19、图像模式识别与纹理形状分析

图像模式识别与纹理形状分析

1. 图像模式识别

1.1 最近邻意义下的网络

在最近邻意义下，网络训练完成后可作为一个查找表。当输入测试模式 X 时，网络会找到与 X 最接近的第 i 个向量 W，并输出与该权重向量相关联的 Y。这种网络独立于模型，由数据驱动。此外，通过将 Kohonen 层扩展为模糊自组织特征图，可将清晰的反向传播网络推广为模糊反向传播网络。

1.2 神经网络的全局特征

不同神经网络在功能上存在一些共性：
- 所有神经网络在运行时都具有内在的并行性。
- 在特定类型的网络中，基本功能单元（即神经元）的功能大致相同。
- 神经网络的参数会进行增量式变化，在网络收敛后最终稳定在一个固定值。
- 特定神经元的激活水平完全取决于该神经元及其直接相连的周围神经元的当前状态。

1.3 图像模式分类技术

图像模式的识别和分类在低级计算机视觉和图像处理中是重要任务，因为其应用广泛。常见的图像模式分类技术可分为有监督和无监督两类，这些技术在图像分析的多个领域，如分割、像素分类和图像解释等方面有广泛应用。
- 有监督分类器 ：
- 贝叶斯分类 ：这是一种参数模型。
- K - 最近邻分类器 ：属于非参数模型。
- 神经网络架构 ：
- 带有误差反向传播的多层感知器
- Kohonen 自组织特征图