模式识别Chapter 7-2 Project HumanDet

模式识别教案一、课题模式识别二、教学目标1. 知识与技能目标- 学生能够理解模式识别的基本概念，包括模式、模式类等。

- 了解模式识别的主要方法，如统计模式识别和结构模式识别的基本原理。

- 能够区分不同模式识别方法的适用场景。

2. 过程与方法目标- 通过案例分析，培养学生观察、分析和归纳总结的能力。

- 以小组合作探究的方式，让学生体验模式识别在实际生活中的应用开发过程，提高学生的团队协作能力和解决问题的能力。

3. 情感态度与价值观目标- 激发学生对模式识别这一人工智能领域的兴趣，培养学生对新兴技术的探索精神。

- 让学生意识到模式识别在现代科技发展和社会生活中的重要性，增强学生的科技意识。

三、教学重点&难点1. 教学重点- 模式识别的基本概念，如模式、模式类、特征提取等。

- 统计模式识别和结构模式识别的原理及主要算法。

- 模式识别在实际生活中的典型应用，如人脸识别、指纹识别等。

2. 教学难点- 理解统计模式识别中概率密度函数的估计方法，如最大似然估计等。

- 掌握结构模式识别中模式的描述和匹配方法，如句法分析等。

四、教学方法小组合作探究法、案例分析法、问题驱动法五、教学过程1. 导入（10分钟）- 教师展示一些图片，包括不同人的脸、不同的指纹、各种手写数字等。

然后提问学生：“你们是如何区分这些图片中的不同对象的呢？”引导学生思考人类识别物体的方式。

- 教师话术：“同学们，今天我们来看这些有趣的图片。

你们看，这里有很多不同的人脸，还有不同的指纹，以及手写的数字。

大家想一想，当你们看到这些的时候，你们是怎么知道哪张脸是不同的人，哪个指纹属于不同的手指，这些数字又分别是什么呢？其实，这就是一种识别的能力，而今天我们要学习的模式识别，就是让计算机也具备这样的能力。

”- 接着，教师再展示一些利用模式识别技术实现的成果，如门禁系统中的人脸识别、手机上的指纹解锁等视频，进一步激发学生的兴趣。

2. 概念讲解（15分钟）- 教师给出模式识别的定义：模式识别是指对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。

第七章 模式识别应用 郝红卫 3
项目背景
• 国家十一五科技支撑计划项目—— 高效智能化微创白内障治疗系统研制 • 实现超声能量释放控制的自动化 • 前提是对白内障硬度的自动识别（白内
障硬度分为五级）
第七章 模式识别应用 郝红卫 4
系统设计
系统构成示意图
建立图像数据系统
图像库
探头跟踪与目标提取 72探头跟踪视频.avi
加入识别系统后手术视频73改进后手术视 频.AVI
第七章 模式识别应用 郝红卫
7
系统实现
手术效果对比
第七章 模式识别应用 郝红卫
8
第七章 模式识别应用
• 7.1 项目背景
• 7.2 系统设计
• 7.3 系统实现
第七章 模式识别应用 郝红卫
1
项目背景
• 白内障：第一致盲病因
• 治疗方法：超声乳化抽吸术
• 手术过程：71原手术过程视频.avi
第七章 模式识别应用 郝红卫
2
项目背景
缺点：
• 超生能量释放的控制靠人工实现 • 对术者要求极高 • 不容易掌握、不便于推广
特征库
识别结果
探头检测与探 头前图像提取
特征提取
第七章 模式识别应用 郝红卫
5
系统设计
• 数据采集：训练集与测试集
• 预处理：实现目标跟踪和目标提取
• 特征提取：颜色
• 分类器模型：近邻法（项目要求：白内障硬度分 级正确率≥90%；实际性能：正确率≥95% ）
第七章 模式识别应用 郝红卫 6
系统实现

解： 三个判别边界分别为：
dd12((xx))
x1 x2 x1 x2 5
0
0
d3 (x) x2 1 0
13
➢1、第一种情况（续）
结论： 因为
d1(x) 0, d2 (x) 0, d3(x) 0
所以它属于ω2类。
14
➢1、第一种情况（续）
5
dd12((xx))
0 0
d3 ( x) 0
wn1
0
当 x 在 n 背向的半空间中时，w0 x wn1 0
这说明判别函数值的正负表示出特征点位于 哪个半空间中，或者换句话说，表示特征点位于 界面的哪一侧。
34
例2.3.1：利用判别函数的鉴别意义，试分析
d(x1,x2)＝x1+x2+1。
x2
d(x1,x2)＝0
×××××××××××××
n
开，而 i j法是将 i 类和 j类分开，显然 i j法使模式更容易线性可分，这是它的优点。
方法⑶判别函数的数目和方法⑴相同，但没有不 确定区，分析简单，是最常用的一种方法。
26
2.3 判别函数值的鉴别意义、权空间及解空间
27
.3 判别函数值的鉴别意义、权空间及解空间
此方程表示一超平面 π。它有以下三个性质:
1
x2
1
d1(x) 0
2 3
d1(x) 0
d2 (x) 0
d3 (x) 0
d3(x) 0
x1
d1(x) 0
d
2
(
x)
0
d3
(
x
)
0
d2(x) 0
5
15
16
➢2、第二种情况（续）

细胞自动识别：
原始测量：（正常与异常）细胞的数字图像
原始特征（特征的形成，找到一组代表细胞性质的 特征）：细胞面积，胞核面积，形状系数，光密度， 核内纹理，和浆比
压缩特征：原始特征的维数仍很高，需压缩以便于 分类
特征选择：挑选最有分类信息的特征 特征提取：数学变换
傅立叶变换或小波变换 用PCA方法作特征压缩
基于距离的可分性判据
计算所有样本平均距离作为判据 Jd (x) tr(Sw Sb )
其中“tr”表示矩阵的迹（对角线元素的和）。
各类特征向量之间的平均距离可写成：
1
Jd (x) 2
c
Pi
i 1
c
Pj
j 1
1 nin j
ni n j
(xk(i) , xl( j) )
k 1 l 1
其中Pi、Pj 分别表示各类的先验概率，ni、nj分别是第i与j
基于距离的可分性判据
如果推广至c类别情况，同时考虑各类的先验概率Pi 不等，则可将上列各式表示成：
c
Sb = Pi(mi m)(mi m)T i 1 c
Sw = PiEi[(mi m)(mi m)T ] i 1
其中， m 为总均值向量，Pi表示各类别的先验
概率，Ei表示i类的期望符号。
基于距离的可分性判据
Fisher准则时曾用过两个描述离散度的矩阵。一个 是类间离散矩阵Sb
Sb = (m1 - m2 )(m1 - m2 )T
另一个是类内离散度矩阵SW
Si = (x - mi )(x - mi )T , xX i
Sw = S1 + S2
i 1, 2
以上式子是针对两类别情况的，如果推广至c 类别情况？
)T (x(ki)