-4-學(xué)號(hào)：

1049721603719武漢理工大學(xué)模式識(shí)別及其在圖像處理中的應(yīng)用學(xué)院（系）：自動(dòng)化學(xué)院課程名稱：模式識(shí)別原理專業(yè)班級(jí)：控制科學(xué)與工程1603班任課教師：張素文學(xué)生姓名：王紅剛2017年1月3日模式識(shí)別及其在圖像處理中的應(yīng)用摘要:隨著計(jì)算機(jī)和人工智能技術(shù)的發(fā)展,模式識(shí)別在圖像處理中的應(yīng)用日益廣泛。綜述了模式識(shí)別在圖像處理中特征提取、主要的識(shí)別方法(統(tǒng)計(jì)決策法、句法識(shí)別、模糊識(shí)別、神經(jīng)網(wǎng)絡(luò))及其存在的問題,并且對(duì)近年來模式識(shí)別的新進(jìn)展———支持向量機(jī)與仿生模式識(shí)別做了分析和總結(jié),最后討論了模式識(shí)別亟待解決的問題并對(duì)其發(fā)展進(jìn)行了展望。關(guān)鍵詞:模式識(shí)別;圖像處理;特征提取;識(shí)別方法PatternRecognitionandItsApplicationinImageProcessingAbstract:Withthedevelopmentofcomputerandartificialintelli-gence,patternrecognitioniswidelyusedintheimageprocessingin-creasingly.Thefeatureextractionandthemainmethodsofpatternrecognitionintheimageprocessing,whichincludestatisticaldeci-sion,structuralmethod,fuzzymethod,artificialneuralnetworkaresummarized.Thesupportvectorandbionicpatternrecognitionwhicharethenewdevelopmentsofthepatternrecognitionarealsoanalyzed.Atlast,theproblemstobesolvedanddevelopmenttrendsarediscussed.Keywords:patternrecognition;imageprocessing;featureextrac-tion;recognitionmethods模式識(shí)別方法大致可以分為4類:統(tǒng)計(jì)決策法、結(jié)構(gòu)模式識(shí)別方法、模糊模式識(shí)別方法與基于人工智能方法。其中基于人工智能的方法本文主要介紹人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法。前兩種方法發(fā)展得比較早,理論相對(duì)也比較成熟,在早期的模式識(shí)別中應(yīng)用較多。后兩種方法目前的應(yīng)用較多,由于模糊方法更合乎邏輯、神經(jīng)網(wǎng)絡(luò)方法具有較強(qiáng)的解決復(fù)雜模式識(shí)別的能力,因此日益得到人們的重視。3.1 統(tǒng)計(jì)決策法統(tǒng)計(jì)決策法以概率論和數(shù)理統(tǒng)計(jì)為基礎(chǔ),它包括參數(shù)方法和非參數(shù)方法。p(x|ωi)P(ωi)參數(shù)方法主要以Bayes決策準(zhǔn)則為指導(dǎo)。其中最小錯(cuò)誤率和最小風(fēng)險(xiǎn)貝葉斯決策是最常用的兩種決策方法。假定特征對(duì)于給定類的影響?yīng)毩⒂谄渌卣?在決策分類的類別N已知與各類別的先驗(yàn)概率P(ωi)及類條件概率密度p(x|ωi)已知的情況下,對(duì)于一特征矢量x根據(jù)式(1)計(jì)算待檢模式在各類中發(fā)生的后驗(yàn)概率P(ωi|x),p(x|ωi)P(ωi)N∑p(x|ωi)P(ωiN∑p(x|ωi)P(ωi)i=1（（1）在貝葉斯決策的基礎(chǔ)上,根據(jù)各種錯(cuò)誤決策造成損失的不同,人們提出基于貝葉斯風(fēng)險(xiǎn)的決策,即計(jì)算給定特征矢量x在各種決策中的條件風(fēng)險(xiǎn)大小,找出其中風(fēng)險(xiǎn)最小的決策。實(shí)際上對(duì)于具體的模式識(shí)別問題,先驗(yàn)概率和類條件概率密度很難精確知道。先驗(yàn)概率根據(jù)樣本總數(shù)可大致估計(jì),類條件概率密度可采用統(tǒng)計(jì)學(xué)中的最大似然估計(jì)法、Bayes估計(jì)法等進(jìn)行估計(jì)。這類方法應(yīng)用于圖像分割、圖像復(fù)原以及圖像識(shí)別等方面。在圖像分割中,假定圖中的數(shù)據(jù)是服從K個(gè)概率密度混合分布的樣本,然后估計(jì)概率密度函數(shù)的參數(shù),最后計(jì)算后驗(yàn)概率或風(fēng)險(xiǎn),對(duì)像素進(jìn)行歸類,從而達(dá)到分割圖像的目的。一般情況下,往往假定概率密度函數(shù)是高斯型的,這一方面很多情況下樣本的分布接近高斯分布,另一方面是數(shù)學(xué)上處理相對(duì)比較簡(jiǎn)單。和圖像分割的原理類似,圖像識(shí)別也是對(duì)圖像的某些特征采用貝葉斯決策的方法設(shè)計(jì)分類器,根據(jù)分類器對(duì)未知圖像的特征進(jìn)行識(shí)別。參數(shù)估計(jì)方法的理論基礎(chǔ)是樣本數(shù)目趨近于無窮大時(shí)的漸進(jìn)理論。在樣本數(shù)目很大時(shí),參數(shù)估計(jì)的結(jié)果才趨近于真實(shí)的模型。然而實(shí)際樣本數(shù)目總是有限的,很難滿足這一要求。另外參數(shù)估計(jì)的另一個(gè)前提條件是特征獨(dú)立性,這一點(diǎn)有時(shí)和實(shí)際差別較大。實(shí)際上在樣本數(shù)量不是很大的情況下,往往根據(jù)樣本直接設(shè)計(jì)分類器,這就是非參數(shù)方法。這類方法物理意義直觀,但所得的結(jié)果和錯(cuò)誤率往往沒有直接聯(lián)系,所設(shè)計(jì)的分類器不能保證最優(yōu)。比較典型的方法如線性分類器、最近鄰方法、K均值聚類法等。在圖像壓縮領(lǐng)域的矢量量化編碼算法中,碼書的訓(xùn)練就是一個(gè)典型的聚類過程,壓縮的效果和聚類的結(jié)果關(guān)系很大。在圖像分割中,采用對(duì)像素或圖像的其他特征進(jìn)行聚類,達(dá)到圖像分割的目的。然而,統(tǒng)計(jì)決策理論主要集中在數(shù)量的統(tǒng)計(jì)關(guān)系上而忽略了刻畫模式的結(jié)構(gòu)特征。圖像處理往往與圖像的結(jié)構(gòu)信息有關(guān),對(duì)于很復(fù)雜的圖像,要求的特征量非常巨大,要把某一模式準(zhǔn)確分類很困難,這時(shí)采用統(tǒng)計(jì)分類方法很難實(shí)現(xiàn),因此設(shè)法分割出圖像的基元子模式,將基元按照一定句法關(guān)系組合來代替原圖像進(jìn)行分類,這就涉及到結(jié)構(gòu)模式識(shí)別的問題。3.2結(jié)構(gòu)模式識(shí)別結(jié)構(gòu)模式識(shí)別是利用模式的結(jié)構(gòu)描述與句法描述之間的相似性對(duì)模式進(jìn)行分類。每個(gè)模式由它的各個(gè)子部分(稱為子模式或模式基元)的組合來表示。對(duì)模式的識(shí)別常以句法分析的方式進(jìn)行,即依據(jù)給定的一組句法規(guī)則來剖析模式的結(jié)構(gòu)。當(dāng)模式中每一個(gè)基元被辨認(rèn)后,識(shí)別過程就可通過執(zhí)行語法分析來實(shí)現(xiàn)。選擇合適的基元是結(jié)構(gòu)模式識(shí)別的關(guān)鍵。基元應(yīng)具有“結(jié)構(gòu)簡(jiǎn)單、含義明確、能方便地描述數(shù)據(jù)、易于抽取、結(jié)構(gòu)信息少”等特點(diǎn)。由于基元選擇的不確定性以及基元特征的多樣性,實(shí)際應(yīng)用中有時(shí)很難同時(shí)滿足以上特點(diǎn),所以有必要在基元的復(fù)雜性和易識(shí)別性之間取一個(gè)恰當(dāng)?shù)恼壑浴＝Y(jié)構(gòu)模式識(shí)別主要用于文字識(shí)別、遙感圖形的識(shí)別與分析、紋理圖像的分析中。該方法的特點(diǎn)是識(shí)別方便,能夠反映模式的結(jié)構(gòu)特征,能描述模式的性質(zhì),對(duì)圖像畸變的抗干擾能力較強(qiáng)。如何選擇基元是本方法的一個(gè)關(guān)鍵問題,尤其是當(dāng)存在干擾及噪聲時(shí),抽取基元更困難,且易失誤。基于統(tǒng)計(jì)決策和結(jié)構(gòu)模式識(shí)別在早期的模式識(shí)別中應(yīng)用比較多,隨著人們對(duì)模式識(shí)別要求的提高,在解決一些復(fù)雜的模式識(shí)別問題時(shí),上述方法的局限性越來越明顯。模糊邏輯思想和神經(jīng)網(wǎng)絡(luò)的提出,為人們解決模式識(shí)別問題提供了新的思路。3.3模糊模式識(shí)別1965年Zadeh提出了他著名的模糊集理論,使人們認(rèn)識(shí)事物的傳統(tǒng)二值0,1邏輯轉(zhuǎn)化為[0,1]區(qū)間上的邏輯,這種刻畫事物的方法改變了人們以往單純地通過事物內(nèi)涵來描述其特征的片面方式,并提供了能綜合事物內(nèi)涵與外延性態(tài)的合理數(shù)學(xué)模型———隸屬度函數(shù)。對(duì)于A、B兩類問題,傳統(tǒng)二值邏輯認(rèn)為樣本C要么屬于A,要么屬于B,但是模糊邏輯認(rèn)為C既屬于A,又屬于B,二者的區(qū)別在于C在這兩類中的隸屬度不同。所謂模糊模式識(shí)別就是解決模式識(shí)別問題時(shí)引入模糊邏輯的方法或思想。同一般的模式識(shí)別方法相比較,模糊模式識(shí)別具有客體信息表達(dá)更加合理,信息利用充分,各種算法簡(jiǎn)單靈巧,識(shí)別穩(wěn)定性好,推理能力強(qiáng)的特點(diǎn)。模糊模式識(shí)別在圖像處理中也被廣泛應(yīng)用,文獻(xiàn)[15]還將模糊K近鄰(FKNN)方法用于盲圖像的反卷積,實(shí)驗(yàn)結(jié)果證明了這種方法的有效性;文獻(xiàn)[16]將模糊技術(shù)同K均值聚類結(jié)合用于矢量量化編碼中,這種方法消除了聚類初始化對(duì)結(jié)果碼書的依賴性，提高了聚類結(jié)果的魯棒性，文獻(xiàn)[17]將模糊方法同K近鄰(K-NN)結(jié)合,對(duì)圖像進(jìn)行分類,取得比傳統(tǒng)K-NN方法更好的效果。文獻(xiàn)[18]將模糊邏輯同BP神經(jīng)網(wǎng)絡(luò)相結(jié)合對(duì)手寫字符識(shí)別,取得接近100%的效果。文獻(xiàn)以上方法在獲得比較好的效果的同時(shí),往往增加一定的計(jì)算量,但是有些算法本身比較簡(jiǎn)單,在同其他算法的結(jié)合中,模糊思想運(yùn)用引入的計(jì)算開銷有時(shí)同整個(gè)算法的計(jì)算量相比并不大,計(jì)算速度通常是可以接受的。模糊模式識(shí)別的關(guān)鍵在隸屬度函數(shù)的建立,目前主要的方法有模糊統(tǒng)計(jì)法、模糊分布法、二元對(duì)比排序法、相對(duì)比較法和專家評(píng)分法等。雖然這些方法具有一定的客觀規(guī)律性與科學(xué)性,但同時(shí)也包含一定的主觀因素,準(zhǔn)確合理的隸屬度函數(shù)很難得到,如何在模糊模式識(shí)別方法中建立比較合理的隸屬度函數(shù)是需要進(jìn)一步解決的問題。3.4人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別早在20世紀(jì)50年代,研究人員就開始模擬動(dòng)物神經(jīng)系統(tǒng)的某些功能,他們采用軟件或硬件的辦法,建立了許多以大量處理單元為結(jié)點(diǎn),處理單元間實(shí)現(xiàn)(加權(quán)值的)互聯(lián)的拓?fù)渚W(wǎng)絡(luò),進(jìn)行模擬。稱之為人工神經(jīng)網(wǎng)絡(luò)。這種方法可以看作是對(duì)原始特征空間進(jìn)行非線性變換,產(chǎn)生一個(gè)新的樣本空間,使得變換后的特征線性可分。同傳統(tǒng)統(tǒng)計(jì)方法相比,其分類器是與概率分布無關(guān)的。人工神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)在于其具有信息處理的并行性、自組織和自適應(yīng)性、具有很強(qiáng)的學(xué)習(xí)能力和聯(lián)想功能以及容錯(cuò)性能等,在解決一些復(fù)雜的模式識(shí)別問題中顯示出其獨(dú)特的優(yōu)勢(shì)。近年來,在圖像處理中應(yīng)用也很多。有的采用自組織網(wǎng)絡(luò)對(duì)醫(yī)學(xué)圖像進(jìn)行分割,并能夠?qū)T圖像中的病灶分割出來。有的利用各種神經(jīng)網(wǎng)絡(luò)方法識(shí)別圖像的情況,取得一些令人滿意的結(jié)果。人工神經(jīng)網(wǎng)絡(luò)是一種復(fù)雜的非線性映射方法,其物理意義比較難解釋,在理論上還存在一系列亟待解決的問題。例如在設(shè)計(jì)上,網(wǎng)絡(luò)層數(shù)的確定和節(jié)點(diǎn)個(gè)數(shù)的選取帶有很大的經(jīng)驗(yàn)性和盲目性,缺乏理論指導(dǎo),網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)仍是一個(gè)尚未解決的問題。在算法復(fù)雜度方面,神經(jīng)網(wǎng)絡(luò)計(jì)算復(fù)雜度大,在特征維數(shù)比較高時(shí),樣本訓(xùn)練時(shí)間比較長(zhǎng);在算法穩(wěn)定性方面,學(xué)習(xí)過程中容易陷入局部極小,并且存在欠學(xué)習(xí)與過學(xué)習(xí)的現(xiàn)象,范化能力不容易控制。這些也是制約人工神經(jīng)網(wǎng)絡(luò)進(jìn)一步發(fā)展的關(guān)鍵問題。近些年來基于統(tǒng)計(jì)學(xué)習(xí)理論的支撐向量機(jī)在模式識(shí)別方法表現(xiàn)出出色的學(xué)習(xí)性能和范化能力,同神經(jīng)網(wǎng)絡(luò)相比,其可有效地克服局部極小、維數(shù)災(zāi)難等問題,因而成為目前模式識(shí)別領(lǐng)域中又一個(gè)研究熱點(diǎn)。模式識(shí)別的新進(jìn)展及其在圖像處理中的應(yīng)用.1支撐向量機(jī)前面提到,在有限樣本尤其是小樣本的情況下,采用統(tǒng)計(jì)決策法中的很多方法都難以取得理想的效果。Vapnik早在20世紀(jì)60年代開始研究有限樣本情況下的機(jī)器學(xué)習(xí)問題,直至90年代才形成一個(gè)較完善的理論體系——統(tǒng)計(jì)學(xué)習(xí)理論。該理論定義了衡量函數(shù)集性能的指標(biāo)——VC維,VC維越大,函數(shù)的推廣能力越差,VC維越小,函數(shù)的推廣能力越強(qiáng)。在該理論的框架下,經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則下學(xué)習(xí)機(jī)器的實(shí)際風(fēng)險(xiǎn)由兩部分組成nnhR(w)≤Remp(w)+?()式中第一項(xiàng)為訓(xùn)練樣本的經(jīng)驗(yàn)風(fēng)險(xiǎn);第二項(xiàng)為置信范圍,在訓(xùn)練樣本數(shù)目n一定的情況下,函數(shù)集的VC維越大,其置信范圍越大。因此,在設(shè)計(jì)分類器時(shí),不但要使經(jīng)驗(yàn)風(fēng)險(xiǎn)最小,同時(shí)也要使VC維盡量小,縮小置信范圍,從而提高分類器的預(yù)測(cè)能力。統(tǒng)計(jì)學(xué)習(xí)理論提出了結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則:即把函數(shù)集分解為一個(gè)函數(shù)集序列,使各個(gè)子集能夠根據(jù)VC維的大小排列,在每個(gè)子集中尋找最小經(jīng)驗(yàn)風(fēng)險(xiǎn)。選擇最小經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍之和最小的子集,即達(dá)到期望風(fēng)險(xiǎn)最小,這個(gè)子集中使期望風(fēng)險(xiǎn)最小的函數(shù)也即所求的最優(yōu)函數(shù)。這種思想稱為結(jié)構(gòu)風(fēng)險(xiǎn)最小化SRM(structuralriskminimization),如圖2所示。圖2結(jié)構(gòu)風(fēng)險(xiǎn)最小化示意圖實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化有兩種方法:一是在函數(shù)集的每一子集中求最小經(jīng)驗(yàn)風(fēng)險(xiǎn),然后選擇最小經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍最小的子集。這種方法類似窮舉法,計(jì)算量比較大,當(dāng)子集數(shù)目很大時(shí)幾乎無法實(shí)現(xiàn)。另一種方法是設(shè)計(jì)函數(shù)集的某種結(jié)構(gòu),使每個(gè)子集中都能取得最小的經(jīng)驗(yàn)風(fēng)險(xiǎn),然后選擇適當(dāng)?shù)淖蛹怪眯欧秶钚?這個(gè)子集中使經(jīng)驗(yàn)風(fēng)險(xiǎn)最小的函數(shù)就是最優(yōu)函數(shù)。支撐向量機(jī)SVM(supportvectormachine)是結(jié)構(gòu)風(fēng)險(xiǎn)最小化的第二種實(shí)現(xiàn)方法的體現(xiàn)。其基本思想是:首先通過非線性變換將輸入空間變換到一個(gè)高維空間,甚至是一個(gè)無限維空間,然后在這個(gè)高維空間求取最優(yōu)分類面,其中非線性變換是通過核函數(shù)的方法來實(shí)現(xiàn)的。SVM方法通過內(nèi)積計(jì)算比較有效地解決了維數(shù)災(zāi)難問題,通過在高維空間設(shè)計(jì)最優(yōu)分類面,比較好地實(shí)現(xiàn)了VC維最小的問題;在數(shù)學(xué)上支撐向量機(jī)的訓(xùn)練問題可轉(zhuǎn)化為一個(gè)求解受約束的二次型規(guī)劃(QP)問題,這個(gè)問題存在惟一解,避免了神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果不穩(wěn)定、容易陷入局部極小的問題,因而SVM方法是一種比較好的模式識(shí)別方法。SVM最初用來解決兩類問題,表現(xiàn)出優(yōu)越的性能,一個(gè)很自然的想法就是將其推廣到多類識(shí)別問題。多類SVM的分類和識(shí)別主要有兩種方法,一是根據(jù)多類樣本集直接設(shè)計(jì)分類器,此時(shí)分類器的設(shè)計(jì)問題可轉(zhuǎn)化為一個(gè)考慮所有樣本的優(yōu)化問題。在樣本比較多時(shí),這種方法求解比較復(fù)雜;另一種是分解法,將多類樣本分類器的設(shè)計(jì)轉(zhuǎn)化為多個(gè)兩類問題的分類器設(shè)計(jì)問題,由于這類方法比直接法求解簡(jiǎn)單,在實(shí)際中應(yīng)用很廣。比較有代表性的訓(xùn)練和預(yù)測(cè)多類SVM的方法有一對(duì)一OAO(oneagainstone)、一對(duì)多OAA(oneagainstall)和有向無回路圖DAG(directedacyclicgraph)方法和決策樹(decisivetree)方法等。SVM的優(yōu)越性能引起人們極大的研究興趣,它被越來越多的圖像處理研究者和工作者所應(yīng)用。由于SVM的范化能力比較好,因而常常獲得比其他方法更好的識(shí)別效果。4.2 仿生模式識(shí)別前面介紹的各種模式識(shí)別方法都是假定分類信息是完全包含在訓(xùn)練樣本內(nèi),以兩類或多類樣本的最優(yōu)劃分為基礎(chǔ),分類器的訓(xùn)練過程實(shí)際上可以看作對(duì)樣本的劃分過程。文獻(xiàn)[21]提出把模式識(shí)別問題看成是模式的“認(rèn)識(shí)”,而不是分類劃分,不是模式分類;是一類一類樣本的“認(rèn)識(shí)”,而不是多類樣本的劃分。為了強(qiáng)調(diào)與傳統(tǒng)模式識(shí)別在概念上的不同,文獻(xiàn)[20]中采用“仿生模式識(shí)別”這一概念,“仿生”的含義只是在模式識(shí)別的功能和數(shù)學(xué)模型上強(qiáng)調(diào)了“認(rèn)識(shí)”的概念,更接近于人類的認(rèn)識(shí)。傳統(tǒng)模式識(shí)別從特征空間中不同類樣本的劃分出發(fā)設(shè)計(jì)分類器。而仿生模式識(shí)別就在引入特征空間同類樣本的連續(xù)性規(guī)律,對(duì)一類事物的“認(rèn)識(shí)”,實(shí)際上是對(duì)這類事物的全體在特征空間中形成的無窮點(diǎn)集合的“形狀”的分析和認(rèn)識(shí),文中根據(jù)這種規(guī)律性建立起“多維空間中非超球復(fù)雜幾何形體覆蓋”的識(shí)別原理。文獻(xiàn)[21]根據(jù)這一思想,采用神經(jīng)網(wǎng)絡(luò)覆蓋的方法訓(xùn)練樣本,對(duì)8種實(shí)物模型進(jìn)行訓(xùn)練與識(shí)別,取得了比較好的識(shí)別效果,全部識(shí)別樣本沒有一次誤識(shí)。文獻(xiàn)[23]基于仿生模式識(shí)別的多鏡頭人臉身份確認(rèn)系統(tǒng)研究中,采用多權(quán)值神經(jīng)網(wǎng)絡(luò)算法,同樣得到比較好的識(shí)別率。這種高的識(shí)別率顯示了這一思想在模式識(shí)別方面的潛力。仿生模式識(shí)別提出了一種新的模式識(shí)別思想,為模式識(shí)別的研究開辟了一個(gè)嶄新的研究方向。文獻(xiàn)[21～23]采用神經(jīng)網(wǎng)絡(luò)覆蓋來實(shí)現(xiàn)該思想,不可避免地遇到訓(xùn)練速度慢、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、節(jié)點(diǎn)個(gè)數(shù)選擇等選擇問題,因此這種思想的實(shí)現(xiàn)模型有待于進(jìn)一步的研究。以上的各種模式識(shí)別方法都有其特點(diǎn)和適用范圍。研究表明,不同的分類器錯(cuò)誤率所覆蓋的范圍不同,多個(gè)分類器之間既存在一定的冗余性,同時(shí)也存在一定的信息互補(bǔ)性。多個(gè)分類器聯(lián)合應(yīng)用,可以提高正確識(shí)別率。文獻(xiàn)[24]對(duì)多種分類器聯(lián)合的最終決策的多種方法進(jìn)行了分析和比較,并且給出了各種決策方法的適用條件。文獻(xiàn)[25]采用了7個(gè)分類器,用模式識(shí)別中常用的不同數(shù)據(jù)集對(duì)每一個(gè)分類器單獨(dú)做實(shí)驗(yàn),然后根據(jù)各自的結(jié)果對(duì)分類器進(jìn)行組合決策,從中選出效果最優(yōu)的組合作為最終分類器的組合,結(jié)果表明這種識(shí)別效果比較理想。當(dāng)然,這種方法提高識(shí)別率的同時(shí),犧牲了一部分計(jì)算代價(jià)。模式識(shí)別發(fā)展到今天,已經(jīng)提出了200多種分類和識(shí)別方法,如何進(jìn)行已有分類器的組合,解決具體的模式識(shí)別問題也是一個(gè)值得注意的問題。5展望隨著計(jì)算機(jī)和人工智能技術(shù)的發(fā)展,人們對(duì)計(jì)算機(jī)圖像處理中自動(dòng)圖像處理的要求越來越高,因此對(duì)模式識(shí)別技術(shù)提出更高的要求。到目前為止,雖然模式識(shí)別在圖像處理中的應(yīng)用取得了一些可喜的成就,但是它還存在一系列亟待解決問題,例如支撐向量機(jī)中核函數(shù)的選擇問題、VC維的計(jì)算和估計(jì)問題，神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)選擇和結(jié)構(gòu)設(shè)計(jì)問題、仿生模式識(shí)別新思想的建模和實(shí)現(xiàn)問題、多種方法綜合運(yùn)用中的分類器選擇問題等,這些問題的解決將直接推動(dòng)模式識(shí)別領(lǐng)域的發(fā)展,進(jìn)而推動(dòng)其在圖像處理領(lǐng)域的應(yīng)用。同時(shí),模式識(shí)別是一門綜合性學(xué)科,它涉及和利用到數(shù)學(xué)、計(jì)算機(jī)科學(xué)等多學(xué)科的知識(shí),如何將這些學(xué)科的新方法新成就綜合應(yīng)用到模式識(shí)別中,提出更加符合人類認(rèn)識(shí)的識(shí)別方法也是進(jìn)一步值得研究的問題。參考文獻(xiàn)[1]邊肇祺,張學(xué)工,等.模式識(shí)別(第二版)[M].北京:清華大學(xué)出版社,2000-01.[2]JainAK,DuinRobertPW,MaoJianchang.Statisticalpatternrecog-nition:areview[J].IEEETransactionsonpatternanalysisandma-chineintelligence,2000,22(1):4-37.[3]沈清,湯森.模式識(shí)別導(dǎo)論[M].長(zhǎng)沙:國防科技大學(xué)出版社,1991.[4]戚飛虎.模式識(shí)別與圖象處理[M].上海:上海科學(xué)技術(shù)出版社,1989.[5]吳傳孫.汽車牌照自動(dòng)識(shí)別技術(shù)研究[D].江西師范大學(xué),2003.[6]黃寧.遙感圖像中模式分類技術(shù)的研究[D].中國科學(xué)院,2003.[7]YangMH,AhujaN.KriegmanD.Facerecognitionusingkerneleigenfaces[A].IEEEInternationalConferenceonImageProcessing,2000-01:37-40.[8]ZobelM,GebhardA,PaulusD,etal.Robustfacialfeaturelocalization

bycoupledfeatures,Proceedings[A].FourthIEEEInternationalConferenceonAutomaticFaceandGestureRecognition,2000-03:2-7[9]TangYuanY,TaoYu,LamErnestCM.Newmethodforfeatureextractionbasedonfractalbehavior[J].PatternRecognition,2002.[10]范昕煒.支持向量機(jī)算法的研究及其應(yīng)用[D].浙江大學(xué),2003.[11]吳艷冬.復(fù)雜背景的人臉檢測(cè)與定位[D].大連理工大學(xué),2002.[12]Usingneu-ralnetworks[A].ProceedingsofIEEEInternationalConferenceonImageProcessing,1994-03:936-939.[13]GuoGuodong,LiSZ,ChanKapluk.Facerecognitionbysupportvec-tormachines[A].ProceedingsofFourthIEEEInternationalConfer-enceonAutomaticFaceandGestureRecognition,2000,196-201.[14]Machines:anapplicationtofacedetection[A].ProceedingsofIEEEComputerSo-ietyConferenceonComputerVisionandPatternRecognition,1997.[15]ChenLi,YapKim-Hui.AfuzzyK-nearest-neighboralgorithmtoblindimagedeconvolution[A].IEEEInternationalConferenceonSystems,ManandCybernetics,2003-03:2049-2054[16]KarayiannisNB,PaiPI.Fuzzyvectorquantizationalgorithmsandtheirapplicationinimagecompression[J].IEEETransactionsonImageProcessing,1995,4(9):1193-1201[17]HanJH,KimYK.AfuzzyK-NNalgorithmusingweightsfromthevarianceofmembershipvalues[A].I