影像處理與識別學習小結

       數位影像處理是對映像進行分析、加工、和處理，使其滿足視覺、心理以及其他要求的技術。影像處理是訊號處理在映像域上的一個應用。目前大多數的映像是以數字形式儲存，因而影像處理很多情況下指數位影像處理。此外，基於光學理論的處理方法依然佔有重要的地位。 數位影像處理是訊號處理的子類， 另外與電腦科學、人工智慧等領域也有密切的關係。 傳統的一維訊號處理的方法和概念很多仍然可以直接應用在影像處理上，比如降噪、量化等。然而，映像屬於二維訊號，和一維訊號相比，它有自己特殊的一面，處理的方式和角度也有所不同。大多數用於一維訊號處理的概念都有其在二維映像訊號領域的延伸，它們中的一部分在二維情形下變得十分複雜。同時影像處理也具有自身一些新的概念，例如，連通性、旋轉不變性，等等。這些概念僅對二維或更高維的情況下才有非平凡的意義。影像處理中常用到快速傅立葉變換，因為它可以減小資料處理量和處理時間。 

數位影像處理應用在以下方面 ：

攝影及印刷 (Photography and printing)

衛星影像處理 (Satellite image processing)

醫學影像處理 (Medical image processing)

面孔識別, 特徵識別 (Face detection, feature detection, face identification)

顯微影像處理 (Microscope image processing)

汽車障礙識別 (Car barrier detection)

 

數位影像基礎

映像的基本概念、映像取樣和量化、數位影像表示、 空間和灰階級解析度、映像紋理、像素間的一些基本關係（相鄰像素、鄰接性、連通性、地區和邊界、距離度量）、線性和非線性變換。

線性變換：如果變換函數是線性或是分段線性，這種變換就是線性變換。以線性函數加大映像的對比的效果是使整幅映像的品質改善。以分段線性函數加大映像中某個（或某幾個）亮度區間的對比的效果是使局部亮度區間的品質得到改善。

非線性變換：當變換函數是非線性時，即為非線性變換。常用的有指數變換和對數變換。

RGB (red green blue): 紅綠藍三基色

CMYK (Cyan-Magenta-Yellow-black inK): 青色-品紅-黃色-黑色

HSI (Hue-Saturation-Intensity): 色調-飽和度-強度

DDB (device-dependent bitmap): 裝置相關位元影像

DIB (device-independent bitmap): 裝置無關位元影像

CVBS (Composite Video Broadcast Signal): 複合電視廣播訊號

YUV（亦稱Y Cr Cb）是被歐洲電視系統所採用的一種顏色編碼方法（屬於PAL制）。

 

 

 

 

數位影像儲存與顯示

映像格式

在電腦中，有兩種類型的圖：向量圖(vector graphics)和位映象圖(bitmapped graphics)。向量圖是用數學方法描述的一系列點、線、弧和其他幾何形狀，(a)所示。因此存放這種圖使用的格式稱為向量圖格式，儲存的資料主要是繪製圖形的數學描述；位映象圖(bitmapped graphics)也稱光柵圖(raster graphics)，這種圖就像電視映像一樣，由象點組成的，(b)，因此存放這種圖使用的格式稱為位映象圖格式，經常簡稱為位元影像格式，儲存的資料是描述像素的數值。

 

 

向量圖與位映象圖

目前包括bmp格式、gif格式、jpeg格式、jpeg2000格式、tiff格式、psd格式、

Png格式、swf格式、svg格式、pcx格式、dxf格式、wmf格式、emf格式、LIC格式、eps格式、TGA格式。

目前比較出名的影像處理庫有很多，比如LEADTOOLS、OPENCV，LEADTOOLS這個是功能非常強大的映像多媒體庫，但是這個是收費註冊的。OpenCV 是一個跨平台的中、高層 API 構成，目前包括 300 多個 C 函數。它不依賴與其它的外部庫，儘管也可以使用某些外部庫。OpenCV 對非商業用途和商業用途都是免費（FREE）的。開源的映像庫也有不少，比如：

ImageStone、GIMP、CxImage等，雖然它們的功能沒有LEADTOOLS強大，但是一般的影像處理是可以應付的。

具體的功能介紹參考：http://blog.csdn.net/byxdaz/archive/2009/03/09/3972293.aspx

OpenCV原始碼及文檔下載：SOURCEFORGE.NET
http://sourceforge.net/projects/opencvlibrary/

 

 

數位影像增強

映像增強目的在於改善映像的顯示品質，以利於資訊的提取和識別。從方法上說，則是設法摒棄一些認為不必要或幹擾的資訊，而將所需要的資訊得以突出出來，以利於分析判讀或作進一步的處理。以下介紹幾種較為簡單的遙感數位影像增強處理方法。

A空間域增強處理

空間域是指映像平面所在的二維空間，空間域映像增強是指在映像平面上應用某種數學模型，通過改變映像像元灰階值達到增強效果，這種增強並不改變像元的位置。空域增強包括空域變換增強與空域濾波增強兩種。空域變換增強是基於點處理的增強方法、空域濾波增強是基於鄰域處理的增強方法。

1）、空域變換增強

常用的空域變換增強方法包括：對比增強、長條圖增強和映像算術運算等。

對比增強是一種通過改變映像像元的亮度分布態勢，擴充灰階分布區間來改變映像像元對比，從而改善映像品質的影像處理方法。因為亮度值是輻射強度的反映，所以也稱為輻射增強。常用的方法有對比線性變換和非線性變換。其關鍵是尋找到一個函數，以此函數對映像中每一個像元進行變換，使像元得到統一的重新分配，構成得到反差增強映像。

長條圖增強

長條圖均衡化

     長條圖均衡化基本做法是將每個灰階區間等機率分布代替了原來的隨機分布，即增強後的圖象中每一灰階級的像元數目大致相同。長條圖均衡化可使得面積最大的地物細節得以增強，而面積小的地物與其灰階接近的地物進行合并，形成綜合地物。減少灰階等級換取對比的增大。

長條圖歸一化

     長條圖歸一化是把原映像的長條圖變換為某種指定形態的長條圖或某一參考映像的長條圖，然後按著已知的指定形態的長條圖調整原映像各像元的灰級，最後得到一個長條圖匹配的映像。這種方法主要應用在有一幅很好的映像作為標準的情況下，對另一幅不滿意的映像用標準映像的長條圖進行匹配處理，以改善被處理映像的品質。如在數字鑲嵌時，重疊區影像色調由於時相等原因差異往往很大，利用長條圖匹配這一方法後可以改善重疊區影像色調過度，如果鑲嵌映像時相相差不大，完全可以作到無縫鑲嵌。

數位影像的算術運算

兩幅或多幅單波段影像，完成空間配准後，通過一系列運算，可以實現映像增強，達到提取某些資訊或去掉某些不必要資訊的目的。

 

2）、空域濾波增強

空域變換增強是按像元逐點運算的，從整體上改善映像的品質，並不考慮周圍像元影響。空間濾波增強則是以重點突出映像上的某些特徵為目的的（如突出邊緣或紋理等），通過像元與周圍相鄰像元的關係，採取空間域中的鄰域處理方法進行映像增強。鄰域法處理用於去雜訊、映像平滑、銳利化和相關運算。

映像卷積運算是在空間域上對映像作局部檢測的運算，以實現平滑和銳利化的目的。具體作法是選定一卷積函數，又稱為“M×N視窗”或“模板”，如3×3或5×5等。然後從映像左上方開始開一與模板同樣大小的使用中視窗，映像視窗與模板像元的亮度值對應相乘再相加。將計算結果賦予中心像元作為其灰階值，然後待移動後重新計算，將計算結果賦予另一個中心像元，以此類推直到全幅映像掃描一遍結束產生新的映像。

平滑是指映像中出現某些亮度變化過大的地區，或出現不該有的亮點（“雜訊”）時，採用平滑方法可以減小變化，使亮度平緩或去掉不必要“雜訊”點。它實際上是使映像中高頻成分消退，即平滑映像的細節，降低其反差，儲存低頻成分，在頻域中稱為低通濾波。具體方法有：均值平滑、中值濾波、銳利化。

銳利化的作用在於提高邊緣灰階值的變動率，使界線更加清晰。它是增強映像中的高頻成分，在頻域處理中稱為高通濾波，也就是使映像細節的反差提高，也稱邊緣增強。要突出映像的邊緣、線狀目標或亮度變動率大的部分常採用銳利化方法。一般有三種實現方法：

（1）梯度法

    梯度反映了相鄰像元的亮度變動率，即映像中如果存在邊緣，如湖泊、河流的邊界，山脈和道路等，則邊緣處有較大的梯度值。對於亮度值較平滑的部分，亮度梯度值較小。因此，找到梯度較大的位置，也就找到邊緣，然後再用不同的梯度計算值代替邊緣處像元的值，也就突出了邊緣，實現了映像的銳利化。通常有羅伯特梯度和索伯爾梯度方法。

（2）拉普拉斯演算法

    拉普拉斯演算法的意義與梯度法不同，它不檢測均勻的亮度變化，而是檢測變動率的變動率，相當於二階微分。計算出的映像更加突出亮度值突變的位置。

（3）定向檢測

    當有目的地檢測某一方向的邊、線或紋理特徵時，可選擇特定的模板卷積運算作定向檢測。可以檢測垂直邊界、水平邊界和對角線邊界等，各使用的模板不同

 

B、頻率域映像增強處理
頻域增強指在映像的頻率域內，對映像的變換係數（頻率成分）直接進行運算，然後通過Fourier逆變換以獲得映像的增強效果。

一般來說，映像的邊緣和雜訊對應Fourier變換中的高頻部分，所以低通濾波能夠平滑映像、去除雜訊。

映像灰階發生聚變的部分與頻譜的高頻分量對應，所以採用高頻濾波器衰減或抑制低頻分量，能夠對映像進行銳利化處理。

頻域，就是由映像f(x,y)的二維傅立葉變換和相應的頻率變數(u,v)的值所組成的空間。在空間域映像強度的變化模式（或規律）可以直接在該空間得到反應。F(0,0)是頻域中的原點，反應映像的平均灰階級，即映像中的直流成分；低頻反映映像灰階發生緩慢變化的部分；而高頻對應映像中灰階發生更快速變化的部分，如邊緣、雜訊等。但頻域不能反應映像的空間資訊。

 

 

二維DFT及其反變換、Fast FT

關於這方面的內容需要參考數學知識。

空域和頻域濾波間的對應關係：

卷積定理是空域和頻域濾波的最基本聯絡紐帶。二維卷積定理：

 

 

 

 

基本計算過程：

取函數h(m,n)關於原點的鏡像，得到h(-m,-n) 
對某個(x,y),使h(-m,-n)移動相應的距離，得到h(x-m,y-n) 
對積函數f(m,n)h(x-m,y-n)在(m,n)的取值範圍內求和 
位移是整數增量，對所有的(x,y)重複上面的過程，直到兩個函數：f(m,n)和h(x-m,y-n)不再有重疊的部分。 
 

傅立葉變換是空域和頻域的橋樑，關於兩個域濾波的傅立葉變換對：

 

 

 

 

 

頻域與空域濾波的比較：

1. 對具有同樣大小的空域和頻率濾波器：h(x,y), H(u,v)，頻域計算(由於FFT)往往更有效(尤其是映像尺寸比較大時）。但對在空域中用尺寸較小的模板就能解決的問題，則往往在空域中直接操作。

2. 頻域濾波雖然更直接，但如果可以使用較小的濾波器，還是在空域計算為好。    因為省去了計算傅立葉變換及反變換等步驟。

3. 由於更多的直觀性，頻率濾波器設計往往作為空白域濾波器設計的嚮導。

 

平滑的頻率域濾波器類型
1 、理想低通濾波器
2 、巴特沃思低通濾波器
3 、高斯低通濾波器
頻率域銳利化濾波器類型
1 理想高通濾波器
2 巴特沃思高通濾波器

3 高斯型高通濾波器

4 頻率域的拉普拉斯運算元
5 鈍化模板、高頻提升濾波和高頻加強濾波
頻率域映像增強處理的過程：

 

 

映像複原
映像複原：試圖利用退化過程的先驗知識，去恢複已被退化映像的本來面目。

 

映像複原的基本思路：先建立退化的數學模型，然後根據該模型對退化映像進行擬合。

映像複原模型可以用連續數學和離散數學處理，處理項的實現可在空間域卷積，或在頻域相乘。  
參考資料：
http://download.csdn.net/source/1513324

 

邊緣檢測

數位影像的邊緣檢測是映像分割、目的地區域的識別、地區形狀提取等映像分析領域十分重要的基礎，映像理解和分析的第一步往往就是邊緣檢測，目前它以成為機器視覺研究領域最活躍的課題之一，在工程應用中佔有十分重要的地位。所謂邊緣就是指映像局部亮度變化最顯著的部分，它是檢測映像局部變化顯著變化的最基本的運算。邊緣的記錄有鏈碼錶和線段表2種，鏈碼錶適合計算周長，線段表容易計算面積以及相關的，他們之間可以相互的轉換。

常見的邊緣檢測演算法：

Roberts邊緣檢測運算元

Sobel邊緣運算元

Prewitt邊緣運算元

Kirsch邊緣運算元

CANNY邊緣檢測

 

映像壓縮
映像壓縮是資料壓縮技術在數位影像上的應用，它的目的是減少映像資料中的冗餘資訊從而用更加高效的格式儲存和傳輸資料。映像壓縮可以是有損資料壓縮也可以是無損資料壓縮。對於如繪製的技術圖、圖表或者漫畫優先使用無損壓縮，這是因為有損壓縮方法，尤其是在低的位速條件下將會帶來壓縮失真。如醫學映像或者用於存檔的掃描映像等這些有價值的內容的壓縮也盡量選擇無損壓縮方法。有損方法非常適合於自然的映像，例如一些應用中映像的微小損失是可以接受的（有時是無法感知的），這樣就可以大幅度地減小位速。

無損映像壓縮方法有：

行程長度編碼

熵編碼法

LZW演算法

有損壓縮方法有：

將色彩空間化減到映像中常用的顏色。所選擇的顏色定義在壓縮映像頭的調色盤中，映像中的每個像素都用調色盤中色彩索引表示。這種方法可以與 抖動(en:dithering)一起使用以模糊顏色邊界。

色度抽樣，這利用了人眼對於亮度變化的敏感性遠大於顏色變化，這樣就可以將映像中的顏色資訊減少一半甚至更多。

變換編碼，這是最常用的方法。首先使用如離散餘弦變換（DCT）或者小波變換這樣的傅立葉相關變換，然後進行量化和用熵編碼法壓縮。

分形壓縮（en:Fractal compression）。

 

形態學影像處理
 膨脹與腐蝕

 膨脹
腐蝕
開操作與閉操作
擊中或擊不中變換
一些基本的形態學演算法

邊界提取
地區填充
連通分量的提取
凸殼
細化
粗化
骨架

裁剪

 

映像分割
映像分割是指通過某種方法，使得畫面情境中的目標物被分為不同的類別。通常映像分割的實現方法是，將映像分為“黑”、“白”兩類，這兩類分別代表了兩個不同的對象。

映像分割方法：閾值分割、地區分割、數學形態學、模式識別方法

A、閾值分割包括以下幾種：

（1）由長條圖灰階分布選擇閾值

（2）雙峰法選擇閾值

（3）迭代法選取閾值

     原理如下，很好理解。

     迭代法是基於逼近的思想，其步驟如下：
      1． 求出圖象的最大灰階值和最小灰階值，分別記為ZMAX和ZMIN，令初始閾值T0=(ZMAX+ZMIN)/2；
     2． 根據閾值TK將圖象分割為前景和背景，分別求出兩者的平均灰階值ZO和ZB；
     3． 求出新閾值TK+1=(ZO+ZB)/2；
     4． 若TK=TK+1，則所得即為閾值；否則轉2，迭代計算。

（4 ）大津法選擇閾值

大津法是屬於最大類間方差法，它是自適應計算單閾值的簡單高效方法，或者叫（Otsu）

大津法由大津於1979年提出，對映像Image，記t為前景與背景的分割閾值，前景點數占映像比例為w0，平均灰階為u0；背景點數占映像比例為w1，平均灰階為u1。映像的總平均灰階為：u=w0*u0+w1*u1。從最小灰階值到最大灰階值遍曆t，當t使得值g=w0*(u0-u)2+w1*(u1-u)2 最大時t即為分割的最佳閾值。對大津法可作如下理解：該式實際上就是類間方差值，閾值t分割出的前景和背景兩部分構成了整幅映像，而前景取值u0，機率為 w0，背景取值u1，機率為w1，總均值為u，根據方差的定義即得該式。因方差是灰階分布均勻性的一種度量,方差值越大,說明構成映像的兩部分差別越大, 當部分目標錯分為背景或部分背景錯分為目標都會導致兩部分差別變小，因此使類間方差最大的分割意味著錯分機率最小。直接應用大津法計算量較大，因此一般採用了等價的公式g=w0*w1*(u0-u1)2。

（5）由灰階展開選擇閾值

大津法是較通用的方法，但是它對兩群物體在灰階不明顯的情況下會丟失一些整體資訊。因此為瞭解決這種現象採用灰階展開的增強大津法。在大津法的思想上增加灰階的級數來增強前兩群物體的灰階差。對於原來的灰階級乘上同一個係數，從而擴大了映像灰階的級數。實驗結果表明不同的展開係數，分割效果差別比較大。

 

B、地區的分割

地區生長、地區分離與合并

 地區生長演算法

C、基於形態學分水嶺的分割

分水嶺分割演算法

 

映像特徵提取與匹配

常用的映像特徵有顏色特徵、紋理特徵、形狀特徵、空間關係特徵。

A 顏色特徵

特點：顏色特徵是一種全域特徵,描述了映像或映像地區所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於映像或映像地區的像素都有各自的貢獻。由於顏色對映像或映像地區的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉映像中對象的局部特徵。

常用的特徵提取與匹配方法：

顏色長條圖

其優點在於：它能簡單描述一幅映像中顏色的全域分布，即不同色彩在整幅映像中所佔的比例，特別適用於描述那些難以自動分割的映像和不需要考慮物體空間位置的映像。其缺點在於：它無法描述映像中顏色的局部分布及每種色彩所處的空間位置，即無法描述映像中的某一具體的對象或物體。

顏色長條圖特徵匹配方法：長條圖相交法、距離法、中心距法、參考顏色表法、累加顏色長條圖法。

 

B 紋理特徵

紋理特徵的提取方法比較簡單，它是用一個活動的視窗在映像上連續滑動，分別計算出視窗中的方差、均值、最大值、最小值及二者之差和資訊熵等，

形成相應的紋理映像，當目標的光譜特性比較接近時，紋理特徵對於區分目標可以起到積極的作用。選取適當的資料動態變化範圍，進行紋理特徵提取後，使影像的紋理特徵得到突出，有利於提取構造資訊。

特點：紋理特徵也是一種全域特徵，它也描述了映像或映像地區所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次映像內容的。與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的地區中進行統計計算。在模式比對中，這種地區性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。作為一種統計特徵，紋理特徵常具有旋轉不變性，並且對於雜訊有較強的抵抗能力。但是，紋理特徵也有其缺點，一個很明顯的缺點是當映像的解析度變化的時候，所計算出來的紋理可能會有較大偏差。另外，由於有可能受到光照、反射情況的影響，從2-D映像中反映出來的紋理不一定是3-D物體表面真實的紋理。

常用的特徵提取與匹配方法：

紋理特徵描述方法分類

（1）統計方法統計方法的典型代表是一種稱為灰階共生矩陣的紋理特徵分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特徵基礎上，通過實驗，得出灰階共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從映像的自相關函數（即映像的能量譜函數）提取紋理特徵，即通過對映像的能量譜函數的計算，提取紋理的粗細度及方向性等特徵參數

（2）幾何法

所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認為，複雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重複排列構成。在幾何法中，比較有影響的演算法有兩種：Voronio 棋盤格特徵法和結構法。

（3）模型法

模型法以映像的構造模型為基礎，採用模型的參數作為紋理特徵。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法

（4）訊號處理法

紋理特徵的提取與匹配主要有：灰階共生矩陣、Tamura 紋理特徵、自迴歸紋理模型、小波變換等。

灰階共生矩陣特徵提取與匹配主要依賴於能量、慣量、熵和相關性四個參數。Tamura 紋理特徵基於人類對紋理的視覺感知心理學研究，提出6種屬性，即

：粗糙度、對比、方向度、線像度、規整度和粗略度。自迴歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用執行個體。

 

C形狀特徵

特點：各種基於形狀特徵的檢索方法都可以比較有效地利用映像中感興趣的目標來進行檢索，但它們也有一些共同的問題，

常用的特徵提取與匹配方法：

通常情況下，形狀特徵有兩類表示方法，一類是輪廓特徵，另一類是地區特徵。映像的輪廓特徵主要針對物體的外邊界，而映像的地區特徵則關係到整個形狀地區。

幾種典型的形狀特徵描述方法：

（1）邊界特徵法該方法通過對邊界特徵的描述來擷取映像的形狀參數。其中Hough 變換檢測平行直線方法和邊界方向長條圖方法是經典方法。Hough 變換是利用映像全域特性而將邊緣像素串連起來組成地區封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向長條圖法首先微分映像求得映像邊緣，然後，做出關於邊緣大小和方向的長條圖，通常的方法是構造映像灰階梯度方向矩陣。

（2）傅裡葉形狀描述符法

傅裡葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅裡葉變換作為形狀描述，利用地區邊界的封閉性和周期性，將二維問題轉化為一維問題。

由邊界點匯出三種形狀表達，分別是曲率函數、質心距離、複座標函數。

（3）幾何參數法

形狀的表達和匹配採用更為簡單的地區特徵描述方法，例如採用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shape factor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基於形狀特徵的映像檢索。

 

D空間關係特徵

特點：所謂空間關係，是指映像中分割出來的多個目標之間的相互的空間位置或相對方向關係，這些關係也可分為串連/鄰接關係、交疊/重疊關係和包含/包容關係等。通常空間位置資訊可以分為兩類：相對空間位置資訊和絕對空間位置資訊。前一種關係強調的是目標之間的相對情況，如上下左右關係等，後一種關係強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置資訊常比較簡單。
空間關係特徵的使用可加強對映像內容的描述區分能力，但空間關係特徵常對映像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間資訊往往是不夠的，不能有效準確地表達情境資訊。為了檢索，除使用空間關係特徵外，還需要其它特徵來配合。

常用的特徵提取與匹配方法：

提取映像空間關係特徵可以有兩種方法：一種方法是首先對映像進行自動分割，劃分出映像中所包含的對象或顏色地區，然後根據這些地區提取映像特徵，並建立索引；另一種方法則簡單地將映像均勻地劃分為若干規則子塊，然後對每個映像子塊提取特徵，並建立索引。

 

 

模式識別

模式識別是一種從大量資訊和資料出發，在專家經驗和已有認識的基礎上，利用電腦和數學推理的方法對形狀、模式、曲線、數字、字元格式設定和圖形自動完成識別的過程。模式識別包括相互關聯的兩個階段，即學習階段和實現階段，前者是對樣本進行特徵選取，尋找分類的規律，後者是根據分類規律對未知樣本集進行分類和識別。廣義的模式識別屬電腦科學中智能類比的研究範疇，內容非常廣泛，包括聲音和語言識別、文字識別、指紋識別、聲納訊號和地震訊號分析、照片圖片分析、化學模式識別等等。電腦模式識別實現了部分腦力勞動自動化。

模式識別－－對錶征事物或現象的各種形式的（數值的，文字的和邏輯關係的）資訊進行處理和分析，以對事物或現象進行描述、辨認、分類和解釋的過程，是資訊科學和人工智慧的重要組成部分。

模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等，屬於概念識別研究的範疇，是人工智慧的另一研究分支。我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、文字、符號、三位物體和景物以及各種可以用物理的、化學的、生物的感應器對對象進行測量的具體模式進行分類和辨識。

模式識別問題指的是對一系列過程或事件的分類與描述，具有某些相類似的性質的過程或事件就分為一類。模式識別問題一般可以應用以下4種方法進行分析處理。

統計模式識別方法：統計模式識別方法是受數學中的決策理論的啟發而產生的一種識別方法，它一般假定被識別的對象或經過特徵提取向量是符合一定分布規律的隨機變數。其基本思想是將特徵提取階段得到的特徵向量定義在一個特徵空間中，這個空間包含了所有的特徵向量，不同的特徵向量，或者說不同類別的對象都對應於空間中的一點。在分類階段，則利用統計決策的原理對特徵空間進行劃分，從而達到識別不同特徵的對象的目的。統計模式識別中個應用的統計決策分類理論相對比較成熟，研究的重點是特徵提取。統計模式識別的基本原理是：有相似性的樣本在模式空間中互相接近，並形成“集團”，即“物以類聚”。其分析方法是根據模式所測得的特徵向量Xi=(xi1,xi2,…,xid)T(i=1,2,…,N)，將一個給定的模式歸入C個類ω1,ω2,…,ωc中，然後根據模式之間的距離函數來判別分類。其中，T表示轉置；N為樣本點數；d為樣本特徵數。

統計模式識別的主要方法有：判別函數法，k近鄰分類法，非線性映射法，特徵分析法，主因子分析法等。(shenmeshi.cn收集)

在統計模式識別中，貝葉斯決策規則從理論上解決了最優分類器的設計問題，但其實施卻必須首先解決更困難的機率密度估計問題。BP神經網路直接從觀測資料(訓練樣本)學習，是更簡便有效方法，因而獲得了廣泛的應用，但它是一種啟發學習法技術，缺乏指定工程實踐的堅實理論基礎。統計推斷理論研究所取得的突破性成果導致現代統計學習理論——VC理論的建立，該理論不僅在嚴格的數學基礎上圓滿地回答了人工神經網路中出現的理論問題，而且匯出了一種新的學習方法——支撐向量機。

 

人工神經網路模式識別：人工神經網路的研究起源於對生物神經系統的研究。人工神經網路區別於其他識別方法的最大特點是它對待識別的對象不要求有太多的分析與瞭解，具有一定的智能化處理的特點。

句法結構模式識別：又稱結構方法或語言學方法。其基本思想是把一個模式描述為較簡單的子模式的組合，子模式又可描述為更簡單的子模式的組合，最終得到一個樹形的結構描述，在底層的最簡單的子模式稱為模式基元。在句法方法中選取基元的問題相當於在決策理論方法中選取特徵的問題。通常要求所選的基元能對模式提供一個緊湊的反映其結構關係的描述，又要易於用非句法方法加以抽取。顯然，基元本身不應該含有重要的結構資訊。模式以一組基元和它們的組合關係來描述，稱為模式描述語句，這相當於在語言中，句子和短語用片語合，詞用字元組合一樣。基元組合成模式的規則，由所謂文法來指定。一旦基元被鑒別，識別過程可通過句法分析進行，即分析給定的模式語句是否符合指定的文法，滿足某類文法的即被分入該類。

在幾種演算法中，統計模式識別是最經典的分類識別方法，在映像模式識別中有著非常廣泛的應用。

 

 

參考書籍：美國 岡薩雷斯 數位影像處理第二版

 

本文來自CSDN部落格，轉載請標明出處：http://blog.csdn.net/byxdaz/archive/2009/07/23/4375228.aspx