通过这些理论和技术，可以有效地实现图像中特定目标的自动识别和分类。这对于计算机视觉、自动驾驶、医学影像分析等领域都有着重要的应用价值。