模式识别概述

1.模式与模式识别：

模式是由确定的和随机的成分组成的物体、过程和事件。

模式识别是指对表征对象事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。

2.图像识别：将模式识别的方法和技术应用于图像领域，即当识别的对象是图像时就称为图像识别

3.关键概念：

模式类：是指共享一组共同属性的模式集合，通常具有相同的来源。

特征：是一种模式区别于另一种模式的相应特点或特性，是通过测量或处理能够抽取的数据。

噪声：是指与模式处理（特征抽取中的误差）和训练样本联合的失真，它对系统的分类能力产生影响。

分类/识别：是指根据特征将模式分配给不同的模式类，识别出模式的类别的过程。

分类器：可以理解为为了实现分类而建立起来的某种计算模型，他以模式特征为输入，输出该模型所属的类别信息

5.过度拟合

一般来说，简单的模型具有计算复杂度上的优势，训练他们所需的样本数目通常也更少，但他们对空间的划分往往不够精确，导致识别精度受到一定的限制；而复杂的模型可以更好的拟合训练样本，产生非常适应训练数据的复杂决策边界，从而有理由期望他们在测试集上也会有好的表现。过度复杂的决策边界常常导致所谓“过度拟合”。

6.模式识别系统结构：原始模式首先经过预处理，而后经过特征提取得到适合分类器处理的特征向量，此过程中有时也包括必要的降维处理；最后分类器输出的识别结果常常还需要后处理，所谓后处理主要根据得到的识别结果进行评估和改进。

 

模式识别方法分类

统计模式识别：有相似性的样本在模式空间中互相接近，并形成“集团”，即“物以类聚”。

句法模式识别：把一个模式描述为较简单的子模式的组合，子模式又可描述为更简单的子模式组合，最终得到一个属性的结构描述，在底层最简单的子模式称为模式基元。

 

最小距离分类器和模板匹配

利用最小距离分类器分类3中鸢尾属植物的完整代码实现如下：

load fisheriris%载入Matlab自带的鸢尾属植物数据集

%每类的前40个样本用于生成代表该类的模板，后10个作为独立的测试样本
m1=mean(meas(1:40,:));%第1类的前40个样本的平均向量
m2=mean(meas(51:90,:));%第二类的前40个样本的平均向量
m3=mean(meas(101:140,:));%第三类的前40个样本的平均向量

%测试样本集
Test=[meas(41:50,:);meas(91:100,:);meas(141:150,:)];
%测试样本集对应的类别标签
classLabel(1:10)=1;
classLabel(11:20)=2;
classLabel(21:30)=3;

%利用最小距离分类器分类测试样本
class=zeros(1,30);%类标签
for ii=1:size(Test,1)
    d(1)=norm(Test(ii,:)-m1);%与第1类的距离
    d(2)=norm(Test(ii,:)-m2);%与第2类的距离
    d(2)=norm(Test(ii,:)-m3);%与第3类的距离
    
    [minVal class(ii)]=min(d);%计算最小距离并将距离样本最短的类赋给类标签数组class
end

%测试最小距离分类器分类测试样本
nErr=sum(class~=classLabel);
rate=1-nErr/length(class);
strOut=['识别率为',num2str(rate)]