1 统计模式识别
图像-增强图像-特征提取-分类
训练样本-有规则的学习-误差检测-改进规则-分类
1.1 决策理论方法
①线性判别
将待分类图像X投影到N个提取的特征上,形成Y向量,系数向量为W,判别函数D(X)= Y’W
通过分别计算i、j两类的D(X),比较大小,判断类别。Di(X)-Dj(X)>0 ,则i属于模式类别wi类
(Q:如何计算W(系数或权重)?)
②最小距离
m类
m个参考向量R1,R2,R3,...,Rm
判断X和哪个R最接近
|X - Ri|
③最近邻域分类法
与最小距离类似,但是Ri分为k个分量
计算X与Ri的最小距离,d = mink|X - Rik|
(Q:Rik怎么求得?)
④非线性判别函数
二次型判别函数
包含特征向量的分量的组合
1.2统计分类法
有噪声情况下的分类方法。
统计方法对图像进行特征抽取、学习和分类
基本内容:贝叶斯分析,include贝叶斯决策方法、分类器、估计理论、贝叶斯学习、贝叶斯距离
①贝叶斯法则
例子:零件的质量识别
类别:B1 = 合格 (P(B1) = 0.9),B2 = 不合格 (P(B2) = 0.1)
特征:X = 特征x
概率密度分布:
X | |
B1 | 0.2 |
B2 | 0.4 |
计算:X条件下,合格和不合格的概率
[0.9 0.1]*[0.2 0.4]'
P(B1|X) = 0.9*0.2/(0.9*0.2+0.1*0.4) = 0.818
P(B2|X) = 0.1*0.4/(0.9*0.2+0.1*0.4) = 0.182
②最小错误率的贝叶斯分类法
③最小风险的贝叶斯分类法
引入“损失”的概念
w1(合格) | w2(不合格) | |
a1(合格) | 0 | 6 |
a2(不合格) | 1 | 0 |
→ 矩阵A
将wi错分为ai的损失矩阵
计算分别错分为a1(合格)、a2(不合格)的条件风险
矩阵B = [P(w1|X) P(w2|X)]'
R(ai|X) = AB
比较R的大小,R大则损失大,将分类归为损失小的类
参考:四维科技,胡小峰,赵辉. Visual C++/MATLAB 图像处理与识别实用案例精选[M].
所有评论(0)