电子通信工程学院
电子信息专业讲座报告
题目： 模式识别在信号处理中的应用
专 业 电子信息工程 班级学号 1313084 姓 名 日 期 2016.06.05
1、 模式识别技术的基本理论 1.1 模式识别的基本框架
模式识别是人工智能领域的基础,随着计算机和人工智能技术的发展，模式识别在图像处理中的应用日益广泛。近年来,模式识别也去的了很多让人瞩目的成就，有很多不可忽视的进展.数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像是人类获取和交换信息的主要来源,图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大,图像处理的应用领域也将随之不断扩大。基于模式识别的图像处理随着当今计算机和人工智能技术的发展，已经成为了图像识别领域的踪影研究方向。本文首先介绍了图像模式识别的基本理论和基本方法，然后阐述了模式识别在图像处理中应用理论,最后举例说明了模式识别在图像处理中的具体应用。
模式识别是通过计算机对信息进行处理、判别的一种分类过程，是信号处理与人工智能的一个重要分支。人工智能是专门研究用机器人模仿人的动作、感觉和思维过程与规律的一门学科，而模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读.我们把环境与客体统称为“模式”。随着计算机技术和人工智能的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息(通过视觉器官来获得）和声学信息(通过听觉器官来获得）的识别。这是模式识别的两个重要方面. 在图像处理中，识别场景中的对象或区域是一个重要课题。图像模式识别的任务是从策略对象集的场景中识别对象.每个对象都是一种模式,并且策略值是模式的特征，同特征的相似对象集属于具体的模式类，测量特征的技术称为特征提取。 模式识别是通过计算机对信息进行处理、判别的一种分类过程,是信号处理与人工智能的一个重要分支。人工智能是专门研究用机器人模仿人的动作、感觉和思维过程与规律的一门学科，而模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”.随着计算机技术和人工智能的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说,特别重要的是对光学信息（通过视觉器官来获得）和声学信息（通过听觉器官来获得)的识别。这是模式识别的两个重要方面.
2 、基于模式识别技术的图像处理 2.1 基于模式识别技术的图像分割
把图像按相关度划分成各具特色的区域并提取出所需目标的技术和过程称为图像分割.分割的关键在于分割依据的确定.从模式识别技术理论上考虑图像分割问题,分割是针对图像所需分割的对象，根据图像的结构特性将图像的所有组成部分分成“分割”类和“非分割类”两类。对于任何一个事物都有与其他事物相互区别的一些本质特征,必然可以提取出本质特征能够与分割背景图像相区别并作为识别事物的依据,即为分割依据.在分割图像定位对象时,可以选择由特征组成的特征空间进行定位识别。因此，将分割对象视为模式识别的对象，图像分割的过程是为在模式识别中寻找特定模式类,并按照该模式类的特征，结合与其对应的分割技术进行分割。
图像识别是图像处理的高级阶段,其研究的是通过仪器对周围物体的视觉图像进行分析和识别,从而可得到有效的结论性判断。但是，为了使计算机系统也能认
识人类视觉系统认识的图像,人们必须研究出计算方法，分析图像特征，因而将模式识别技术应用到图像识别中,进而将图像特征能用数学方法表示出来并教会计算机也能认识、识别这些特征。
在模式识别中，已经使用了一些模式分类技术.这些技术中的一些技术被称为决策理论技术，在这种技术中，未知的模式分类是由一些确定的、统计的或者模糊理论的基本原理进行决策。
决策理论模式识别技术主要分为基于有监督学习的分类方法和使用无监督技术的分类方法.
有监督的分类方法又可分为有参数分类器和非参数分类器。在有参数监督的分类中,用大量标注训练样本模式集训练分类器，并估计每类模式的统计参数。其中，最小距离分类器和最大似然分类器是频繁使用的有监督算法。 无监督分类技术不考虑参数，常使用一些非参数的技术,例如K近邻技术、Parzen窗技术等。在无监督的情况下，根据一些相似标准机器分割整个数据集,结构产生了聚类集，模式中的每个聚类集都属于具体类. 2.2 基于模式识别技术的图像特征提取
由于图像的随机性和数据量大,增加了在图像中选取有效的图像特征的难度,并直接影响到图像识别系统的性能。所以完成图像识别的首要任务为提取有效的图像特征。然而在很多实际问题中不易找到所需的特征,或由于条件限制不能对它们进行测试，于是把特征选择和提取任务复杂化，成为构建模式识别系统困难的任务之一.图像的原始特性或属性被称为图像特征。其中有些是自然特征,有些是人为特征。特征提取是提取特征,经筛选或变换直到得出有效特征的全过程.其根本任务是选择有效的特征，并运用相应的技术进行特征提取。基于模式识别技术的图像特征提取工作的结果是给出了某一具体图像与其它图像相区别的特征。 在句法模式识别中，关键问题是使用属于不同模式类的样本集推断适当的文法。文法推断问题是一个首要问题。这种方法是基于基本假设，每个模式至少存在一个文法描述。每个模式类文法描述的识别和提取形成了设计综合模式分类器的核心问题.文法推断问题包括使用在研究中的样本模式集获得文法的算法开发。因此这可以视为使用有限的并且增长的训练模式集进行学习的方法.在文法模式分类中，属于特殊模式类的字符串可以作为形成属于语言的句子,这些句子对应于模式类。如果每个字符串都属于该模式类,机器就可以识别这个模式类，对于不在该模式类中的任何字符串，机器决策它是否是语言的成员，要么拒绝，要么永久接受.对于自动机的自动化造句而言,接受字符串属于特殊模式类，已经有了一些成熟的技术。
2。3 基于模式识别技术的图像识别 图像识别是图像处理的高级阶段，其研究的是通过仪器对周围物体的视觉图像进行分析和识别,从而可得到有效的结论性判断。但是,为了使计算机系统也能认识人类视觉系统认识的图像,人们必须研究出计算方法，分析图像特征，因而将模式识别技术应用到图像识别中，进而将图像特征能用数学方法表示出来并教会计算机也能认识、识别这些特征。
人工神经网络已经广泛使用于图像分割和对象分类问题。这些网络本质上是学习网络，用于场景中像素或对象的分类。它们是大量互联的神经元集，并行地执行学习任务。神经元由生物神经元建模,因此它们被命名为神经网络。根据学习过程的类型，这些网络可以分为有监督或无监督网络。 3 、基于模式识别技术的生物医学图像处理
3.1 概述
生物统计的识别系统在一些应用中非常有用，例如商务和执法应用，特别是在犯罪识别、安全系统、可视电话、信用卡验证以及用于识别个人身份的证件照片验证等方面。人脸的识别、指纹、签名和许多其他生物统计图像在计算机视觉领域中构成了重要的研究领域。
基于模式识别的自动人脸识别已经有了很多实现方案。人脸识别中主要的策略要么是基于特征的,要么是基于人脸空间的，例如特征脸或Fisher脸.大多数特征提取的方法都是从人脸的正视图中提取特征，有时也从侧面人脸轮廓中提取特征。自动人脸识别系统既使用正面也使用侧面，所有更加准确，因为它利用了子人脸的两个视图中固有可利用的明确信息。下面介绍用于人脸识别的特征提取和匹配技术。
3。2 特征选择
首先从人脸的正视图和侧视图中辨识标志点集合，然后使用它们之间的基于区域、角度和距离的特征向量。侧面轮廓特征提供了人脸额外的结构轮廓信息,这些信息从正视图中是看不到的，所以从两个视图中提取特征集通常能够有效地应用于人脸识别，并且与只使用一个视图的特征的系统相比，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，开始时选择眼睛模板集，面部图像以适当选择的模板集进行卷积运算，由以下滤波器操作表示： 这个卷积过程在滤波器的输出产生了能力测试集。从卷积滤波器的输出确定眼睛的位置，使用平移、尺度和选择不变仿射变换，我们可以从卷积滤波器检测出眼睛。一旦检测出两只眼睛，眼眉位置可能位于眼睛中心的小搜索区域之内。随后，沿虹膜列可以用一半的眼眉模板窗口与眼眉模板集合匹配来检测上述左右眼睛之上的眉眼。一些正面面部特征具有不变特征，它不随面部表示而改变，而其他的是变化的特征。在正面面部特征提取中，眼睛是重要的角色。 3.4 侧面面部特征提取 3.4.1 基准标记的选择
人脸的侧视图选择的标志点是：鼻子点、颌下点、前额点、鼻梁点、眉间点和嘴角点.将侧面脸的数字图像变化为侧面外形轮廓,然后提取标志点.侧面面孔图像是一幅二进制图像，从每个侧面轮廓获得的标志点提取7个距离测量和一个区域测量。
3。4.2 距离和区域测量
计算距离测量的提取标志点，正视图和侧视图的特征集合形成组合特征向量，这些特征向量阵列表示面部图片,所以我们希望对于不同的脸部，这些向量阵列是不同的。我们将这些特征阵列存储在文件中,并且具有主索引号。为了消除尺度作用，将鼻子点和鼻梁点间的距离，侧视图的距离测量和面积测量值,两眼间的距离和正面脸的测量值进行归一化处理。 3。5 人脸识别
从人脸的正视图和侧视图提取最佳特征集,并且将这些特征值存储在独立的文件中，主要脸数据文件中的向量称为M向量，对于未知的样本，测试数据文件包含15维特征向量。为了减少匹配特征向量值计算的复杂性,将这些特征向量与它们的主索引一起升序存储。将测试特征值插到每个特征向量（列)的排序特征列表的适当位置。测试样本模式的两个最近邻居在每列中进行识别,并且评估它们的相似性.
下面就K—近邻算法给出人脸识别的步骤:
步骤1 在每一列，将特征值与它们的主索引一起升序排列。 步骤2 在每列的适当位置插入测试样本的每个特征向量。
步骤3 在每列中去掉两个最近邻居,并对两个最近的邻居计算测试模式的相似性，每个都有主索引.
步骤4 对所有主索引计算测试模式的所有相似性。 步骤5 给测试人脸分配具有最大相似性值的主索引。
如果在测试文件中的人脸不属于任何存储在主要数据文件的人脸,对于这个测试脸,将给出与其最相似的分类索引。 4 、结语
随着计算机和人工智能技术的发展，人们对模式识别技术在图像处理中的应用越来越重视。同时，模式识别涉及并利用到数学、计算机科学等多学科的理论知识,而将这些学科的新技术和成就综合运用到模式识别中，提出更符合需求的模式识别技术是今后值得研究的重要课题。
因篇幅问题不能全部显示，请点此查看更多更全内容