模式识别及其在图像处理中的应用分析

刘恒超

中铁高新工业股份有限公司 北京 100070

模式识别主要是指某些现象或用于表征事物的图像、数字等不同形式处理分析，进而进行辨认描述的活动过程，当前基于计算机识别模式主要是指利用计算机进行识别，机器识别可通过智能技术使计算机可主动识别一些事物。

1 模式识别

从模式以及模式识别的概念上来看，广义角度上模式是指存在于时间、空间可用观察的事物，区别其是否相同或相似可将其称为模式；狭义角度上来看，模式是通过对具体事物进行观察以获的时间、空间分布信息，将模式所属类别或者在同一类别中的模式概括为模式类。模式识别适用于研究某些自动化技术，使计算机能够自动从一种识别模式到各自的模式内中。而计算机模式识别是指利用计算机等硬件设备对物体图形、语音等信息进行主动识别，当前模式识别研究内容涉及以下两点：第一，研究生物体包括人类如何进行事物感知；第二在基于给定任务下如何利用计算机等设备进行模式识别的方法。前者主要是生理学家的相关内容，属于认知科学领域的范畴，而后者是信息学、数学、计算机学领域的研究[1]。

2 模式识别的主要方法

当前模式识别法包括4种类型分别为统计模式，结构模式，模糊模式及人工智能模式识别法，本研究针对人工智能识别法主要阐述人工神经网络模式识别。相对来说，统计模式和结构模式研究较早且其应用较多，而对于模糊模式识别与人工智能模式识别的方法应用较多，由于模糊方法更合乎逻辑性，而神经网络法能够用于解决复杂模式识别因此受到了高度重视。

第一，针对统计模式识别法其是以数理统计学和概率论作为理论基础的，包含参数及非参数方法。参数法是基于bayes决策论作为依据，其中常使用的决策方法是最小风险贝叶斯决策、最小错误率等。假设特征对给定类产生的影响是与其他特征相互独立的，在决策分类类别M已知，其余类先验概率和类条件概率密度一致的基础上，对于某一类特征矢量可以根据公式进一步计算，该待解模式在不同类中发生后验概率，后验概率最大类别也是该模式所属类别机制的条件下，可将模式识别问题转为后验概率计算。

结构模式识别法，该方法是利用模式结构描述以及句法描述并对模式进行分类的，各个模式是由各子部分组合形成，通常以句法分析进行模式识别，也就是给定一组句法规则，进一步剖析该模式结构当模式中基元被辨别之后，即可通过执行语句方法来实现识别过程，选择合适基元是开展结构模式识别的重要环节，基元具有含义明确，结构简单等特点，由于在选择基元过程中存在不确定性，在实际使用时很难同时满足其特点，因此需要介于基元易识别性和复杂性之间，选择当前结构模式识别可用于遥感图形、文字识别、纹理图像分析，该方法操作简单，能够反映模式的特征可用于模式识别的描述，对图像级别具有较强的抗干扰能力，但在该方法中合理选择基元是关键问题，尤其是当存在较强调外界干扰和噪声时基元的提取难度较高。

第二，二十世纪五十年代研究学者致力于动物神经系统的功能模拟，利用计算机软硬件构建大量语言处理单元作为节点，以实现各个处理单元的拓扑结构即人工神经网络。人工神经网络主要特点在于具备信息处理并行性，自适应性，具有较强学习能力，容错能力等，尤其在解决复杂模式识别中具有显著优势。从一定程度上来看，人工神经网络是复杂非线性运算法，其物理意义比较模糊，在理论上还有很多问题需要解决，比如在设计方面，网络层数的选择以及节点个数选择存在一定的盲目性，缺乏有效理论作为指导，在算法复杂度方面利用神经网络进行计算时复杂度较高，需要耗费较长的训练时间，在算法稳定性方面，很容易陷入局部极小问题，未来针对人工神经网络方面还需要进一步深入探究[2]。

3 结束语

总而言之，近年来随着人工智能技术的发展，人们在利用计算机进行图像自动化处理时，要求逐渐提高，因此对模式识别法需求更加强烈。