模式识别--句法模式识别(1)

2024-02-17 10:38
文章标签 模式识别 句法

本文主要是介绍模式识别--句法模式识别(1),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

句法模式识别简介

1.结构模式识别

图形或图像目标的形状或结构千变万化,目标(模式)的差异也在于其形状或结构的不同,这种模式称为结构模式,基于形状或结构的模式识别称为结构模式识别。

2.结构模式描述

  • 图像链码

数字图像处理学中,链码是描述目标边缘和轮廓的常用的编码方法。用字符或符号的来表示图像目标的局部边缘的走向。

Freeman链码(图像像元之间边缘的走向用方向代码(即字符)来表示)


例:


  • 结构模式编码

结构模式通常是指图形或图像目标的外形轮廓(也可以是目标的中心线或骨架),适合采用表示基本结构的字符的编码来进行描述。

用表示特定的基本结构的字符,对图形或图像的结构模式进行描述,得到结构模式编码,简称编码。

3.句法模式识别基本概念

基元

图像目标从结构上可以分解为不再需要进一步分解的一些基本组成部分,这些基本组成部分就是结构模式的基元。

字符

每一种形状的基元可以用一个字符来表示,换句话说,字符是指结构模式编码所用的字符,也就是结构模式的基元。

字符串

基元用字符表示,因此,结构模式是由基元或字符组成的结构模式编码,称为字符串(或编码串),简称串。

句子

结构模式被表示成字符串。按照语言的观点来理解,一种结构模式就是一种语言,而该结构模式的一个字符串就是对应的语言的一个句子,所以字符串又称为句子。

句法模式识别

按照语言的观点来理解,结构模式字符串是一个句子,该句子属于某种语言。判断一个句子是否符合一个语言的语法,称为句法模式识别。


句法模式识别是结构模式识别的最主要方法之一。


4.句法模式识别

  • 统计模式识别流程


  • 句法模式识别流程


  • 句法模式识别的学习过程(输入一批训练样本)

1. 基元选择及关系选择;
2. 文法推断;

基元选择及关系选择之后,利用训练样本(的句子)进行推断,得到结构模式的文法。

  • 句法模式识别的分类过程(输入待分类的样本)

1. 基元提取及关系表述;
2. 句法分析;

基于已有结构模式文法和句法分析算法,对未知样本(的句子)进行分析,判断其是否符合特定模式的文法,从而实现分类决策。

5.句法模式识别的基元选择

基元是构成句子的基本单位,基元的选择对句法模式识别是至关重要的。但是基元的选择却没有通用的方法,更多是依赖经验。

基元选择要点:

1. 基元是结构模式的不需要进一步分解的、最基本的组成部分,其本身不应再包含分类所需的结构信息。

2. 基元及其相互关系应该便于描述结构模式。

3. 基元及其相互关系应该便于提取(图像处理算法)。

图形边缘基元

图形边缘的Freeman链码:

Freeman链码是像元级的方向代码,因此是很“低级”的结构描述。

特点:

1. 提取相对容易
2. 编码相对复杂

3. 容易受噪声干扰

尽量选择比Freeman链码更“高级”的描述图形边缘的基元

图形区域基元

图形的两种描述方法
1. 图像轮廓
2. 图形区域

图形区域基元就是描述图形区域的基本结构元素。






这篇关于模式识别--句法模式识别(1)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/717520

相关文章

H264的句法和语义(二)

1.2 句法元素的分层结构 1.2.1 句法元素与变量 编码器将数据编码为句法元素然后依次发送。在解码器端,通常要将句法元素作求值计算,得出一些中间数据,这些中间数据就是H.264定义的变量。 图1 从句法元素解出变量 pic_width_in_mbs_minus1 是解码器直接从码流中提取的句法元素,这个句法元素表征图像的宽度以宏块为单位。我们看到,为了

模式识别(目标检测)

目标检测方法最初由Paul Viola [Viola01]提出,并由Rainer Lienhart[Lienhart02]对这一方法进行了改善. 首先,利用样本(大约几百幅样本图片)的 harr特征进行分类器训练,得到一个级联的boosted分类器。训练样本分为正例样本和反例样本,其中正例样本是指待检目标样本(例如人脸或汽车等),反例样本指其它任意图片,所有的样本图片都被归一化为同样的尺寸大小(

模式识别、计算机视觉、机器学习领域的顶级期刊和会议

模式识别、计算机视觉、机器学习领域的顶级期刊和会议 部分AI刊物影响因子05 SCIIF 2005    2004 JMLR    4.027     5.952(机器学习) PAMI    3.810     4.352(模式识别) IJCV    3.657    2.914(计算机视觉) TOIS    4.529    4.097 AIJ     2.638    3.

模式识别PR和模式的概念

引言 模式识别所研究的理论和方法在很多科学和技术领域中得到了广泛的重视。了解与熟悉模式识别的一些基本概念与基本处理方法对研究与从事人工智能、图像处理、信息处理、计算机视觉、多媒体技术等方面工作的人们乃至计算机科学其它领域的人们都是很有益处的。 模式识别(Pattern Recognition) Pattern Recognition (PR), 这个词对许多人来说很陌生

模式识别技术漫谈(1)

------引言     在人工智能技术(Artificial Intelligence)领域中,模式识别(Pattern Recognition)技术也许是最具有挑战性的一门技术了,模式识别有时又被称为分类技术,因为模式识别说到底就是对数据进行分类。说到识别,最为常

机器学习,模式识别,数据挖掘常用链接

国际顶级会议 AAAICIKM 2010CIKM 2011COLT 2010COLT 2011Computer Vision ResourceICJIAICMLNIPSSIGIR 2010SIGIR 2011SIGKDDSIGKDD2010 论文搜索 CV顶级会议论文下载google 学术搜索超全计算机视觉资源汇总联合参考文献 学术牛人主页 feifei li -computer v

常用主页链接(计算机视觉、模式识别、机器学习相关方向,陆续更新。。。。)

常用牛人主页链接(计算机视觉、模式识别、机器学习相关方向,陆续更新。。。。) 牛人主页(主页有很多论文代码) Serge Belongie at UC San Diego Antonio Torralba at MIT Alexei Ffros at CMU Ce Liu at Microsoft Research New England Vittorio F

模式识别十一--分类回归决策树CART的研究与实现

文章转自:http://www.kancloud.cn/digest/prandmethod/102853 摘 要:本实验的目的是学习和掌握分类回归树算法。CART提供一种通用的树生长框架,它可以实例化为各种各样不同的判定树。CART算法采用一种二分递归分割的技术,将当前的样本集分为两个子样本集,使得生成的决策树的每个非叶子节点都有两个分支。因此,CART算法生成的决策树是结构简洁的二叉树。在

模式识别十--k-均值聚类算法的研究与实现

文章转自:http://www.kancloud.cn/digest/prandmethod/102852 本实验的目的是学习和掌握k-均值聚类算法。k-均值算法是一种经典的无监督聚类和学习算法,它属于迭代优化算法的范畴。本实验在MATLAB平台上,编程实现了k-均值聚类算法,并使用20组三维数据进行测试,比较分类结果。实验中初始聚类中心由人为设定,以便于实验结果的比较与分析。 一、技术论述

模式识别九--模拟退火算法的设计与实现

本文转自:http://www.kancloud.cn/digest/prandmethod/102851         本节的目的是记录以下学习和掌握模拟退火(Simulated Annealing,简称SA算法)过程。模拟退火算法是一种通用概率算法,用来在一个大的搜寻空间内寻找命题的最优解。这里分别使用随机模拟退火算法和确定性模拟退火算法,在MATLAB平台上进行编程,以寻找一个6-单元