输入 数据获取
预处理
特征提取
决策分类 输出
数据获取：通过图像输入设备实现。
预处理：提高图像质量，包括滤波、平滑、增强、 复原、提取边缘、图像分割等方法
特征提取和选择：将预处理后的图像转化为若干特 征。常见特征有：幅度特征，统计特征，几何特征， 变换系数特征等
决策分类是模式识别要解决的关键问题
2、集群准则函数：集群准则函数反映了类别间的
相似性或分离性。
C
误差平方和准则： Je X mi 2 i1 Xi
离散度准则：
c
Sw
(ui xk )(ui xk )T （类内散度）
1 n 2 i1
n
i j yi y j xiT x j
j1
n
s.b i 0
i yi 0
i1
将求解后得到的 ai 带回可得决策函数参数的取值
由于处于非边界位置的ai 都为零。处于边界的ai 不为零。 W 只是处于边界处数据的线性组合，可 将处于边界处的原始数据当做支持向量。
检测新数据z时： 如果 W T z b 小于0，则认为是第一类；否则
图像识别的基本概念
统计模式识别
➢ 线性决策函数 ➢ 距离函数模式分类 ➢ 似然函数模式分类
模式是对客观事物的描述，是指建立一个可用于仿 效的完善的标本。
模式识别本质上是经过分析、判断、归类、识别出 事物与哪个供仿效的标本相同或相似。有时可将模 式识别理解为模式分类。
图像识别就是图像分类，属于模式识别的范畴
dij ( X ) 0, j i
3、存在M 个决策函数 dK (X ) WKT X , K 1, 2,..., M
如 X 属于 i 类，则 di ( X ) d j ( X ), j i
对样本抽取N个特征，即 X x1, x2, , xn T，建立
线性决策函数和构造一个线性分类器，利用该分类器 完成对未知类别的模式分类。
对于二维输入特征X=(x1,x2), 线性决策函数为：
d ( X ) W1x1 W2x2 W3 0
分类结果：
x2 d(X) W1x1 W2x2 W3 0
若 d(X ) 0 X 1 若 d(X ) 0 X 2 若 d(X ) 0 ，X处于不确定状态
× ××××××××××××××× 1
2
i yi (W T xi b) 1 =0
i 0 yi (W T xi b) 1 =0 i 0 yi (W T xi b) 1 0
通过求导求解 min (W ,b,) ，可得：
W ,b
n
n
W i yi xi
i yi 0
i 1
i 1
原对偶问题转化为
Max
L()
n
i
i1
通过学习的方法对分类器进行训练，利用已知类别的 训练样本通过分类器训练，如果分类错了就调整权向 量W，直到对训练样本集正确训练为止
许多决策函数可以分割 这些数据点出为两类
如何选取决策函数
第1 类
第2 类
不合理的决策函数：
第2 类
第2 类
第1 类
第1 类
最佳的决策函数应该最大化两类之间的间隔 m
为第二类
距离函数作模式分类，多用集群分析技术，此时已 掌握的先验知识是一批未知类别的样本集。因此， 需要先对样本进行归类操作。此时依赖集群的准则 函数，并要通过最优化技术使集群的准则函数达到 最优。
1、相似性尺度：常用的是欧式距离
其他相似的还有Mahalanobis距离、二次型度 量、相关度量等。
第2 类
m 2 W
第1 类
m
d ( X )=W T X +b=1
d ( X )=W T X b 1 d ( X )=W T X +b=0
对所用的训练样本 xi 有： yi (W T xi b) 1 i
将之前的目标函数进行转化得到新的优化问题
Minimize 1 W 2 2
s.b yi (W T xi b) 1 i
定义Lagrange函数
(W ,b, )
1 2
W
n
2 + i[1
i 1
yi (W T xi
b)]
原问题等价于 min max (W,b,) W ,b 0
可得原式的对偶问题：
min max (W,b,)
W ,b 0
max min(W,b,) 0 W ,b
原问题与对偶问题等价的条件中有：
O
x1
一般形式为：
d ( X ) W1x1 W2x2 W3x3 Wnxn Wn1 W0 X Wn1
对于两类情况，根据决策函数的正负进行分类
d
(
X
)
W
T
X
0 0
X 1 X 2
多类别情况，需要分成三种情况进行讨论
1、每一类模式与其他类模式用单个决策面分割 设M类模式，由M个决策函数，具有以下性质：
句法模式识别：以形式语言理论概念为基础。模式 被分解为模式基元，识别过程为判定输入的模式基 元串能否被文法识别器接受。
模糊模式识别：以模糊集理论为基础，利用模糊信 息进行模式决策ห้องสมุดไป่ตู้类。
神经网络模式识别：神经网络具有信息分布式存储， 大规模自适应并行处理，高度容错性等优点。对于 不确定的模式识别具有优势
di
(
X
)
WiT
X
0 0
X i
其他
其中，i 1, 2, 3, , M 。Wi (Wi1,Wi2, ,Win ,Wi,(n1) )T 表示第i个决策函数的权向量
2、每一类模式与其他类由不同的决策面单个地分 开，即类别间是成对可分的，这样就有M(M-1)/2个 决策面。决策函数形式为： dij ( X ) WijT X X i 若模式X 属于i类，则有：
决策分类可以认为是寻找进行分类的决策函数的过 程。当已知待识别模式的完整的先验知识时，则可 以据此确定决策函数的数学表达式。如果仅已知待 识别模式的定性知识，则在确定决策函数的过程中， 通过反复学习、调整，以取得满意的决策函数表达 式
数据获取：将细胞涂片上显微细胞图像转换为细 胞数字图像，该细胞数字灰度图像反映了原细胞 图像中相应位置的光密度大小。
预处理：采用图像平滑法去除噪声，用图像阈值 分割在差分直方图上求出划分细胞与背景、细胞 核与细胞浆的两个灰度阈值
特征的选择和提取：根据医生的建议和细胞所处 部位及病变阶段，建立细胞的特征模型。一般可 取33个特征。
统计模式识别：以概率统计为基础，模式用特征向 量描述，找出决策函数进行模式决策分类