问题简单,我们假设物体都是处于标准的直立位置。 我们要想完全描述一个苹果或橙子的形状是非常困难的,因为一个实际的苹果或橙子的 形状不可能是一个规则图形,这里我们的主要任务是要对苹果和橙子进行分类,因此可以采 用一种简单的办法来对形状进行一个粗略的描述 首先我们可以寻找到图像边缘的顶部,底部和最宽处,从而可以测量出顶部到最宽处的 垂直距离x,和顶部到底部距离h。这两个数值我们不应该直接作为特征使用,因为每个苹 果和橙子的大小是不同,因此高度h的变化范围会比较大,而且不能直接反映两类之间的差 别。我们可以想象对于苹果或橙子来说,这两个值之比应该能够反映出两类之间的差异,对 同一类来说相差不大,对不同类来说相差比较大。因此可以取s h 综合两种特征,颜色我们也选择比值c作为特征,就可以构成一个二维的特征矢量: 颜色 形状 「1.241 例如某个红苹果图像的特征矢量经过计算之后为:x1=037° 4)模式的特征空间表示 特征是以矢量的形式表示的,矢量可以看作欧式空间中的一个点,这个空间称为是特征 空间。从广义上来看,欧式空间只是空间的一种形式,所谓空间,从数学意义上讲就是一个 集合,整个模式识别问题可以看作是多个空间之间的转换问题。 实物空间 模式空间 特征空间 类别空间 首先,待识别的对象存在于一个实物空间中,这个空间由世界上所有可能出现的物体组 成:然后,真实的物体通过摄像机等传感器变成数字量传入到计算机中,称为一个模式,所 有可能的模式构成了一个模式空间,由实物空间到模式空间的转换(映射)是由数据采集环 节来完成的;我们从输入的模式或样本中提取出识别特征,构成一个特征矢量,这样就完成 了一个由模式空间到特征空间的映射,为了处理方便,在统计模式识别中一般将特征空间视 为欧式空间;最后,由分类环节完成从特征空间到类别空间的映射,类别空间中包含我们所 有解决的问题中的所有类别。 所有的空间映射过程都是一对多的映射。而且这种映射往往是非线性的复杂映射 )特征选择的作用 特征选择的过程并不是每一个识别系统都必须的环节,如果我们从模式中抽取出的特征 合适的话,直接可以用这个特征矢量来进行识别。然而在大多数情况下,我们无法直观的找5 问题简单，我们假设物体都是处于标准的直立位置。 我们要想完全描述一个苹果或橙子的形状是非常困难的，因为一个实际的苹果或橙子的 形状不可能是一个规则图形，这里我们的主要任务是要对苹果和橙子进行分类，因此可以采 用一种简单的办法来对形状进行一个粗略的描述。 首先我们可以寻找到图像边缘的顶部，底部和最宽处，从而可以测量出顶部到最宽处的 垂直距离 x ，和顶部到底部距离 h 。这两个数值我们不应该直接作为特征使用，因为每个苹 果和橙子的大小是不同，因此高度 h 的变化范围会比较大，而且不能直接反映两类之间的差 别。我们可以想象对于苹果或橙子来说，这两个值之比应该能够反映出两类之间的差异，对 同一类来说相差不大，对不同类来说相差比较大。因此可以取 x s h = 。 综合两种特征，颜色我们也选择比值 c 作为特征，就可以构成一个二维的特征矢量： c s     = =         x 颜色 形状 。 例如某个红苹果图像的特征矢量经过计算之后为： 1.24 0.37   =     1 x 。 4) 模式的特征空间表示 特征是以矢量的形式表示的，矢量可以看作欧式空间中的一个点，这个空间称为是特征 空间。从广义上来看，欧式空间只是空间的一种形式，所谓空间，从数学意义上讲就是一个 集合，整个模式识别问题可以看作是多个空间之间的转换问题。 物体1 物体2 物体3 物体4 物体5 物体6 实物空间 模式1 模式2 模式3 模式4 模式5 模式6 模式空间 特征1 特征2 特征3 特征4 特征5 特征6 类别1 类别2 特征空间 类别空间 首先，待识别的对象存在于一个实物空间中，这个空间由世界上所有可能出现的物体组 成；然后，真实的物体通过摄像机等传感器变成数字量传入到计算机中，称为一个模式，所 有可能的模式构成了一个模式空间，由实物空间到模式空间的转换（映射）是由数据采集环 节来完成的；我们从输入的模式或样本中提取出识别特征，构成一个特征矢量，这样就完成 了一个由模式空间到特征空间的映射，为了处理方便，在统计模式识别中一般将特征空间视 为欧式空间；最后，由分类环节完成从特征空间到类别空间的映射，类别空间中包含我们所 有解决的问题中的所有类别。 所有的空间映射过程都是一对多的映射。而且这种映射往往是非线性的复杂映射。 5) 特征选择的作用 特征选择的过程并不是每一个识别系统都必须的环节，如果我们从模式中抽取出的特征 合适的话，直接可以用这个特征矢量来进行识别。然而在大多数情况下，我们无法直观的找