【图像识别】【读论文】模式识别方法概论&&模式识别及其在图像处理中的应用

《模式识别及其在图像处理中的应用》

1、模式识别基本框架

一般认为，模式识别是通过具体的事物进行观测所得到的具有时间、空间分布的信息，模式所属的类别或同一类中模式的总体成为模式类，其中个别具体的模式往往成为样本。

样本——预处理——特征选择和提取——分类器设计&&分类结果

【由上述分析可知，模式识别本身就是将特征空间映射为选择空间，将多维特征降维以减小复杂度，增加鲁棒性】

2、特征提取和选择

特征提取是指通过映射的方法用低维空间来表示样本的过程，特征提取后样本的可分性应该更好。常用方法：主元分析（PCA）、线性判别分析、核函数主元分析（Kernel PCA）、独立主元分析（ICA）、自组织映射（SOM）

特征提取后的各个特征的物理意义有时不是很明确，往往很难看出各个特征对分类器的影响，有的甚至有副作用。因此要在这些特征中选择一部分，这就是特征选择。

为了判断提取和选择的特征对分类的有效性，人们提出各种衡量特征分类性能的判据。最直接最有效的盘踞是计算分类器错误概率，但很难实现。最简单的判据是用于可用性判据的类内类间距离判据。

【由上述分析可知，提取和选择对算法性能有决定性的作用，具体操作上既可以通过有监督学习、也可以无监督的聚类分析；除此之外，判断标准很重要，只有有了判断标准，才能够对选择的算法进行衡量和改进，这是反馈】

3、模式识别的主要方法及其在图像处理中的应用

1)     统计决策法

以概率论和数理统计为基础，包括参数法和非参数法。参数法以Bayes决策准则为指导，其中最小错误率和最小风险贝叶斯决策是最常用的决策方法。参数估计方法在样本数据趋于无穷大时渐进理论，然而实际条件往往达不到。在样本数量有限的时候，往往根据样本直接设计分类器，这就是非参数方法。这类方法物理意义直观，但所得的结果和错误率往往没有直接联系。所设计的分类器不能保证最优。比较典型的有线性分类器、最近邻方法、K均值聚类发。

缺点：缺少结构信息。

2)     结构模式分析

利用模式的结构描述与句法描述之间的相似性对模式进行分类，每个模式由它的各个子部分（称为子模式或者模式基元）的组合来表示。对模式的识别常以句法分析的方式进行，即依据给定的一组句法规则来剖析模式的结构。当模式中的每一个基元被分辨出来后，识别过程就可通过执行语法分析来实现。

3)     模糊模式识别

将非此即彼的0,1判断更改为隶属度函数。模糊模式识别的关键在隶属度函数的建立，目前的主要方法有模糊统计、模糊分布法、二元对比排序法、相对比较法和专家评分法。

4)     人工神经网络模式识别

定义：用软件或者硬件的方法，建立许多以大量处理单元为结点，处理单元实现（加权值的）互联的拓扑网络，进行模拟。

主要特点：信息处理的并行性、自组织和自适应性、具有很强的学习能力和联想功能以及容错性能。

4、模式识别的新进展及其在图像处理中的应用

1)     支持向量机

2)     仿生模式识别

【这是篇2004年的论文，并且文章是综述，所以对SVM和仿生模式讲得不是很清楚，接下来找些SVM的论文研究研究】

 

《模式识别方法概论》

【这是篇2012年的文章，讲的内容很多与上面的文章有重复，所以不再每小节摘录，只摘录感觉写得好的地方】

1、为提高识别结果的可靠性，往往需要加入知识库（规则）以对可能产生的错误进行修正，或者引入限制条件大大缩小待识别特征在模型库的搜索空间。

2、SVM基本思想：先在样本空间或特征空间，构造出最优超平面，使得超平面与不同类样本之间的距离最大，从而达到最大的泛化能力。