第一章 模式识别 -准备

第二章  模式识别 -准备

   “模式识别”，那什么是“模式”，什么是“识别”呢？估计学过模式识别的在看到这个问题的一瞬间肯定hold不住。

    首先看“识别”，这其中包括“识”和“别”，“识”是认识，“别”是判断，比如，我知道这个是苹果，那个是果树，这叫“识”；知道这个苹果属于水果，那颗果树属于树木，叫“别”。

    其次看“模式”，要知道模式先知道模型，要知道模型先知道特征，要知道特征先知道样本，要知道样本先知道采样，要知道采样先知道对象；

    举一个例子，在Duda的书中第一章中提到的流水线检测鱼的例子，鱼称之为“对象”；利用对鱼进行拍照成为“采样”过程；这样可以得到一系列鱼图像的集合，将这个集合称之为“样本”；在这里，样本就一个图像，这样的原始信息是朴素的，朴素的表现为量大而杂，而对图像信息进行抽象、提取或压缩从而得到表征该样本信息的新的信息体，称之为“特征”，比如用特征斜率来表征一条线上点的集合；在得到特征后，用数学语言来将特征包装（描述）起来，称之为“模型（数学模型）”，按照这个推理，如果能用化学语言来描述，则可成为“化学模型”；而“模式”则是对所有模型的统称，因为对“模式”的识别过程也就是对所有“模型”进行处理和识别的过程。

    从上面的表述来看，模式识别整体需要三个步骤：采样、特征提取、识别。这只是步骤的思路，在实际的过程中，中间会有很多的过程，如果对采样后的样本进行预处理、对特征进行处理、训练、反馈等过程。

    这里分别介绍各个步骤中要注意的地方。

      1. 采样：需要硬件支持，比如摄像机等传感设备。

      2. 特征提取：

          1)  在此之前，对图像（样本）的预处理工作通常是不可少的，例如去噪、增强、分割等图像处理技术。

          2)  对特征评价的好坏标准是：类内散度小、类间散度大。

          3)  另外选择描述特征的数学模型，并对其进行训练。

      3. 识别：也叫分类，输入一个特征集合，输入一个类别标签表明该特征是属于哪一类样本的。

          1)  对其进行理论评价标准是：类内不能被识别的比率、类间能误识别的比率，常用ROC曲线。这样要求分类器有较好的“准确率”和“推广能力”，避免出现“过拟合”的现象。

          2)  在实际的应用中还会将代价函数加进入，比如癌症检测中，将正常误检为不正常和将不正常误检为正常的代价是不一样的，前者最多花了一些冤枉钱，而后者可能会赔掉性命，因此显然后者误识别的代价较大。

  在模式识别中，有三种相关的技术：

      1.  回归分析：目的是对输入的数据进行数学函数描述。是一个从个体抽象整体的过程。最流行的线性回归，比如树的高度跟树的年龄成线性增长。

      2.  函数内插：在已知周围数值的情况下，对中间数值进行估计。

      3.  密度函数估计：求解具有某种特征的类别样本出现的概率（密度）。