武汉理工大学：《模式识别》课程教学资源（PPT课件）第1章 绪论、第2章 聚类分析

第 1章 绪论

绪论第1章模式和模式识别的概念1.11.2模式识别系统1.3模式识别概况1.4模式识别的应用

第1章 绪论 1.1 模式和模式识别的概念 1.2 模式识别系统 1.3 模式识别概况 1.4 模式识别的应用

1.1模式和模式识别的概念1.广义定义1) 模式(pattern):一个客观事物的描述，一个可用来仿效的完善的例子。2）模式识别(patternrecognition)：按哲学的定义是一个“外部信息到达感觉器官，并被转换成有例：识别热水、字迹等。意义的感觉经验”的过程2.狭义定义1）模式：对某些感兴趣的客体的定量的或结构的描述。模式类是具有某些共同特性的模式的集合。2）模式识别：研究一种自动技术，依靠这种技术，计算机将自动地（或人尽量少地干涉）把待别识模式分配到各自的模式类中去

2. 狭义定义 1）模式：对某些感兴趣的客体的定量的或结构的描述。模式类 是具有某些共同特性的模式的集合。 2）模式识别：研究一种自动技术，依靠这种技术，计算机将自 动地（或人尽量少地干涉）把待别识模式分配到各自的模式类 中去。 1. 广义定义 1）模式(pattern)： 一个客观事物的描述，一个可用来仿效的完善的例子。 2）模式识别(pattern recognition) ： 按哲学的定义是一个“外部信息到达感觉器官，并被转换成 有 意义的感觉经验”的过程。例：识别热水、字迹等。 1.1 模式和模式识别的概念

注意：狭义的“模式”概念一一是对客体的描述，不论是待识别客体，还是已知的客体。广义的“模式”概念一一是指“用于效仿的完善例子”3.相关的计算机技术1）目前的计算机建立在诺依曼体系基础之上。1946年：美籍匈牙利数学家冯·诺依曼提出了关于计算机组成和工作方式的基本设想：数字计算机的数制采用二进制：计算机按照程序顺序执行，即“程序存储”的概念。1949年：研制出第一台冯·诺依曼式计算机。1956年：第一次人工智能(artificialintelligence)研讨会在美国召开

注意： 狭义的“模式”概念——是对客体的描述，不论是待识别客 体，还是已知的客体。 广义的“模式”概念——是指“用于效仿的完善例子” 1）目前的计算机建立在诺依曼体系基础之上。 1946年：美籍匈牙利数学家冯·诺依曼提出了关于计算机组 成和工作方式的基本设想：数字计算机的数制采用二进制；计算 机按照程序顺序执行，即“程序存储”的概念。 1949年：研制出第一台冯·诺依曼式计算机 。 1956年：第一次人工智能(artificial intelligence)研讨会在美国 召开。 3. 相关的计算机技术

2）第五代人工智能型计算机本质区别：主要功能将从信息处理上升为知识处理（学习、联想、推理、解释问题），使计算机具有人类的某些智能。研制工作从80年代开始，目前尚未形成一致结论。几种可能的发展方向：神经网络计算机一一模拟人的大脑思维，生物计算机一一运用生物工程技术、蛋白分子作芯片。光计算机一一用光作为信息载体，通过对光的处理来完成对信息的处理。4.研究和发展模式识别的目的提高计算机的感知能力，从而大大开拓计算机的应用

2）第五代人工智能型计算机 本质区别：主要功能将从信息处理上升为知识处理（学习、 联想、推理、解释问题），使计算机具有人类的某些智能。研 制工作从80年代开始，目前尚未形成一致结论 。 几种可能的发展方向： 神经网络计算机－－模拟人的大脑思维。 生物计算机－－运用生物工程技术、蛋白分子作芯片。 光计算机－－用光作为信息载体，通过对光的处理来完成 对信息的处理。 4. 研究和发展模式识别的目的 提高计算机的感知能力，从而大大开拓计算机的应用

1.2 模式识别系统1.2.1简例：建立感性认识以癌细胞识别为例，了解机器识别的全过程1.信息输入与数据获取将显微细胞图像转换成数字化细胞图像，是计算机分析的原始数据基础，灰度数字图像浆C的像素值反映光密度的大小。核N背景B灰度图象经过染色处理过的彩色图象数字化显微细胞图像

1.2 模式识别系统 1.2.1 简例：建立感性认识 以癌细胞识别为例，了解机器识别的全过程。 1. 信息输入与数据获取 将显微细胞图像转换成数字化细胞图像，是计算机分析的原 始数据基础。 数字化显微细胞图像 经过染色处理过的彩色图象 灰度图象 核N 浆C 背景B 灰度数字图像 的像素值反映光密 度的大小

2.数字化细胞图像的预处理与区域划分预处理的目的：（1）去除在数据获取时引入的噪声与干扰（2）去除所有夹杂在背景上的次要图像，突出主要的待识别的细胞图像。例：平滑、图像增强等数字图像处理技术。区域划分的目的：找出边界，划分出三个区域，为特征抽取做准备

2. 数字化细胞图像的预处理与区域划分 预处理的目的： （1）去除在数据获取时引入的噪声与干扰。 （2）去除所有夹杂在背景上的次要图像，突出主要的待识别 的细胞图像。 例：平滑、图像增强等数字图像处理技术。 区域划分的目的： 找出边界，划分出三个区域，为特征抽取做准备

核N浆CT疑似肿瘤细胞检测的边缘设灰度阈值为T和T，，图像中某像素的灰度值为T，则T≥T,的点属于胞核区;T<T.的点属于背景区；T≤T< T,的点属于胞浆区;

设灰度阈值为Tc和Tn，图像中某像素的灰度值为Ti，则： Ti ≥ Tn的点属于胞核区； Ti ＜ Tc的点属于背景区； Tc≤Ti＜ Tn的点属于胞浆区； 检测的边缘 Tn Tc 疑似肿瘤细胞 Tc Tn 核N 浆C

3.细胞特征的抽取、选择和提取目的：为了建立各种特征的数学模型，以用于分类。①抽取特征：原始采集数据，第一手资料，特征数据量大是特征选择和提取的依据。例：对一个细胞抽取33个特征，建立一个33维的空间X，每个细胞可通过一个33维随机向量表示，记为：X =[xi,X2,"",X33]即把一个物理实体“细胞”变成了一个数学模型“33维随机向量”，也即33维空间中的一点。②特征选择：在原始特征基础上选择一些主要特征作为判别用的特征。③特征提取：采用某种变换技术，得出数目上比原来少的综合特征作为分类用，称为特征维数压缩，习惯上亦称特征提取

例：对一个细胞抽取33个特征 ，建立一个33维的空间X，每个细 胞可通过一个33维随机向量表示，记为： T 1 2 33 X = [x , x ,  , x ] 即把一个物理实体“细胞”变成了一个数学模型“33维随机 向量”，也即33维空间中的一点。 3. 细胞特征的抽取、选择和提取 目的：为了建立各种特征的数学模型，以用于分类。 ① 抽取特征 ：原始采集数据，第一手资料，特征数据量大。 是特征选择和提取的依据。 ② 特征选择：在原始特征基础上选择一些主要特征作为判别 用的特征。 ③ 特征提取：采用某种变换技术，得出数目上比原来少的综 合特征作为分类用，称为特征维数压缩，习惯上亦称特征提取

例：有五个特征xi×2，X3，×4，s，以及变换)、g(),则可有：Y2 = g(x1,X2,X3,X4,Xsi = f(xi,X2,X3,X4,Xs)结果：X空间中的向量X=[,X2,X,4,]变成Y空间的向量Y=[,］即：特征向量由5维降为2维。4.判别分类（1）气管细胞97个，识别错误率为7.2%。（2）肺细胞166个，识别错误率为18%。判别的好坏通过错误率给出，不同错误的代价和风险不同

例：有五个特征 x1 , x2 , x3 , x4 , x5 ，以及变换f(·)、g(·) ,则可有： ( ) ( ) 1 1 2 3 4 5 2 1 2 3 4 5 y = f x , x , x , x , x y = g x , x , x , x , x 结果： X 空间中的向量 变成 Y 空间的向量 T 1 2 3 4 5 X = [x , x , x , x , x ] T 1 2 Y = [y , y ] 即：特征向量由5维降为2维。 4. 判别分类 （1）气管细胞97个，识别错误率为7.2% 。 （2）肺细胞166个，识别错误率为18% 。 判别的好坏通过错误率给出，不同错误的代价和风险不同