（ａ）原始Ｌｅｎａ图像（ｂ）由赋时矩阵ｒ形成的图像焉广丁————］
６０００｝『１Ｉ利陆ｈ～一。Ｉ
在礼表２性－｜等协删图
像的ｒ直方图矢量重心特征相对于ｋｎａ图
像特征值的相对误差，其中ｉ为Ｌｅｎａ图像Ｔ
表１对Ｌｅｎａ图像进行缩放、
旋转及平移提取扎值及与原图的误差
缩放
比例８ｉ（％）
旋转一
８ｉ（％）
平移
占ｉ（％）（％）
角度ｎ位置
原图１２．９１２０Ｏ．Ｏｏｏ原图１２．９１２０Ｏ．Ｏｏｏ原图１２．９１２００．０００２０１２．８３０８Ｏ．６２９４５。１２．９２１５Ｏ．０７３６左上角１２．９１２００．Ｏｏｏ４０１２．９１８７Ｏ．０５１９９００１２．９１２００．０００右上角１２．９１２００．０００８０１２．９１９８０．０６０４１３５。１２．９２１５０．０７３６左下角１２．９１２０Ｏ．ｏｏＯ１２０１２．９２０５Ｏ．０６５８１８０。１２．９１２０Ｏ．０００右下角１２．９１２０Ｏ．Ｏｏｏ１５０１２．９２４６０．０９７６２２５０１２．９２１５Ｏ．０７３６中上部１２．９１２０Ｏ．０００１８０１２．９４３５Ｏ．２４０２７０。１２．９１２０Ｏ．０００中下部１２．９１２０Ｏ．ｏ（）ｏ２００１２．９４１４Ｏ．２３０３１５０１２．９２１６Ｏ．０７４３中间１２．９１２０Ｏ．０００
（ａ）Ｇｉｒｌ（ｂ）ＣａｌＩｌｅｒｍｎ
（ｄ）Ｃｏｕｐｌｅ（ｅ）Ｍｉｓｓ（ｆ）Ｃｈｉｌｄ（ｇ）ｗｏⅫ
图３模式识别库中待识别的部分人物图像
表２对不同图像进行提取，ｌ及与Ｌｅｎａ图像的误差
不同图像ＬｅｎａＧｉｒｌＣｍｅⅢｎａｎＬａｄｖＣｏｕｐｌｅＭｉｓ８ＣｈｉｌｄＷｏｍ∞一
厅
１２．９１２０１４．１２６０１２．３９２２１１．７５４０１７．６５００８．３６６３１０．１３０４６．１７８９ｓ：（％）Ｏ．０００９．４００４．０３０８．９７０３６．６９３５．２１２１．５４５２．１５
７０００
６０００
５０００ｏ４０００ｉ３０００
２０００
ｌ０００
０
，ｌ
（ａ）缩小为原图４０％时ｒ的直方图
几
（ｂ）对原图旋转４５。时ｒ的直方图
图２对ｋＭ图像缩放、旋转处理的结果
直方图矢量重心特征值。
通过以上实验图表可以看出：（１）由于采用的，阈值函
数随时间单调递减，所以通过ＰＣＮＮ迭代形成的ｒ矩阵
图像是原图像的反白，如图１（ｂ）所示；（２）当待识别目
标图像与识别库中图像存在一定的比例变化、旋转及平
移（见表１）时，采用ＰＣＮＮ直方图矢量重心特征识别，其
识别误差小，具有良好的几何畸变（ＴＲｓ）不变性；（３）若待
识别目标图像与识别库中图像存在一定的差异，当采用
本文方法进行识别时，虽有一定的识别误差，但误差不
大。在实际图像识别过程中，当运用本文算法进行处理
时，可预先设定直方图矢量重心识别误差判别值（例如
本文可设占－＝１．０％）来对待识别图像进行分类识别。
ＰＣＮＮ在图像与信号处理方面具有广阔的应用前
景。它的模型是一个极其复杂的非线性系统，其理论研
究仍在发展阶段。因此，关于ＰＣＮＮ模型及其参数对信
息处理的作用与影响等方面的课题目前仍是一个研究
热点。本文在对ＰＣＮＮ模型改进的基础上，利用简化
ＰＣＮＮ模型对输入原始图像进行处理，形成赋时矩阵，然