模式識別及其在圖像處理中的應用分析

劉恒超

中鐵高新工業(yè)股份有限公司 北京 100070

模式識別主要是指某些現(xiàn)象或用于表征事物的圖像、數(shù)字等不同形式處理分析，進而進行辨認描述的活動過程，當前基于計算機識別模式主要是指利用計算機進行識別，機器識別可通過智能技術使計算機可主動識別一些事物。

1 模式識別

從模式以及模式識別的概念上來看，廣義角度上模式是指存在于時間、空間可用觀察的事物，區(qū)別其是否相同或相似可將其稱為模式；狹義角度上來看，模式是通過對具體事物進行觀察以獲的時間、空間分布信息，將模式所屬類別或者在同一類別中的模式概括為模式類。模式識別適用于研究某些自動化技術，使計算機能夠自動從一種識別模式到各自的模式內(nèi)中。而計算機模式識別是指利用計算機等硬件設備對物體圖形、語音等信息進行主動識別，當前模式識別研究內(nèi)容涉及以下兩點：第一，研究生物體包括人類如何進行事物感知；第二在基于給定任務下如何利用計算機等設備進行模式識別的方法。前者主要是生理學家的相關內(nèi)容，屬于認知科學領域的范疇，而后者是信息學、數(shù)學、計算機學領域的研究[1]。

2 模式識別的主要方法

當前模式識別法包括4種類型分別為統(tǒng)計模式，結(jié)構模式，模糊模式及人工智能模式識別法，本研究針對人工智能識別法主要闡述人工神經(jīng)網(wǎng)絡模式識別。相對來說，統(tǒng)計模式和結(jié)構模式研究較早且其應用較多，而對于模糊模式識別與人工智能模式識別的方法應用較多，由于模糊方法更合乎邏輯性，而神經(jīng)網(wǎng)絡法能夠用于解決復雜模式識別因此受到了高度重視。

第一，針對統(tǒng)計模式識別法其是以數(shù)理統(tǒng)計學和概率論作為理論基礎的，包含參數(shù)及非參數(shù)方法。參數(shù)法是基于bayes決策論作為依據(jù)，其中常使用的決策方法是最小風險貝葉斯決策、最小錯誤率等。假設特征對給定類產(chǎn)生的影響是與其他特征相互獨立的，在決策分類類別M已知，其余類先驗概率和類條件概率密度一致的基礎上，對于某一類特征矢量可以根據(jù)公式進一步計算，該待解模式在不同類中發(fā)生后驗概率，后驗概率最大類別也是該模式所屬類別機制的條件下，可將模式識別問題轉(zhuǎn)為后驗概率計算。

結(jié)構模式識別法，該方法是利用模式結(jié)構描述以及句法描述并對模式進行分類的，各個模式是由各子部分組合形成，通常以句法分析進行模式識別，也就是給定一組句法規(guī)則，進一步剖析該模式結(jié)構當模式中基元被辨別之后，即可通過執(zhí)行語句方法來實現(xiàn)識別過程，選擇合適基元是開展結(jié)構模式識別的重要環(huán)節(jié)，基元具有含義明確，結(jié)構簡單等特點，由于在選擇基元過程中存在不確定性，在實際使用時很難同時滿足其特點，因此需要介于基元易識別性和復雜性之間，選擇當前結(jié)構模式識別可用于遙感圖形、文字識別、紋理圖像分析，該方法操作簡單，能夠反映模式的特征可用于模式識別的描述，對圖像級別具有較強的抗干擾能力，但在該方法中合理選擇基元是關鍵問題，尤其是當存在較強調(diào)外界干擾和噪聲時基元的提取難度較高。

第二，二十世紀五十年代研究學者致力于動物神經(jīng)系統(tǒng)的功能模擬，利用計算機軟硬件構建大量語言處理單元作為節(jié)點，以實現(xiàn)各個處理單元的拓撲結(jié)構即人工神經(jīng)網(wǎng)絡。人工神經(jīng)網(wǎng)絡主要特點在于具備信息處理并行性，自適應性，具有較強學習能力，容錯能力等，尤其在解決復雜模式識別中具有顯著優(yōu)勢。從一定程度上來看，人工神經(jīng)網(wǎng)絡是復雜非線性運算法，其物理意義比較模糊，在理論上還有很多問題需要解決，比如在設計方面，網(wǎng)絡層數(shù)的選擇以及節(jié)點個數(shù)選擇存在一定的盲目性，缺乏有效理論作為指導，在算法復雜度方面利用神經(jīng)網(wǎng)絡進行計算時復雜度較高，需要耗費較長的訓練時間，在算法穩(wěn)定性方面，很容易陷入局部極小問題，未來針對人工神經(jīng)網(wǎng)絡方面還需要進一步深入探究[2]。

3 結(jié)束語

總而言之，近年來隨著人工智能技術的發(fā)展，人們在利用計算機進行圖像自動化處理時，要求逐漸提高，因此對模式識別法需求更加強烈。