模式识别
文章平均质量分 90
模式识别
有梦想的雨
这个作者很懒,什么都没留下…
展开
-
基于类的概率密度函数的可分性判据
首先考虑两类问题,看一个一维的两类概率分布:其中,(a)中的两类是完全可分的;(b)是完全不可分的。基于类的概率密度函数的可分性判据可用两类概率密度函数的重叠程度来度量可分性,构造基于类概率密度的可分性判据,重叠程度是指两个类概率密度函数相似的程度。基于类概率密度函数构造可分性判据 JpJ_pJp 时, JpJ_pJp 应当满足:(1) Jp>0J_p>0Jp>0;(2)当两类概率密度函数完全不重叠时, Jp=maxJ_p=maxJp=max 达到最大;(3)当两类原创 2022-01-02 20:34:52 · 1091 阅读 · 0 评论 -
特征提取与选择
模式识别中,分类识别的正确率取决于对象的表示、训练学习和分类识别算法,特征提取与选择问题是对象表示的一个关键问题。基于可分享度量的特征提取与选择通常在得到实际对象的若干具体特征之后,再由这些原始特征产生出对分类识别最有效、数目最少的特征,这就是特征提取与选择的任务。从本质上讲,我们的目的是使在最小维数特征空间中异类模式点相距较远(类间距离较大),而同类模式点相距较近(类内距离较小)。 实现特征提取与选择有两个基本途径:(1)直接选择法:当实际用于分类识别的特征数目d 确定后,直接从已获得的 n 个原始原创 2022-01-02 10:48:35 · 663 阅读 · 0 评论 -
模式识别——特征提取(表达)
特征表达特征特征是机器学习系统的原材料,对最终模型的影响是毋庸置疑的;如果数据被很好地表达成了特征,通常线性模型就能达到满意的精度。关于特征,需要考虑以下三方面:(1)特征表示的粒度需要考虑,模型在一个什么程度上的特征表示,才能发挥效果?以图片为例,像素级的特征完全没有价值,从中得不到任何可用于分类或识别的信息。当特征具有结构性(有意义)的时候,算法才能起作用,即将输入空间通过某种规则映射到特征空间,使得有助于分类。如下图所示,当可以判断是否有车把手,是否有车轮,就可以很容易的把摩托车和非摩托车区原创 2022-01-01 14:07:58 · 2558 阅读 · 0 评论 -
模板匹配——弹性匹配
弹性匹配基本概念对于人脸匹配,可将人脸看做非刚性模型来匹配人脸结构。对该系统进行训练,采用人工标定人脸特征点,用局部特征描述方法(如Gabor jets)来提取每个特征点的特征。在多人中抽取这些特征点,可得到一种不变性规律——弹性串图,用于表示非刚性或者可变形事物。比较一个传图和新的人脸图像,采用迭代法找到每个弹性图特征点位置和特征之间的最小距离,即为弹性图匹配。在人脸姿态估计中,对每个姿势建立一个弹性图。输入新的人脸图像,将其与弹性图进行匹配,找到最大的匹配结果,作为该图的姿态。优点:采用弹性图匹配原创 2021-12-27 22:41:43 · 1345 阅读 · 0 评论 -
聚类——基于层次的聚类算法
基于层次的聚类算法(Hierarchical Clustering)当不知道应该分为几类时,使用层次聚类比较适合。层次聚类会构建一个多层嵌套的分类,类似一个树状结构。可以选择一个聚类数量,根据需求对树状图中画一条水平线,得到对应的聚类。自底向上的聚类从点作为个体簇开始,迭代时每一步合并两个最接近的簇,直到所有样本合并为一簇。基本步骤:每个样本点自成一类。选择最近的两个类聚成一类。计算新的类与类之间的距离。重复第 2、3 步直至所有的样本点聚为一类。初始时,每个簇只有一个样本,搜索相原创 2021-12-24 14:03:32 · 4453 阅读 · 0 评论 -
聚类——基于距离阈值的聚类算法
基于距离阈值的聚类算法1.最大最小距离算法算法思想对待分类模式样本集以最大距离选取新的聚类中心,以最小距离原则进行模式归类。算法步骤从N个样本集中的任选取一个样本,作为第一个聚类中心 z1z_1z1;选取距离第一个聚类中心 z1z_1z1 最远的样本作为第二个聚类中心 z2z_2z2;计算剩余样本与 z1,z2z_1,z_2z1,z2之间的距离,并求出他们中的最小值,即:dij=∣∣xi−zj∣∣, j=1,2 ; di=min[di1,di2], i原创 2021-12-23 17:26:16 · 4353 阅读 · 0 评论 -
聚类——总述
聚类(Clustering)的基本概念聚类属于无监督学习,在聚类前数据没有分类或分组信息。聚类是寻找数据之间内在结构,按照特定标准(如距离准则、相似性系数)把全体数据样本组织成一些相似簇;使得处于相同簇中的数据样本彼此相似性尽可能大,处于不同簇中的样本彼此差异性尽可能地大。聚类的结果在很大程度上取决于事先设定的参数(如类别,初始点等),例如:聚类性能好坏的度量类内相似度高,类间相似度低。度量聚类结果好坏的依据有:可测量性、处理不同类型样本的能力、发现任意形状簇的能力、输入参数所需的先验知识、处理噪声原创 2021-12-20 21:12:33 · 2338 阅读 · 0 评论 -
基于几何特征的模板匹配
基于几何特征(边缘特征)的模板匹配基于几何特征的模板匹配通过计算模板图像与目标图像特征信息,来判断目标图像中是否有与模板图像相近或相同的图像。匹配流程如下:1.制作一个模板,并使模板图像以一定角度旋转,得到0∘∼360∘0^\circ\sim360^\circ0∘∼360∘的各个分析的模板;2.模板图像T从目标图像的原点处开始每次移动一个像素,直到匹配分数达到要求找到目标物体。基于边缘特征的模板创建首先从模板图像的边缘创建一个数据集(模板模型),然后到目标图像中搜索相近或相同的图像。图像边缘的原创 2021-12-20 10:15:59 · 1091 阅读 · 0 评论 -
图像处理——SIFT算法
[SIFT算法原文(Distinctive Image Features from Scale-Invariant Keypoints)SIFT算法(Scale-invariant feature transform),即尺度不变特征变换,由David Lowe提出,是一种基于局部兴趣点的算法,因此不仅对图片大小和旋转不敏感,而且对光照、噪声等的抗干扰能力也很好。主要步骤尺度空间极值探测(Scale-space extrema detection)利用高斯差分函数对整个图像进行搜索,识别潜在的对缩放原创 2021-12-19 17:03:08 · 2967 阅读 · 0 评论 -
图像处理中的模板匹配
概念:把对同一景物在不同时间、不同成像条件下获取的多幅图像在空间上对准;根据已知模式到另一幅图中寻找相应模式的处理方法。原理:在待搜寻的图像中,移动模板图像,在每个位置测量待搜寻图像的子图像和模板图像的差值,当相似度最大时,记录其相应位置,完成匹配。搜索域:以两幅图像的原点为参考点,参考图像R在待 搜寻图像 I 中平移(r,s)个单位,所能移动的最大区域为搜索区域。将模板图像块,从左到右,从上到下,每次移动一个像素。在每一个位置上,都进行一次计算来度量匹配的好坏程度。把度量值保存到结果图像.原创 2021-12-17 16:29:52 · 2775 阅读 · 0 评论 -
基于像素的模板匹配
基于像素的模板匹配输入源图像Source image(I); 模板图像Template image(T)结果矩阵result Matrix(R)1.平方差匹配法最好的匹配值为0;匹配越差,匹配值越大R(x,y)=∑x′,y′[T(x′,y′)−I(x+x′,y+y′)]2\displaystyle R(x,y)=\sum_{x',y'}[T(x',y')-I(x+x',y+y')]^2R(x,y)=x′,y′∑[T(x′,y′)−I(x+x′,y+y′)]22.归一化平方差匹配法R(x,y)原创 2021-12-17 16:31:04 · 652 阅读 · 0 评论