机器视觉思考1

     

            1.对图像做Canny.

            2.对彩色图像以Canny终点和起点做扫描线区域增长，以4联通连通域增长

            3.物体.边缘轮廓分析，边缘连接

            4.物体层次分析，如包含，内切，外切

            5.规则图像分析，Hough变换，圆分析,物体切割

            6.非规则图像Blob标记

            7.深度图分析，物体切割

            

            ................金字塔分析,

            8.数据入库，包括关系，形状

            9.特定数据库，图像识别

            10.识别结果，再分割，如轮廓分析，层次分析

            ，直线和圆标示，物体切割，融合，关系分析

            11.迭代，直到当前图像分析完毕

            

 

 

            决定不用数据库技术，因为又要学新的东西，而且人工智能技术的衔接不好。

            识别数据库，现阶段用的多的是SIFT物体数据库，以及其他特定数据库，规则形状的用Adaboot,SVM,神经网络。

            自学习的方法主要是神经网络。如果用一个系统中如机器人中，存在冲突，主要是对自学习的衔接上。

 

            自然语言分析理解现在的主要成果是机器翻译，软件只找到Alias-i公司的LingPipe--自然语言分析软件包（支持中文），    等一下分析一下他的结构。

            根据现在的资料收集结果，基本上可以肯定，知识库，规则库以及自学习功能，需要自己写了，可以参考模型是语言分析，可以使用工具为Prolog ,CLISPS.自学习功能和交互功能的工具和参考模型没有找到，可能要找神经网络了，但是神经网络的内部过于抽象，也可以说无法根据特定例子专门调整，估计要采用搜索技术（穷举）+ 模糊集了。分割和知识库的交互完全没有找到，难啊。

             学习和识别的重要点在知识的积累（也就是例子要多，最好多到任何事物都能找到对应的例子）和规则要好（能够反应对事物的本质理解，也就是说用简单明了的组合向人说明一个事情，其组合要明确，不能含糊）