CSDN学习社区

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 = min_k|X - Ri^k|

（Q：Ri^k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].