【读书笔记】《数字图像处理》（第三版）[刚萨雷斯]-第12章 目标识别

一.基本概念

1.模式是描绘子的组合，通常用特征来表示描绘子。
模式类是指具有某些共同属性的一组模式。模式类用$w_1$，$w_2$，……，$w_W$表示，其中$W$是模式类数。

2.常用的三种模式组合是向量、串和树。
（1）模式向量：模式向量用于定量描述。其形式为

$$x=\begin{bmatrix}x_1 \\x_2 \\\vdots \\x_n \\\end{bmatrix}$$
其中 $x_i$表示第 $i$个描绘子。用一个经典的例子来说明模式向量，通过测量鸢尾花花瓣的宽度和长度来识别三种鸢尾花。每种花用这两个度量来描述 $x=\begin{bmatrix}x_1 \\x_2 \\\end{bmatrix}$，有3个模式类 $w_1$， $w_2$， $w_3$分别对应三种鸢尾花。根据花瓣在宽度和长度上的不同，描述这些花的模式向量也不同。在选定了一组度量后，模式向量的分量便成为每个物理样本的完整描述。因此类的可分程度很大程度取决于所采用的描绘子。
生成模式向量可得到由定量信息表征的模式类。
（2）串描述适于生成其结构是基于基元的较简单的连接，并且通常是和边界形状有关系的目标模式和其他实体模式。
（3）数形描述是一种更有效的方法，基本上，多数层次排序方案都会导致树形结构。树的根表示正幅图像，每下一层都将描述更细节的元素。

二.识别策略

3.决策理论方法识别：决策理论方法识别是以使用或判别函数为基础的。决策理论模式识别的基本问题是找到$W$个决策函数$d_1(x)$，$d_2(x)$，……，$d_W(x)$。如果模式$x$属于类$w_i$，将$x$代入所有决策函数后，如果$d_i(x)$得到最大值，则称未知模式$x$属于第$i$个模式类。

4.从类$w_j$中分离出类$w_i$的决策边界，由满足$d_i(x)=d_j(x)$的$x$值给出。通常的做法是使用单一函数$d_{ij}(x)=d_i(x)-d_j(x)=0$来识别两类之间的决策边界。因此，对于有的模式类$w_i$有$d_{ij}(x)>0$，而对于有的模式类$w_j$有$d_{ij}(x)<0$。

5.基于匹配的识别技术：通过一个原型模式向量来表示每个类。根据一种预先定义的度量，将一个未知模式赋予最接近的类。最简单的方法是最小距离分类器。

三.分类器

6.最小距离分类器：将每个模式类的原型定义为该类模式的平均向量，即

$$m_j={1\over N_j}\sum_{x\in w_j}x_j\;\;\ \ j=1,2,...,W$$
其中 $N_j$是来自 $w_j$类模式向量的数量。求未知模式向量 $x$的类成员的一种方法是将它赋给其最接近的原型类。使用欧氏距离求接近程度，即
$$D_j(x)=||x-m_j||\ \ \ \ j=1,2,...,W$$
若 $D_i(x)$是最小距离，则把 $x$赋给类 $w_i$，即最小距离意味着最好的匹配。选择最小距离等同于计算函数
$$d_j(x)=x^Tm_j-{1\over 2}m_j^Tm_j\ \ \ \ j=1,2,...,W$$
并在获得最大值 $d_i(x)$时，将 $x$划归类 $w_i$。
 对于一个最小距离分类器，类 $w_i$和类 $w_j$之间的决策边界为