1、第十一章 圖形識別與匹配,1,11.1 前言,11.2 統計圖形識別 11.3 模組式圖形識別 11.4 影像匹配 11.6 作業,2,假設有二類木頭,A和B,佔P(A)的比例而B佔P(B)的比例,P(A)+P(B)=1 。已知P(A)P(B)利用木頭的紋理 X 來評估該木頭的種類。,11.2 統計圖形識別,貝氏決策理論,圖11.2.1 P(X|A)和P(X|B)的分佈圖,3,我們有興趣的是給一個X值,該木頭屬於A或B的機率為何?依據貝氏法則,,此處,。,圖11.2.2 P(A|X)和P(B|X)的分佈圖,當 , ,這時可判斷該木頭為 A,畢竟冒的風險較低。去掉 項,當 時,我們判斷該木頭為A
2、 。,4,圖11.2.3 識別器示意圖,將紋理由一維擴充到 d 維而將樹木的種類由2種擴充到 c 種。 令第i類的識別器為 ,此處 X 代表木頭紋理向量而 代表第 i 類木頭, 。,圖形識別器,如果 為最大值,我們將該木頭分類為 。,5,11.3 模組式圖形識別,假設在模型上共可抽取出 m 個特徵向量 ,而在影像 I上抽取出 n 個特徵向量 ,通常 。 存在一平移函數 T 將 F 移到影像的某個地方。,圖11.3.1 平移F 到,6,在一個固定的T下,F和 的特徵向量 、 為一配對,將距離函數記為 ,如此,定義聯合機率密度函數為引入最大可能的觀念,我們得模組匹配的精神就是在找一個T使得上式有最
3、大值。上式中的可定義為,7,Harris corner 利用一個視窗在影像上的移動,可得到強度變化情形: 平面:往任何方向移動僅造成小變化 含一條邊:與邊平行的變化量小;反之則大 含角點或獨立點:往任何方向變化皆大,8,爲了捕捉視窗內子影像的灰階梯度變化,令 視窗作用到子影像的綜合灰階梯度變化之影響,可表示為,9,函數E是一種局部自我關聯的函數,矩陣M就是函數E的代表。矩陣M的兩個特徵值代表下列意義:和 皆很小:代表視窗內為平滑區和 中,一大一小:代表含一邊的區域和 皆很大:代表含角點的區域,圖11.3.3 矩陣M的特徵值所代表的意義,10,影響值 R=det(M)-k*(trace(M)2且
4、 :代表平滑區:代表含一邊的區域R0:代表有角點的區域 利用以上方法可以將I和F內的所有角點找出來。,圖11.3.3 利用Harris方法找出角點集,11,11.4 影像匹配,形狀乃是該物體的多邊形外圍描述,(a) 魚外形,(b) 魚外形之多邊形描述,圖 11.4.1 魚外形及其多邊形描述,12,演化:兩段鄰近的邊合併成一段邊,是二段邊 和 之間的夾角為 的長度。的值愈小,表示 和 愈適合合併。,(a) 第一次演化,(b) 第二次演化,圖 11.4.2 演化,匹配,圖 11.4.3 待匹配的兩多邊形,可能的匹配組合,13,匹配花費(相似度的依據),(a) 長方形物件,(b) 斜率空間表示圖,圖 11.4.4 多邊形轉成斜率空間表示圖,將各個段落集的斜率空間表示圖建起來,並予以正規化。如此一來就可透過動態規劃法完成二多邊形物件匹配的工作了。,14,11.5 作業,作業一:寫一C語言以完成統計圖形識別的實作。作業二:寫一C語言以完成影像匹配的實作。,15,