模板匹配與模式識別技術

模板匹配與模式識別技術第1頁，共16頁，2023年，2月20日，星期五一.模式識別的基本定義

模式(pattern)------存在于時間，空間中可觀察

的事物，具有時間或空間分布的信息。模式識別(PatternRecognition)------用計算機實現(xiàn)人對各種事物或現(xiàn)象的分析,描述,判斷,識別。第2頁，共16頁，2023年，2月20日，星期五模式識別的基本定義

模式(pattern)------存在于時間，空間中可觀察的事物，具有時間或空間分布的信息。廣義地說，存在于時間和空間中可觀察的物體，如果我們可以區(qū)別它們是否相同或是否相似，都可以稱之為模式。模式所指的不是事物本身，而是從事物獲得的信息，因此，模式往往表現(xiàn)為具有時間和空間分布的信息。第十章模板匹配與模式識別技術

第3頁，共16頁，2023年，2月20日，星期五模式的直觀特性:可觀察性可區(qū)分性相似性第十章模板匹配與模式識別技術

第4頁，共16頁，2023年，2月20日，星期五模式識別(PatternRecognition)------用計算機實現(xiàn)人對各種事物或現(xiàn)象的分析,描述,判斷,識別。周圍物體的認知：桌子、椅子人的識別：張三、李四聲音的辨別：汽車、火車，人語、鳥鳴氣味的分辯：炸帶魚、紅燒肉人和動物的模式識別能力是極其平常的，但對計算機來說卻是非常困難的。第十章模板匹配與模式識別技術

第5頁，共16頁，2023年，2月20日，星期五§10.1模板匹配模板匹配是一種最原始、最基本的模式識別方法。研究某一特定對象物的圖案位于圖像的什么地方，進而識別對象物，這就是一個匹配的問題。模板匹配定義：當對象物的圖案以圖像的形式表現(xiàn)時，根據(jù)該圖案與一幅圖像的各部分的相似度判斷其是否存在，并求得對象物在圖像中位置的操作叫做模板匹配。模板匹配的用途：

(1)在幾何變換中，檢測變換的對應點；

(2)多光譜或多時相圖像間的幾何配準（圖像配準)；

(3)在立體影像分析中提取左右影像間的對應關系；

(4)運動物體的跟蹤；

(5)圖像中對象物位置的檢測等。第6頁，共16頁，2023年，2月20日，星期五一，模板匹配方法

1，基本思想：設檢測對象的模板為t(x，y)，令其中心與圖像f(x，y)中的一點(i，j)重合，檢測t(x，y)和圖像重合部分之間的相似度，對圖像中所有的點都進行這樣的操作，根據(jù)相似度為最大或者超過某一閾值來確定對象物是否存在，并求得對象物所在的位置。2，匹配尺度：§10.1模板匹配非相似度：S--t(x，y)的定義域

值越小，匹配程度越好第7頁，共16頁，2023年，2月20日，星期五相似度：該值越大，表示匹配程度好。

--t(x,y)在S內(nèi)的均值--f(x+u,y+v)在S內(nèi)的均值§10.1模板匹配第8頁，共16頁，2023年，2月20日，星期五二，模板匹配方法的改進

1，高速模板匹配法

1）序貫相似性檢測法SSDA法：

(SequentialSimiliarityDetectionAlgorithm)SSDA法用下式計算圖像f(x，y)在點(u，v)的非相似度m(u,v)作為匹配尺度。式中(u，v)表示的不是模板中心坐標，而是它左上角坐標。模板的大小為m×n。

如果灰度差的絕對值部分和超過了某一閾值時，就認為這位置上不存在和模板一致的圖案，從而轉(zhuǎn)移到下一個位置上計算m(u，v)。因此能大幅度地縮短計算時間，提高匹配速度?！?0.1模板匹配第9頁，共16頁，2023年，2月20日，星期五

2）粗精檢索結合方法：首先進行粗檢索，它不是讓模板每次移動一個像素，而是每隔若干個像素把模板和圖像重疊，并計算匹配的尺度，從而求出對象物大致存在的范圍。然后，僅在這個范圍內(nèi)，讓模板每隔一個像素移動一次，根據(jù)求出的匹配尺度確定對象物所在的位置。這樣，整體上計算模板匹配的次數(shù)減少，計算時間縮短，匹配速度提高。但是用這種方法具有漏掉圖像中最適當位置的危險性。2，高精度定位的模板匹配在一般的圖像中有較強自相關性，因此，進行模板匹配計算的相似度就在以對象物存在的地方為中心形成平緩的峰?；趫D案輪廓的特征匹配方法與一般的匹配相比較，表現(xiàn)出更尖銳的相似度的分布?？色@得高精度的定位?！?0.1模板匹配第10頁，共16頁，2023年，2月20日，星期五§10.2模式識別方法簡介統(tǒng)計模式識別概率分類法聚類分析模糊模式識別句法（結構）模式識別人工神經(jīng)網(wǎng)絡方法第11頁，共16頁，2023年，2月20日，星期五基于概率統(tǒng)計模型得到各類別的特征向量的分布，以取得分類的方法。特征向量分布的獲得是基于一個類別已知的訓練樣本集。是一種監(jiān)督分類的方法，分類器是概念驅(qū)動的。概率分類法一，統(tǒng)計模式識別聚類分析目標：用某種相似性度量的方法將原始數(shù)據(jù)組織成有意義的和有用的各種數(shù)據(jù)集。是一種非監(jiān)督學習的方法，解決方案是數(shù)據(jù)驅(qū)動的?！?0.2模式識別方法簡介第12頁，共16頁，2023年，2月20日，星期五基于模糊數(shù)學理論，利用隸屬函數(shù)描述事物的不確定性。識別根據(jù)研究對象對于某模糊子集的隸屬程度采用最大隸屬原則識別法、擇近原則識別法，模糊聚類分析法對模式進行識別。二，模糊模式識別§10.2模式識別方法簡介第13頁，共16頁，2023年，2月20日，星期五該方法通過考慮識別對象的各部分之間的聯(lián)系來達到識別分類的目的。識別采用結構匹配的形式，通過計算一個匹配程度值（matchingscore）來評估一個未知的對象或未知對象某些部分與某種典型模式的關系如何。當成功地制定出了一組可以描述對象部分之間關系的規(guī)則后，可以應用一種特殊的結構模式識別方法–

句法模式識別，來檢查一個模式基元的序列是否遵守某種規(guī)則，即句法規(guī)則或語法。三，結構模式識別§10.2模式識別方法簡介第14頁，共16頁，2023年，2月20日，星期五神經(jīng)網(wǎng)絡是受人腦組織的生理學啟發(fā)而創(chuàng)立的。由一系列互相聯(lián)系的、相同的單元（神經(jīng)元）組成。相互間的聯(lián)系可以在不同的神經(jīng)元之間傳遞增強或抑制信號。增強或抑制是通過調(diào)整神經(jīng)元相互間聯(lián)系的權重系數(shù)來實現(xiàn)。神經(jīng)網(wǎng)絡可以實現(xiàn)