12.3  主要图像识别方法

基于图像识别的基本原理，不同领域的学者针对自己领域的图像识别问题进行了大量研究工作，涉及计算机科学、信息科学、生物科学、神经科学、心理学等学科，并衍生了多种图像识别的理论和方法。这些方法也为图像识别技术的成功应用打下了基础。本节将简要介绍常用的图像识别方法。

12.3.1  统计模式的识别方法

统计模式的识别方法又叫决策理论方法，其基本原理是将图像转换成计算机能够识别并处理的二进制数字信息，其处理过程如下。

（1）对图像进行数字化。

（2）对数字信息进行预处理，除去混入的干扰信息并减少失真和变形。

（3）对数字信息进行特征提取，将图像的数字信息从对象空间转换到特征空间。在特征空间中，图像信息被表示为一个点或特征矢量，这样不仅压缩了图像信息，并且易于分类。

在统计模式的识别方法中，特征提取占有重要的地位，但尚无通用的理论基础，只能通过分析具体识别对象决定选取何种特征。特征抽取后再从特征空间映射到统计空间。

从广义的角度看，统计模式识别是一种机器学习的过程。按照机器学习过程的性质，模式识别方法可以被划分成有监督的模式识别方法和非监督的模式识别方法（聚类分析方法）。这两种方法在图像识别领域中应用广泛。

1．有监督的模式识别方法

有监督的模式识别可以分为基于模型的方法和直接分类的方法两种。基于模型的方法的理论基础是贝叶斯（Bayes）决策理论方法，它对模式分析和分类器的设计有着实际的指导意义，是统计模式识别中的一个基本方法，用该方法进行分类时要求：

已知各类别总体的概率分布（即所谓的先验概率和类条件概率）；

要决策分类的类别数是一定的。

2．非监督的模式识别方法

在实际工程应用中，由于缺少形成模式类过程的知识，或者由于实际工作中的困难，往往只能采用没有类别的样本集进行识别。这就是非监督的模式识别方法。非监督学习方法通常可以分成两类，基于概率密度函数估计的直接方法和基于样本间相似性度量的间接聚类方法。不论是哪一种方法，处理过程类似，需要将样本集划分为若干个子集后，或者直接用它解决分类问题，或者把它作为训练样本集进行分类器设计。