最邻近模板匹配法

报告提交日期2013年6月27 报告批改日期2013年月

最邻近模板匹配法

一．实验内容：

在模式识别中一个最基本的方法，就是模板匹配法(template matching)，它基本上是一种统计识别方法。为了在图像中检测出已知形状的目标物，我们使用这个目标物的形状模板（或窗口）与图像匹配，在约定的某种准则下检测出目标物图像，通常称其为模板匹配法。它能检测出图像中上线条、曲线、图案等等。它的应用包括：目标模板与侦察图像相匹配；文字识别和语音识别等。

二. 实验条件

pc机一台，vs2008软件

三.实验原理

我们采用以下的算式来衡量模板T（m,n)与所覆盖的子图Sij（i,j)的关系，已知原始图像S(W,H)，如图所示：

利用以下公式衡量它们的相似性：

上述公式中第一项为子图的能量，第三项为模板的能量，都和模板匹配无关。第二项是模板和子图的互为相关，随（i,j）而改变。当模板和子图匹配时，该项由最大值。在将其归一化后，得到模板匹配的相关系数：

当模板和子图完全一样时，相关系数R(i,j) = 1。在被搜索图S中完成全部搜索后，找出R的最大值Rmax(im,jm)，其对应的子图Simjm即位匹配目标。显然，用这种公式做图像匹配计算量大、速度慢。我们可以使用另外一种算法来衡量T和Sij的误差，其公式为：

计算两个图像的向量误差，可以增加计算速度，根据不同的匹配方向选取一个误差阀值E0，当E(i,j)>E0时就停止该点的计算，继续下一点的计算。

最终的实验证明，被搜索的图像越大，匹配的速度越慢；模板越小，匹配的速度越快；阀值的大小对匹配速度影响大；

3、改进的模板匹配算法

将一次的模板匹配过程更改为两次匹配；

第一次匹配为粗略匹配。取模板的隔行隔列数据，即1/4的模板数据，在被搜索土上进行隔行隔列匹配，即在原图的1/4范围内匹配。由于数据量大幅减少，匹配速度显著提高。同时需要设计一个合理的误差阀值E0：

E0 = e0 * (m + 1) / 2 * (n + 1) / 2

式中：e0为各点平均的最大误差，一般取40~50即可；

m,n为模板的长宽；

第二次匹配是精确匹配。在第一次误差最小点（imin, jmin)的邻域内，即在对角点为（imin -1, jmin -1), (Imin + 1, jmin + 1)的矩形内，进行搜索匹配，得到最后结果。

四．实验内容

1. 流程图

2.程序

number_no Classification::LeastDistance()

{

double min=; 定义一个变量存放最小值

number_no number_no;

for(int n=0;n<10;n++) 三个for循环逐一地和每个样品{ 进行距离计算，并把最小距离值for(int i=0;i

{

if(pipei(pattern[n].feature[i],testsample)

{

//匹配的最小值

min=pipei(pattern[n].feature[i],testsample);

number_no.number=n;//样品类别

number_no.no=i;//样品序号

}

}

}

return number_no;//返回手写数字的类别和序号将最小距离对应的类别号返} 回

五，实验结果分析

识别数字：

算法实现的关键问题是进行匹配，求最小距离，其解决方法是和训练集的样品逐一进行距离的计算，最后找出最相邻的样品得到类别号。

六.实验心得

针对每一种模式识别技术。老师讲解了理论基础，实现步骤，编程代码三部分，了解了基本理论之后，按照实现步骤的指导，可以了解算法的实现思路和方法，再进一步体会核心代码。但由于对C++掌握不是太好，所有算法都是用VC++编程实现的，所以对模式识别技术的掌握还是不够好。研究程序代码是枯燥无味的，但只要用心去学，研究，还是能收获自己想要的结果，也会拥有不一样的快乐。别人的思想要做到学以致用，同时自己也要学会绝一反三。希望以后低年级的教学安排中，能早一点多学点相关的软件基础，平时老师能给我们学生一部分相关的作业作为练习。之后能细致的讲解和辅导。当然，我们自己也应该更加努力课下阅读学习相关的书籍知识。

七. 参考文献

杨淑莹，《图像模式识别》，清华大学出版社，2005年第一版

Bayes分类器——最小错误概率的Bayes方法

一.实验目的：

1. 对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识；

2. 理解二类分类器的设计原理。

二. 实验条件

pc机一台，vs2008软件

三．实验原理

1. 目标：

计算。

分析：

由于数据t是一个新的数据，无法在训练数据集中统计出来。因此需要转换。根据概率论中的贝叶斯定理

将的计算转换为：

（1）

其中，表示类C j在整个数据空间中的出现概率，可以在训练集中统计出来（即用C j在训练数据

集中出现的频率来作为概率。但和仍然不能统计出来。

首先，对于，它表示在类中出现数据t的概率。根据“属性独立性假设”，即对于属于类

的所有数据，它们个各属性出现某个值的概率是相互独立的。如，判断一个干部是否是“好干部”（分类）时，其属性“生活作风＝好”的概率（P(生活作风＝好|好干部)）与“工作态度＝好”的概率（P(工作态度＝好|好干部)）是独立的，没有潜在的相互关联。换句话说，一个好干部，其生活作风的好坏与其工作态度的好坏完全无关。我们知道这并不能反映真实的情况，因而说是一种“假设”。使用该假设来分类的方法称为“朴素贝叶斯分类”。

根据上述假设，类中出现数据t的概率等于其中出现t的各属性值的概率的乘积。即：

（2）

其中，是数据t的第k个属性值。

其次，对于公式（1）中的，即数据t在整个数据空间中出现的概率，等于它在各分类中出现概率的总和，即：

（3）

其中，各的计算就采用公式（2）。

这样，将（2）代入（1），并综合公式（3）后，我们得到：

（4）