模式識別及其在數(shù)字圖像處理中的應(yīng)用(共6頁)

1、模式識別(m sh sh bi)及其在數(shù)字圖像處理中的應(yīng)用摘要(zhiyo)：模式識別是人工智能領(lǐng)域(ln y)的基礎(chǔ)，隨著計算機和人工智能技術(shù)的發(fā)展，模式識別在圖像處理中的應(yīng)用日益廣泛。近年來，模式識別也去的了很多讓人矚目的成就，有很多不可忽視的進展。數(shù)字圖像處理又稱為計算機圖像處理，它是指將圖像信號轉(zhuǎn)換成數(shù)字信號并利用計算機對其進行處理的過程。圖像是人類獲取和交換信息的主要來源，圖像處理的應(yīng)用領(lǐng)域必然涉及到人類生活和工作的方方面面。隨著人類活動范圍的不斷擴大，圖像處理的應(yīng)用領(lǐng)域也將隨之不斷擴大?；谀Ｊ阶R別的圖像處理隨著當(dāng)今計算機和人工智能技術(shù)的發(fā)展，已經(jīng)成為了圖像識別領(lǐng)域的蹤影研究方向。

2、本文首先介紹了圖像模式識別的基本理論和基本方法，然后闡述了模式識別在圖像處理中應(yīng)用理論，最后舉例說明了模式識別在圖像處理中的具體應(yīng)用。關(guān)鍵字： 模式識別；人工智能；圖像處理；特征提取；識別方法1 模式識別技術(shù)的基本理論1.1 模式識別的基本框架模式識別是通過計算機對信息進行處理、判別的一種分類過程，是信號處理與人工智能的一個重要分支。人工智能是專門研究用機器人模仿人的動作、感覺和思維過程與規(guī)律的一門學(xué)科，而模式識別就是通過計算機用數(shù)學(xué)技術(shù)方法來研究模式的自動處理和判讀。我們把環(huán)境與客體統(tǒng)稱為“模式”。隨著計算機技術(shù)和人工智能的發(fā)展，人類有可能研究復(fù)雜的信息處理過程。信息處理過程的一個重要形式是

3、生命體對環(huán)境及客體的識別。對人類來說，特別重要的是對光學(xué)信息（通過視覺器官來獲得）和聲學(xué)信息（通過聽覺器官來獲得）的識別。這是模式識別的兩個重要方面。在圖像處理中，識別場景中的對象或區(qū)域是一個重要課題。圖像模式識別的任務(wù)是從策略對象集的場景中識別對象。每個對象都是一種模式，并且策略值是模式的特征，同特征的相似對象集屬于具體的模式類，測量特征的技術(shù)稱為特征提取。模式識別的基本框架如圖1所示：圖1 模式識別的基本框架1.2 模式識別的方法1.2.1 決策(juc)理論法在模式識別(m sh sh bi)中，已經(jīng)使用了一些(yxi)模式分類技術(shù)。這些技術(shù)中的一些技術(shù)被稱為決策理論技術(shù)，在這種技術(shù)中，

4、未知的模式分類是由一些確定的、統(tǒng)計的或者模糊理論的基本原理進行決策。決策理論的模塊圖如圖2所示：圖2 決策理論模式分類器模塊圖 決策理論模式識別技術(shù)主要分為基于有監(jiān)督學(xué)習(xí)的分類方法和使用無監(jiān)督技術(shù)的分類方法。有監(jiān)督的分類方法又可分為有參數(shù)分類器和非參數(shù)分類器。在有參數(shù)監(jiān)督的分類中，用大量標(biāo)注訓(xùn)練樣本模式集訓(xùn)練分類器，并估計每類模式的統(tǒng)計參數(shù)。其中，最小距離分類器和最大似然分類器是頻繁使用的有監(jiān)督算法。無監(jiān)督分類技術(shù)不考慮參數(shù)，常使用一些非參數(shù)的技術(shù)，例如K近鄰技術(shù)、Parzen窗技術(shù)等。在無監(jiān)督的情況下，根據(jù)一些相似標(biāo)準(zhǔn)機器分割整個數(shù)據(jù)集，結(jié)構(gòu)產(chǎn)生了聚類集，模式中的每個聚類集都屬于具體類。1.

5、2.2 句法方法在句法模式識別中，關(guān)鍵問題是使用屬于不同模式類的樣本集推斷適當(dāng)?shù)奈姆āＮ姆ㄍ茢鄦栴}是一個首要問題。這種方法是基于基本假設(shè)，每個模式至少存在一個文法描述。每個模式類文法描述的識別和提取形成了設(shè)計綜合模式分類器的核心問題。文法推斷問題包括使用在研究中的樣本模式集獲得文法的算法開發(fā)。因此這可以視為使用有限的并且增長的訓(xùn)練模式集進行學(xué)習(xí)的方法。在文法模式分類中，屬于特殊模式類的字符串可以作為形成屬于語言的句子，這些句子對應(yīng)于模式類。如果每個字符串都屬于該模式類，機器就可以識別這個模式類，對于不在該模式類中的任何字符串，機器決策它是否是語言的成員，要么拒絕，要么永久接受。對于自動機的自動

6、化造句而言，接受字符串屬于特殊模式類，已經(jīng)有了一些成熟的技術(shù)。1.2.3 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛使用于圖像分割和對象分類問題。這些網(wǎng)絡(luò)本質(zhì)上是學(xué)習(xí)網(wǎng)絡(luò)，用于場景中像素或?qū)ο蟮姆诸?。它們是大量互?lián)的神經(jīng)元集，并行地執(zhí)行學(xué)習(xí)任務(wù)。神經(jīng)元由生物神經(jīng)元建模，因此它們被命名為神經(jīng)網(wǎng)絡(luò)。根據(jù)學(xué)習(xí)過程的類型，這些網(wǎng)絡(luò)可以分為有監(jiān)督或無監(jiān)督網(wǎng)絡(luò)。1.2.4 小結(jié)在低級計算機視覺和圖像處理中，圖像模式識別和分類是重要任務(wù)。圖像模式識別的關(guān)鍵是對圖像的分類和解譯。在圖像分析的不同領(lǐng)域已經(jīng)發(fā)現(xiàn)了這些技術(shù)(jsh)的廣泛應(yīng)用，即分割，像素分類和圖像的解譯。2 基于模式識別技術(shù)(jsh)的圖像處理2.1 基于

7、(jy)模式識別技術(shù)的圖像分割 把圖像按相關(guān)度劃分成各具特色的區(qū)域并提取出所需目標(biāo)的技術(shù)和過程稱為圖像分割。分割的關(guān)鍵在于分割依據(jù)的確定。從模式識別技術(shù)理論上考慮圖像分割問題,分割是針對圖像所需分割的對象,根據(jù)圖像的結(jié)構(gòu)特性將圖像的所有組成部分分成“分割”類和“非分割類”兩類。對于任何一個事物都有與其他事物相互區(qū)別的一些本質(zhì)特征,必然可以提取出本質(zhì)特征能夠與分割背景圖像相區(qū)別并作為識別事物的依據(jù),即為分割依據(jù)。在分割圖像定位對象時,可以選擇由特征組成的特征空間進行定位識別。因此,將分割對象視為模式識別的對象,圖像分割的過程是為在模式識別中尋找特定模式類,并按照該模式類的特征,結(jié)合與其對應(yīng)的分割

8、技術(shù)進行分割。2.2 基于模式識別技術(shù)的圖像特征提取由于圖像的隨機性和數(shù)據(jù)量大,增加了在圖像中選取有效的圖像特征的難度,并直接影響到圖像識別系統(tǒng)的性能。所以完成圖像識別的首要任務(wù)為提取有效的圖像特征。然而在很多實際問題中不易找到所需的特征,或由于條件限制不能對它們進行測試,于是把特征選擇和提取任務(wù)復(fù)雜化,成為構(gòu)建模式識別系統(tǒng)困難的任務(wù)之一。圖像的原始特性或?qū)傩员环Q為圖像特征。其中有些是自然特征,有些是人為特征。特征提取是提取特征,經(jīng)篩選或變換直到得出有效特征的全過程。其根本任務(wù)是選擇有效的特征,并運用相應(yīng)的技術(shù)進行特征提取。基于模式識別技術(shù)的圖像特征提取工作的結(jié)果是給出了某一具體圖像與其它圖像

9、相區(qū)別的特征。2.3 基于模式識別技術(shù)的圖像識別圖像識別是圖像處理的高級階段,其研究的是通過儀器對周圍物體的視覺圖像進行分析和識別,從而可得到有效的結(jié)論性判斷。但是,為了使計算機系統(tǒng)也能認(rèn)識人類視覺系統(tǒng)認(rèn)識的圖像,人們必須研究出計算方法,分析圖像特征,因而將模式識別技術(shù)應(yīng)用到圖像識別中,進而將圖像特征能用數(shù)學(xué)方法表示出來并教會計算機也能認(rèn)識、識別這些特征。3 基于模式識別技術(shù)的生物醫(yī)學(xué)圖像處理3.1 概述生物統(tǒng)計的識別系統(tǒng)在一些應(yīng)用中非常有用，例如商務(wù)和執(zhí)法應(yīng)用，特別是在犯罪識別、安全系統(tǒng)、可視電話、信用卡驗證以及用于識別個人身份的證件照片驗證等方面。人臉的識別、指紋、簽名和許多其他生物統(tǒng)計圖

10、像在計算機視覺領(lǐng)域中構(gòu)成了重要的研究領(lǐng)域?；谀Ｊ阶R別的自動人臉識別已經(jīng)(y jing)有了很多實現(xiàn)方案。人臉識別中主要的策略要么是基于特征的，要么是基于人臉空間的，例如特征臉或Fisher臉。大多數(shù)特征提取的方法都是從人臉的正視圖中提取特征，有時也從側(cè)面人臉輪廓中提取特征。自動人臉識別系統(tǒng)既使用正面也使用側(cè)面，所有更加準(zhǔn)確，因為(yn wi)它利用了子人臉的兩個視圖中固有可利用的明確信息。下面介紹用于人臉識別的特征提取和匹配技術(shù)。3.2 特征選擇首先從人臉的正視圖和側(cè)視圖中辨識(bin sh)標(biāo)志點集合，然后使用它們之間的基于區(qū)域、角度和距離的特征向量。側(cè)面輪廓特征提供了人臉額外的結(jié)構(gòu)輪廓信

11、息，這些信息從正視圖中是看不到的，所以從兩個視圖中提取特征集通常能夠有效地應(yīng)用于人臉識別，并且與只使用一個視圖的特征的系統(tǒng)相比，可靠性更高。3.3 正面面部特征提取提取一些正面面部分量，例如眼睛、眉毛等，開始時選擇眼睛模板集，面部圖像f(i,j)以適當(dāng)選擇的模板集T(m,n)進行卷積運算，由以下濾波器操作表示：Fi,j=Tm,n*f(i+m,j+n)這個卷積過程在濾波器的輸出產(chǎn)生了能力測試集。從卷積濾波器的輸出確定眼睛的位置，使用平移、尺度和選擇不變仿射變換，我們可以從卷積濾波器檢測出眼睛。一旦檢測出兩只眼睛，眼眉位置可能位于眼睛中心的小搜索區(qū)域之內(nèi)。隨后，沿虹膜列可以用一半的眼眉模板窗口與眼

12、眉模板集合匹配來檢測上述左右眼睛之上的眉眼。一些正面面部特征具有不變特征，它不隨面部表示而改變，而其他的是變化的特征。圖3給出了正面面部點。在正面面部特征提取中，眼睛是重要的角色。圖3 正面面部點3.4 側(cè)面(cmin)面部特征提取3.4.1 基準(zhǔn)(jzhn)標(biāo)記的選擇人臉的側(cè)視圖選擇的標(biāo)志點是：鼻子點、頜下點、前額點、鼻梁點、眉間點和嘴角點。將側(cè)面臉的數(shù)字圖像變化為側(cè)面外形輪廓，然后提取(tq)標(biāo)志點。側(cè)面面孔圖像是一幅二進制圖像，從每個側(cè)面輪廓獲得的標(biāo)志點提取7個距離測量和一個區(qū)域測量。3.4.2 距離和區(qū)域測量計算距離測量的提取標(biāo)志點如圖4所示，正視圖和側(cè)視圖的特征集合形成組合特征向量，

13、這些特征向量陣列表示面部圖片，所以我們希望對于不同的臉部，這些向量陣列是不同的。我們將這些特征陣列存儲在文件中，并且具有主索引號。為了消除尺度作用，將鼻子點和鼻梁點間的距離，側(cè)視圖的距離測量和面積測量值，兩眼間的距離和正面臉的測量值進行歸一化處理。圖4 側(cè)面面部點3.5 人臉識別從人臉的正視圖和側(cè)視圖提取最佳特征集，并且將這些特征值存儲在獨立的文件中，主要臉數(shù)據(jù)文件中的向量稱為M向量，對于未知的樣本，測試數(shù)據(jù)文件包含15維特征向量。為了減少匹配特征向量值計算的復(fù)雜性，將這些特征向量與它們的主索引一起升序存儲。將測試特征值插到每個特征向量（列）的排序特征列表的適當(dāng)位置。測試樣本模式的兩個最近鄰居

14、在每列中進行識別，并且評估它們的相似性。下面就K-近鄰算法給出人臉識別的步驟：步驟1 在每一列，將特征值與它們的主索引一起升序排列。步驟2 在每列的適當(dāng)位置插入測試樣本的每個特征向量。步驟3 在每列中去掉兩個最近鄰居，并對兩個最近的鄰居計算測試模式的相似性，每個都有主索引。步驟(bzhu)4 對所有主索引計算(j sun)測試模式的所有相似性。步驟(bzhu)5 給測試人臉分配具有最大相似性值的主索引。如果在測試文件中的人臉不屬于任何存儲在主要數(shù)據(jù)文件的人臉，對于這個測試臉，將給出與其最相似的分類索引。4 結(jié)語隨著計算機和人工智能技術(shù)的發(fā)展，人們對模式識別技術(shù)在圖像處理中的應(yīng)用越來越重視。同時

15、，模式識別涉及并利用到數(shù)學(xué)、計算機科學(xué)等多學(xué)科的理論知識，而將這些學(xué)科的新技術(shù)和成就綜合運用到模式識別中，提出更符合需求的模式識別技術(shù)是今后值得研究的重要課題。5 參考文獻1 HYPERLINK /Books/allbook/allauthor.asp?stype=author&sbook=%B1%DF%D5%D8%EC%F7,%D5%C5%D1%A7%B9%A4%B5%C8 邊肇祺,張學(xué)工，等.模式識別（第二版）M.北京：清華大學(xué)出版社 2000-01.2 沈清，湯森.模式識別導(dǎo)論M.長沙：國防科技大學(xué)出版社，1991.3 Karayiannis N B, Pai P I. A fuzzy

16、vector quantization algorithms and their application in image compression J.IEEE Transaction on Image Processing, 1995,4(9):1 193-1 201.4 Chen Li, Yap Kim-Hui. A fuzzy K-nearest-neighbour algorithm to blind image deconvolution A.IEEE International Conference on Systems, Man and Cybernetice, 2003-03:2 049-2 -54. 5 王守覺.仿生模式識別（拓?fù)淠Ｊ阶R別）一種