一种基于模糊理论的图像识别方法

技

术创新

图像处理

一种基于模糊理论的图像识别方法

ＡＩｍａｇｅｓＲｅｃｏｇｎｉｔｉｏｎＢａｓｅｄｏｎＦｕｚｚｙＴｈｅｏｒｙ

（１．济源职业技术学院；２．河南工业大学）刘秋菊

１

赵冬玲

１

刘素华

２

Ｌｉｕ，ＱｉｕｊｕＺｈａｏ，ＤｏｎｇＬｉｎｇＬｉｕ，Ｓｕｈｕａ

摘要：文章针对模糊模式识别的原理，根据图像的特征，采用模糊理论，提出了一种图像的识别方法。研究结果表明：该方法

具有简单、快速、有效的特点，从而拓宽了模糊模式识别的应用范围。关键词：模式识别；，模糊聚类，贴近度，择近原则

中图分类号：ＴＰ３９１

文献标识码：ＢＡｂｓｔｒａｃｔ：Ｔｈｅａｒｔｉｃｌｅａｉｍｓｔｏｆｕｚｚｙｐａｔｔｅｒｎｐｒｉｎｃｉｐｌｅ，Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｉｍａｇｅｓｃｈａｒａｃｔｅｒｉｓｔｉｃ，ｕｓｅｓｔｈｅｆｕｚｚｙｐｒｉｎｃｉｐｌｅｔｏｐｒｏｐｏｓｅｏｎｅ

ｋｉｎｄｏｆｉｍａｇｅｓｒｅｃｏｇｎｉｔｉｏｎｔｈｅｍｅｔｈｏｄ。Ｔｈｅｒｅｓｅａｒｃｈｆｒｕｉｔｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｆａｓｔ、ｅｆｆｅｃｔｉｖｅｅｓｐｅｃｉａｌｌｙ，ｔｈｅｒｅｆｏｒｅｅｘｔｅｎｄｔｈｅｒａｎｇｅｏｆａｐｐｌｉｃａｔｉｏｎｏｆｆｕｚｚｙｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ。

Ｋｅｙｗｏｒｄｓ：Ｆｕｚｚｙｐａｔｔｅｒｎｎｒｅｃｏｇｎｉｔｉｏｎ，Ｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇ，Ｓｉｍｉｌａｒｉｔｙ，Ｓｅｌｅｃｔｉｎｇｔｈｅｎｅａｒｐｒｉｎｃｉｐｌｅ

文章编号：１００８－０５７０（２００６）０１－１－０２１３－０２

１引言

随着计算机与通信网络的蓬勃发展，电子商务的不断推广应用，需要有一个更可靠的系统来进行身份认证。安全方便的生物识别系统现已广泛应用于刑事侦察、交通、ＡＴＭ提款机、

考勤系统、门禁控制以及Ｉｎ－ｔｅｒｎｅｔ电子商务安全系统，遍及银行、

保险、公安、边防检查、医疗卫生及网络接入等各个领域。作为生物识别系统关键部分的图像识别技术也随之得到了更大的发展。目前，图像识别已有了广泛的应用前景。用于门禁系统的人脸识别算法，用于特定物体跟踪的目标识别与跟踪算法，用于军事上的地形匹配算法，以及用于Ｉｎｔｅｒｎｅｔ图像检索的图像数据挖掘技术和数码相

机系统中按图像特定内容在数字相册检索照片的技术。所有的这些应用都基于一个核心技术：复杂背景下的目标识别。随着计算机技术应用领域的不断扩展，计算机自动模式识别方法也取得了令人满意的结果。数字图像处理技术、模式识别的数学运算方法都取得了突破性进展。论文是在利用计算机对图像特征进行自动提取的基础上，首先根据其特征进行自动分类，然后对图像进行识别。

２模糊模式识别的原理

模糊模式识别可分为两大类型：①元素或个体对

标准模糊集的识别，即待识别的对象是明确的元素，而标准类型是模糊的。这种情况下，可采用隶属原则进行归类（直接法）；②模糊集对模糊集的识别，即待识别的对象是模糊的，标准类型也是模糊的，这时要考虑的是模糊集和模糊集之间的贴近关系，可采用择近原则进行分类（间接法）。

２．１模糊模式识别直接方法（用最大隶属原则）用直接方法时，识别对象往往不会绝对属于某一种标准类型及绝对不属于其它标准类型，也就是说它对各种标准类型的隶属度取值范围不是｛０，１｝，而是［０

，１］。人们处理这种性质的问题时，常常是择其大而从之，即按上述最大隶属原则来识别。

２．２模糊模式识别间接方法（贴近度与择近原则）两个模糊集之间按某种特性进行比较时，可以使用的数量指标有：模糊距离和贴近度。前者表示两个模糊集之间的差异程度，而后者则反映了两个模糊集接近的程度。本文研究的图像模糊模式识别用的就是间接识别方法，即要考察一个模糊集与哪一种已知模糊集最“贴近”，此类问题可通过以下原则来解决。

（１）贴近度

贴近度是用于刻画两个模糊集的相似程度，它是一个数量指标，有很多具体的表示形式（参见文献）。贴近度在实际应用中占有很重要的地位，而且不同的贴近度各有优缺点，由于它们应用的范围和场合不同，因而所体现的作用也不相同。因此，应根据具体情况选用合适的贴近度。如下是几种常用的贴近度表达式：

①海明贴近度

（１）

②欧氏贴近度

（２）③模糊贴近度

（３）刘秋菊：讲师

基金项目：河南省科技攻关项目（编号：０２２４０１００１１）

1(,)1|()()|á

????A B u x u x n ρ==??∑á1

(,)1(()())á

????A B u x u x n ρ==??∑1

(,)(1)

2

A B A B A B ρ=+?⊕

技术创新

注：这里Ａ，Ｂ均是模糊集合。本文中用模糊贴近

度表示模糊集Ａ与Ｂ的接近程度。

（２）择近原则

择近原则描述如下：设论域为为Ｕ，Ａ１，Ａ２，．．．．．Ａｃ

为ｃ个标准模糊类型，ｘ为待识别对象，ρ为Ｕ上的贴

近度，若：

（４）

则认为ｘ与Ａｉ最接近，可判定ｘ属于Ａｉ类型。

（３）阈值原则

在实际模糊模式识别时，还要考虑对每一个模糊

子集来说，模糊度均是一致的问题。实际上就是确定

一个阈值Ｖ。选择阈值Ｖ时可以根据经验及实际需

要来确定，通常根据下列两原则：

①当Ｕ

Ａ

（ｘ）≥Ｖ时，被测对象可以进行确切的分

类；

②当Ｕ

Ａ

（ｘ）＜Ｖ时，说明对象的某些特征远离所允

许的最大偏差，因而不能归入任一类，应查找原因另

作分析。所以确定阈值的目的在于去掉隶属度很低、

显然不合理的对象。

３图像的特征抽取

在实际应用中，可用视频监视系统监视图像，并

在视频窗口开一小区域。用图像采集卡从图像的正面

和侧面截取适当的图像，将之输入计算机，利用图像

处理中的边缘检测技术抽取其特征参数。由于图像的

特征参数不同，故应对图像特征进行归一化。

４图像识别设计

模式识别的分类问题就是根据待识别客体的特

征向量及其它约束条件，将其分到某个类别中去。为

了把待识别模式分配到各自的模式类中去，必须设计

出一套分类判别规则，即设计分类器。分类器的设计

方法很多，论文选用最接近中心的分类方法。

图像模糊模式识别问题形式化描述如下：

设论域Ｕ为图像的样本全体集合，共有ｎ个数据

样本，用表示，每一个样本数据ｕｉ（１"

ｉ"ｎ）对应ｍ个特征（即用ｍ个特征表示一个对象），

用表示。其中论域Ｕ可

分成ｃ个类别，每一个类别均为Ｕ上的一个模糊集，

记作Ａ１，Ａ２，Ａ３，．．．Ａｃ，称它们为图像标准模糊模式。

对论域Ｕ中的任一待识别对象ｘ＝（ｘ１，ｘ２，ｘ３，．．．ｘｍ）

（ｘ∈Ｕ），模糊模式识别就是把对象ｘ划归与其最相似

的一个类别Ａｉ（１"ｉ"ｃ）中去。

４．１图像样本学习

所谓学习，是为了训练样本，即建立图像标准分

类库的过程。通过对图像样本作某种监测，得到标准

模糊模式，以便以后待识别图像与之比较，达到对输

入图像进行分类的目的。学习过程可分为监督学习（有

教师的学习）和无监督学习（无教师的学习）。如果是监

督学习，在论域Ｕ中由专家按分类标准选择ｎ个图像

作为学习样本。将这ｎ个图像归一化后的特征向量矩

阵Ｘｎ×ｍ输入计算机；然后，可直接用式（５）求出各类图

像模式的聚类中心｛ｖｉ｝（ｉ＝１，２，…，ｃ）和把ｎ个样本分成

ｃ个区域的分划，就是样本学习。如果是无监督学习，

情况要复杂些，需要用聚类的方法求聚类中心（关于

模糊聚类，参见文献）。

假设这ｎ个图像学习样本中分别有ｎ１，ｎ２，…ｎｃ个

样本属于类别Ａ１，Ａ２，．．．．．Ａｃ。即设ｎｉ为类别Ａｉ的样本

数，则第ｉ类的类中心：Ｉ＝１，２，．．．ｃ（５）

然后以｛ｖｉ｝和此分划来对以后的待识别样本进行

归类。因为每个数据样本需要ｍ个特征来描述，则每

个类中心也需要用ｍ个特征来描述，因此，第Ｉ个类

中心是一个长度为ｍ的向量：

学习过程结束后，图像模式库中便已存有已知样

本的模式特征值。学习所得的模式特征值将是对后续

未知的图像进行分类的依据。

４．２图像模糊模式识别

设ｘ为待识别的对象，其归一化后特征向量为ｘｉ１，

ｘｉ２，．．．ｘｉｍ，用某种贴近度求对象ｘ与Ａｉ（１≤ｉ≤ｃ）之间

的贴近度。最后根据择近原则，若有

，则判定对象ｘ属于

Ａｉ。

４．３图像自动分类算法描述

基于模糊理论的图像自动分类，其具体算法描述

如下；

第一步：输入图像的ｎ个学习样本；

第二步：对每个样本提取ｍ个特征，并对特征向

量进行归一化，将其转换为模糊向量；

第三步：用模糊聚类方法计算ｃ个模式的聚类中

心，用ｖ＝（ｖ１，ｖ２，．．．，ｖｃ）表示ｃ个聚类中心；

第四步：输入待识别样本ｘ；

第五步：对样本ｘ提取ｍ个特征，并对其进行归

一化；将其转换为模糊向量；

第六步：用式（３）计算待识别样本ｘ与各类图像

标准模式的聚类中心的贴近度；

第七步：求出ｃ个贴近度中的最大贴近度ρｍａｘ；

第八步：让最大贴近度ρｍａｘ与阈值Ｖ相比，若ρｍａｘ

＜Ｖ，则打印出拒识标志，转第九步；否则，根据择近原

则，输出图像ｘ的分类结果。

第九步：继续识别其它图像或结束。

５结束语

在计算机中用ＶＣ进行了模拟实验，总的识别率

达９３％。用模糊集合理论，对图像进行识别，可行、快

速、准确而又经济。该技术除了上述方法外，还有以模

糊形式语言、模糊逻辑为基础的模糊集识别方法。模

糊逻辑更接近于人类的思维实际。目前，（见第２６８页）

(,)max{(,)|1}

á

A x A x j n

ρρ

=≤≤

á

?

,,,....

u u u u u

=

á

?

(,,,....)(1)

á

á

á

á

á

U u u u u i n

=≤≤

1

á

?

v x

n

∈

=∑

á

?

{,....,}

á

á

á

á

v v v v

=

(,)(1)

x A i c

ρ≤≤

(,)max{(,)|1}

á

A x A x j n

ρρ

=≤≤

(,)(1)

x A i c

ρ≤≤

技术创新Ａ发生两次时失败的次数。令随机变量ＸＲＥＤ当且仅当

事件Ｂ发生一次时失败的次数。那么随机变量ＸＲＨＴ的

概率密度函数服从负二项分布：

（５）

其中ｘ表示当且仅当事件Ａ发生两次时失败的

可能次数。同时随机变量ＸＲＥＤ概率密度函数服从几何

分布：

（６）

其中ｘ表示当且仅当事件Ｂ发生一次时失败的

可能次数。在ｐ＝０．５（０．２５）时，当ｘ!２２和ｘ"１３４（ｘ!

３２５和ｘ"３６１４），ｆＲＥＤ（ｘ）大于ｆＲＨＴ（ｘ）；而当２３!ｘ!１３３

（３２６!ｘ!３６１３），ｆＲＥＤ（ｘ）小于ｆＲＨＴ（ｘ）。

在高噪声的情况下，ＲＥＤ算法在检测到椭圆前的

失败次数略微比ＲＨＴ算法多。因此，即使考虑到ＲＨＴ

算法对时间与空间的消耗，ＲＥＤ算法仍旧需要大量时

间用于检测椭圆。图２便部分地说明了这种现象。在

这种噪声级别下，ＲＨＴ算法在检测到椭圆前的失败次

变得非常大，意味着ＲＨＴ算法需要非常庞大的存储空

间用作累积数组。然而ＲＥＤ算法则并不需要那么大的

存储空间。

总之，在低噪声与适度噪声时，ＲＥＤ算法快于

ＲＨＴ算法，并且占用的存储空间远远少于ＲＨＴ算法。

而当噪声变得非常大时，ＲＨＴ算法虽然快于ＲＥＤ算

法，但却需要庞大的存储空间。

５结论

本文提出了一种非基于Ｈｏｕｇｈ变换的随机椭圆

检测算法─ＲＥＤ算法。ＲＥＤ算法从图像中随机取出６

点。然后利用距离阈值以确定可能椭圆。可能椭圆是

否为真实椭圆，通过椭圆点收集过程来证实。与基于

Ｈｏｕｇｈ变换的算法不同是，ＲＥＤ算法不需要在参数空

间投票，因而不需要大量的存储空间用做累积数组。

而这一点正是所有基于Ｈｏｕｇｈ变换算法的关键所在。

实验证明ＲＥＤ算法在低噪声与适度噪声时，快于

ＲＨＴ算法。而在高噪声的情况下，ＲＨＴ算法虽然要快

于ＲＥＤ算法，但却需要大量的存储空间。

如何利用神经网络的学习方法来减小ＲＥＤ算法

对先验知识的依赖性，使得ＲＥＤ算法可以自行调整的

取值，减少人为干预是下一步研究重点。

参考文献

［１］ＸｕＬ，ＯＪＡＥ，ＫｕｌｔａｎｅｎＰ．Ａｎｅｗｃｕｒｖｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄ：Ｒａｎｄｏｍｉｚｅｄ

ＨｏｕｇｈＴｒａｎｓｆｏｒｍ（ＲＨＴ）［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＬｅｔｔｅｒｓ，１９９０，１１（５）：３３１－

３３８．

［２］殷克全，单潮龙．软关断反激式ＤＣ／ＤＣ变换器的共模干扰研究［Ｊ］．微

计算机信息，２００５，３：１２８－１３０

［３］ＣｈｅｎＴｈｅ－Ｃｈｕａｎ，ＣｈｕｎｇＫｕｏ－Ｌｉａｎｇ．Ａｎｅｆｆｉｃｉｅｎｔｒａｎｄｏｍｉｚｅｄａｌｇｏｒｉｔｈｍ

ｆｏｒｄｅｔｅｃｔｉｎｇｃｉｒｃｌｅｓ［Ｊ］．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｇｅＵｎｄｅｒｓｔａｎｄｉｎｇ，２００１，

８３：１７２－１９１．

［４］ＣａｒｖａｌｈｏＰ，ＣｏｓｔａＮ，ＲｉｂｅｉｒｏＢａｎｄＤｏｕｒａｄｏＡ．ＯｎｔｈｅＵｓｅｏｆＮｅｕｒａｌ

ＮｅｔｗｏｒｋｓａｎｄＧｅｏｍｅｔｒｉｃａｌＣｒｉｔｅｒｉａｆｏｒＬｏｃａｌｉｓａｔｉｏｎｏｆＨｉｇｈｌｙＩｒｒｅｇｕｌａｒ

ＥｌｌｉｐｔｉｃａｌＳｈａｐｅｓ［Ｊ］．ＰａｔｔｅｒｎＡｎａｌｙｓｉｓ＆Ａｐｐｌｉｃａｔｉｏｎｓ，１９９９，２：３２１－３４２．

作者简介：薛程，男，１９８１－，汉族，江南大学信息工程

学院，硕士研究生，籍贯：四川，研究方向：模式识别，

计算机视觉与图像识别，图像处理；Ｅ－ｍａｉｌ：

ｙｅｔｉ＿ｃｈｅｎｇ＠ｙａｈｏｏ．ｃｏｍ．ｃｎ；王士同，男，１９６４－，江南大学

信息工程学院，教授，博士生导师。

（２１４１２２江苏无锡江南大学信息工程学院）薛程

王士同

（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，Ｓｏｕｔｈｅｒｎ

ＹａｎｇｔｚｅＵｎｉｖｅｒｓｉｔｙ，Ｗｕｘｉ，Ｃｈｉｎａ，２１４１２２）Ｘｕｅ，

ＣｈｅｎｇＷａｎｇ，Ｓｈｉｔｏｎｇ

联系方式：

（２１４１２２江苏省无锡市蠡湖大道１８００号江南大学蠡

湖校区梅园公寓１０楼５０１室）薛程

（投稿日期：２００５．６．１６）（修稿日期：２００５．６．２６）

（接第２１４页）人类识别图像在某些方面比机器优越，

就在于人类能根据模糊逻辑进行推理，所以自动识别

图像的识别机也必然要采用连续值逻辑，这也是新型

计算机的发展之一。

参考文献

［１］张曾科，模糊数学在自动化技术中的应用［Ｍ］，清华大学出版社１９９７．１

［２］ＳｈｉｎｊｉＱｚａｗａ．ＩｍａｇｅＳｅｎｓｏｒｓｉｎＴｒａｆｆｉｃａｎｄＶｅｈｉｃｌｅＣｏｎｔｒｏｌ．ＩＥＥＥＰｒｏｃ．

ｏｎＶｅｈｉｃｌｅＮａｖｉｇａｔｉｏｎ＆ＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍｓ，１９９４，ｐｐ．ｐｌｅｎａｒｙ２７．

［３］章毓晋，图像处理和分析，清华大学出版社，１９９９．１

［４］ＰａｌＮＲ，ＢｅｚｄｅｋＪＣＯｎｃｌｕｓｔｅｒｖａｌｉｄｉｔｙｆｏｒｔｈｅｆｕｚｚｙＣ－ｍｅａｎｓ［Ｊ］，

ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＦｕｚｚｙＳｙｓｔｅｍ，１９９５，３（３）：３７０～３７９

［５］崔屹著．数字图像处理技术与应用［Ｍ］．北京：电子工业出版社，１９９７：

１６８～１７２

［６］樊占锁，唐兵，郝俊宇．图像定尺在钢铁板坯二次切割中的应用［Ｊ］．微

计算机信息，２００５，１：２１－２３

［７］ＴｓａｏＥＣＢｅｚｄｅｋＪＣ．ＦｕｚｚｙＫｏｈｏｎｅｎＣｌｕｓｔｅｒｉｎｇＮｅｔｗｏｒｋ．Ｐａｔｔｅｒｎ

Ｒｅｃｏｇｎｉｔｉｏｎ，１９９４，２７（５）：７５７－７６４

作者简介：刘秋菊（１９７１－），女，讲师，在读硕士，研究

方向：计算机软件与理论。赵冬玲（１９７２－），女，讲师，在

读硕士，研究方向：计算机软件与理论。刘素华

（１９７２－），女，硕士，副教授，研究方向：人工智能、模式

识别。

（４５４６５０济源职业技术学院）刘秋菊赵冬玲

（４５００５２郑州河南工业大学计算机系）刘素华

（ＪｉＹｕａｎＶｏｃａｔｉｏｎａｌａｎｄＴｅｃｈｎｏｌｏｇｙＣｏｌｌｅｇｅ，４５４６５０）

Ｌｉｕ，ＱｉｕｊｕＺｈａｏ，ＤｏｎｇＬｉｎｇ

（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅＨｅｎａｎＵｎｉｖｅｒｓｉｔｙ

ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｚｈｅｎｇｚｈｏｕ，４５００５２）Ｌｉｕ，Ｓｕｈｕａ

通信地址：

（４５４６５０济源职业技术学院计算机系）刘秋菊

（投稿日期：２００５．６．２０）（修稿日期：２００５．７．３）()(1)(), 0,1,

á

?

?

f x p p x

=?=

仪表显示的图像识别算法研究

仪表显示的图像识别算法研究 摘要：随着社会的逐渐发展，人类的生活越来越趋于智能化。本文根据当今社会对于图像识别研究的发展现状，针对目前人们生活中人工读表的弊端，提出了通过采集仪表显示的图像并进行图像识别算法处理来达到智能自动读表的方法。 为了能快速获得采集数据，减少人们生活中繁复的人工作业。本文通过多样的图像处理来代替人眼识别图像。只需要得到采集到的图像，就可以利用计算机来进行计算和识别，得出最后的数字。本文采用了一系列的图像处理方法，包括图像的去噪，二值化分割，边缘检测和基于数学形态学的膨胀腐蚀操作等。同时通过多种尝试和比较各种方法的优缺点得到了一套简易而又完善，快速的图像识别算法。 在进行多次测试试验后，本文采用数码相机来进行图像的采集，同时经过图像预处理、图像分割、图像识别等一系列流程得出了较为完善的图像采集和识别系统，为未来信息传递智能化提供了基础，对于促进工业发展或是改善生活水平都有重要的意义。 关键词：图像预处理、二值化、边缘检测、形态学、去噪、图像分割、图像匹配 The research of image recognition displayed by the instrument Abstract: With the continuous development of society, people's lives become more and more intelligent. Based on the current development in today's society for the study of image recognition, according to the present disadvantages of manual meter reading in peop le’s lives, this page proposed the way by collecting the instruments display image and then deals it with image recognizing algorithms to achieve intelligent automatic meter. In order to quickly gather data, reducing manual work in people’s lives complicated. The page uses a series of image processing to replace human eye image recognition. Just need the collected images, we can use a computer to calculate and identify, then we will arrive at a final figure. We used a variety of image processing methods, including image denoising, thresholding segmentation, expansion of edge-detection based on mathematical morphology and corrosion and so on. And

视觉检测原理介绍

技术细节 本项目应用了嵌入式中央控制及工业级图像高速传输控制技术，基于CCD/CMOS与DSP/FPGA的图像识别与处理技术，成功建立了光电检测系统。应用模糊控制的精选参数自整定技术，使系统具有对精确检测的自适应调整,实现产品的自动分选功能。 图1 控制系统流程图 光电检测系统主要通过检测被检物的一些特征参数(灰度分布,RGB分值等)，从而将缺陷信息从物体中准确地识别出来，通过后续的系统进行下一步操作，主要分为以下几部分 CCD/CMOS图像采集部分 系统图像数据采集处理板中光信号检测元件CCD/CMOS采用进口的适合于高精度检测的动态分析单路输出型、保证实际数据输出速率为320MB/s的面阵CCD/CMOS。像素分别为4000*3000和1600*1200，帧率达到10FPS。使用CCD/CMOS 作为输入图像传感器，从而实现了图像信息从空间域到时间域的变换。为了保证所需的检测精度，需要确定合理的分辨率。根据被检测产品的大小,初步确定系统设计分辨率为像素为0.2mm。将CCD/CMOS接收的光强信号转换成电压幅值，再经过A/D转换后由DSP/ FPGA芯片进行信号采集，即视频信号的量化处理过程，图像采集处理过程如图所示：

图2 图像采集处理过程 数据处理部分 在自动检测中，是利用基于分割的图像匹配算法来进行图像的配对为基础的。图像分割的任务是将图像分解成互不相交的一些区域，每一个区域都满足特定区域的一致性，且是连通的，不同的区域有某种显著的差异性。分割后根据每个区域的特征来进行图像匹配，基于特征的匹配方法一般分为四个步骤：特征检测、建立特征描述、特征匹配、利用匹配的“特征对”求取图像配准模型参数。 算法基本步骤如下: 1)利用图像的色彩、灰度、边缘、纹理等信息对异源图像分别进行分割，提取区域特征； 2)进行搜索匹配，在每一匹配位置将实时图与基准图的分割结果进行融合，得到综合分割结果； 3)利用分割相似度描述或最小新增边缘准则找出正确匹配位置。 设实时图像分割为m个区域，用符号{A1，A2，… Am}表示，其异源基准图像分割为n个区域，用符号{B1，B2，…Bn}表示。分割结果融合方法如下: 在每一个匹配位置，即假设的图像点对应关系成立时，图像点既位于实时图中，又位于其异源基准图像中，则融合后区域点的标识记为：（A1B1，A1B2，…，A2B1，A2B2，…）。标识AiBj表示该点在实时图中位于区域i，在基准图中位于区域j。算法匹配过程如下图所示：

模糊数学简介及入门

模糊数学简介 模糊数学是数学中的一门新兴学科，其前途未可限量。1965年，《模糊集合》的论文发表了。作者是著名控制论专家、美国加利福尼亚州立大学的扎德（L.A.Zadeh）教授。康托的集合论已成为现代数学的基础，如今有人要修改集合的概念，当然是一件破天荒的事。扎德的模糊集的概念奠定了模糊性理论的基础。这一理论由于在处理复杂系统特别是有人干预的系统方面的简捷与有力，某种程度上弥补了经典数学与统计数学的不足，迅速受到广泛的重视。近40年来，这个领域从理论到应用，从软技术到硬技术都取得了丰硕成果，对相关领域和技术特别是一些高新技术的发展产生了日益显著的影响。有一个古老的希腊悖论，是这样说的：“一粒种子肯定不叫一堆，两粒也不是，三粒也不是……另一方面，所有的人都同意，一亿粒种子肯定叫一堆。那么，适当的界限在哪里？我们能不能说，123585粒种子不叫一堆而123586粒就构成一堆？”确实，“一粒”和“一堆”是有区别的两个概念。但是，它们的区别是逐渐的，而不是突变的，两者之间并不存在明确的界限。换句话说，“一堆”这个概念带有某种程度的模糊性。类似的概念，如“年老”、“高个子”、“年轻人”、“很大”、“聪明”、“漂亮的人”、“价廉物美”等等，不胜枚举。经典集合论中，在确定一个元素是否属于某集合时，只能有两种回答：“是”或者“不是”。我们可以用两个值0或1加以描述，属于集合的元素用1表示，不属于集合的元素用0表示。然而上面提到的“年老”、“高个子”、“年轻人”、“很大”、“聪明”、“漂亮的人”、“价廉物美”等情况要复杂得多。假如规定身高1.8米算属于高个子范围，那么，1.79米的算不算？照经典集合论的观点看：不算。但这似乎很有些悖于情理。如果用一个圆，以圆内和圆周上的点表示集A，而且圆外的点表示不属于A。A的边界显然是圆周。这是经典集合的图示。现在，设想将高个子的集合用图表示，则它的边界将是模糊的，即可变的。因为一个元素（例如身高1.75米的人）虽然不是100%的高个子，却还算比较高，在某种程度上属于高个子集合。这时一个元素是否属于集合，不能光用0和1两个数字表示，而可以取0和1之间的任何实数。例如对1.75米的身高，可以说具有70%属于高个子集合的程度。这样做似乎罗嗦，但却比较合乎实际。精确和模糊，是一对矛盾。根据不同情况有时要求精确，有时要求模糊。比如打仗，指挥员下达命令：“拂晓发起总攻。”这就乱套了。这时，一定要求精确：“×月×日清晨六时正发起总攻。”我们在一些旧电影中还能看到各个阵地的指挥员在接受命令前对对表的镜头，生怕出个半分十秒的误差。但是，物极必反。如果事事要求精确，人们就简直无法顺利的交流思想——两人见面，问：“你好吗？”可是，什么叫“好”，又有谁能给“好”下个精确的定义？有些现象本质上就是模糊的，如果硬要使之精确，自然难以符合实际。例如，考核学生成绩，规定满60分为合格。但是，59分和60分之间究竟有多大差异，仅据1分之差来区别及格和不及格，其根据是不充分的。不仅普遍存在着边界模糊的集合，就是人类的思维，也带有模糊的特色。有些现象是精确的，但是，适当的模糊化可能使问题得到简化，灵活性大为提高。例如，在地里摘玉米，若要找一个最大的，那很麻烦，而且近乎迂腐。我们必须把玉米地里所有的玉米都测量一下，再加以比较才能确定。它的工作量跟玉米地面积成正比。土地面积越大，工作越困难。然而，只要稍为改变一下问题的提法：不要求找最大的玉米，而是找比较大的，即按通常的说法，到地里摘个大玉米。这时，问题从精确变成了模糊，但同时也从不必要的复杂变成意外的简单，挑不多的几个就可以满足要求。工作量甚至跟土地无关。因此，过分的精确实际成了迂腐，适当的模糊反而灵活。显然，玉米的大小，取决于它的长度、体积和重量。大小虽是模糊概念，但长度、体积、重量等在理论上都可以是精确的。然而，人们在实际判断玉米大小时，通常并不需

关于模糊控制理论的综述

物理与电子工程学院 《人工智能》 课程设计报告 课题名称关于模糊控制理论的综述 专业自动化 班级 11级3班 学生姓名郑艳伟 学号 指导教师崔明月 成绩 2014年6月18日

关于模糊控制理论的综述 摘要：模糊控制方法是智能控制的重要组成部分，本文简要回顾了模糊控 制理论的发展，详细介绍了模糊控制理论的原理和模糊控制器的设计步骤， 分析了模糊控制理论的优缺点以及模糊控制需要完善或继续研究的内容，根 据各种模糊控制器的不同特点，对模糊控制在电力系统中的应用进行了分 类，并分析了各类模糊控制器的应用效能.最后，展望了模糊控制的发展趋 势与动态. 关键词：模糊控制；模糊控制理论；模糊控制系统；模糊控制理论的发展模糊控制是以模糊集理论、模糊语言变量和模糊控制逻辑推理为基础的一种智能控制方法，从行为上模拟人的思维方式，对难建模的对象实施模糊推理和决策的一种控制方法.模糊控制作为智能领域中最具有实际意义的一种控制方法，已经在工业控制领域、电力系统、家用电器自动化等领域中解决了很多的问题，引起了越来越多的工程技术人员的兴趣. 模糊控制系统简介 模糊控制系统是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术.1965年美国的扎德[1]创立了模糊集合论, 1973 年, 他给出了模糊逻辑控制的定义和相关的定理.1974 年英国的Mamdani 首先用模糊控制语句组成模糊控制器,并把它用于锅炉和蒸汽机的控制, 在实验室获得成功, 这一开拓性的工作标志着模糊控制论的诞生. 模糊控制系统主要是模拟人的思维、推理和判断的一种控制方法, 它将人的经验、常识等用自然语言的形式表达出来, 建立一种适用于计算机处理的输入输出过程模型, 是智能控制的一个重要研究领域.从信息技术的观点来看, 模糊控制是一种基于规则的专家系统.从控制系统技术的观点来看, 模糊控制是一种普遍的非线性特征域控制器. 相对传统控制, 包括经典控制理论与现代控制理论.模糊控制能避开对象的数学模型(如状态方程或传递函数等) , 它力图对人们关于某个控制问题的成功与失败和经验进行加工, 总结出知识, 从中提炼出控制规则, 用一系列多维模糊条件语句构造系统的模糊语言变量模型, 应用CRI 等各类模糊推理方法,

人脸识别主要算法原理

人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。

可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）

Fuzzy模糊数学-共5节-电子书---讲义

模糊数学 第1节模糊聚类分析 第2节模糊模式识别 第3节模糊相似优先比方法 第4节模糊综合评判 第5节模糊关系方程求解 在自然科学或社会科学研究中,存在着许多定义不很严格或者说具有模糊性的概念。这里所谓的模糊性，主要是指客观事物的差异在中间过渡中的不分明性，如某一生态条件对某种害虫、某种作物的存活或适应性可以评价为“有利、比较有利、不那么有利、不利”；灾害性霜冻气候对农业产量的影响程度为“较重、严重、很严重”，等等。这些通常是本来就属于模糊的概念，为处理分析这些“模糊”概念的数据，便产生了模糊集合论。 根据集合论的要求，一个对象对应于一个集合，要么属于，要么不属于，二者必居其一，且仅居其一。这样的集合论本身并无法处理具体的模糊概念。为处理这些模糊概念而进行的种种努力，催生了模糊数学。模糊数学的理论基础是模糊集。模糊集的理论是1965年美国自动控制专家查德(L. A. Zadeh)教授首先提出来的，近10多年来发展很快。 模糊集合论的提出虽然较晚，但目前在各个领域的应用十分广泛。实践证明，模糊数学在农业中主要用于病虫测报、种植区划、品种选育等方面，在图像识别、天气预报、地质地震、交通运输、医疗诊断、信息控制、人工智能等诸多领域的应用也已初见成效。从该学科的发展趋势来看，它具有极其强大的生命力和渗透力。 在侧重于应用的模糊数学分析中，经常应用到聚类分析、模式识别和综合评判等方法。在DPS系统中，我们将模糊数学的分析方法与一般常规统计方法区别开来，列专章介绍其分析原理及系统设计的有关功能模块程序的操作要领，供用户参考和使用。 第1节模糊聚类分析 1. 模糊集的概念 对于一个普通的集合A，空间中任一元素x，要么x∈A，要么x?A，二者必居其一。这一特征可用一个函数表示为： A x x A x A ()= ∈ ?? ? ? 1 A(x)即为集合A的特征函数。将特征函数推广到模糊集，在普通集合中只取0、1两值推广到模糊集中为[0, 1]区间。 定义1 设X为全域，若A为X上取值[0, 1]的一个函数，则称A为模糊集。 如给5个同学的性格稳重程度打分，按百分制给分，再除以100，这样给定了一个从域X=｛x1 , x2 , x3 , x4, x5｝到[0, 1]闭区间的映射。 x1：85分，即A(x1)=0.85 x2：75分，A(x2)=0.75 x3：98分，A(x3)=0.98 x4：30分，A(x4)=0.30 x5：60分，A(x5)=0.60

模糊控制的基本原理

模糊控制的基本原理 模糊控制是以模糊集合理论、模糊语言及模糊逻辑为基础的控制，它是模糊数学在控制系统中的应用，是一种非线性智能控制。 模糊控制是利用人的知识对控制对象进行控制的一种方法，通常用“if条件，then结果”的形式来表现，所以又通俗地称为语言控制。一般用于无法以严密的数学表示的控制对象模型，即可利用人（熟练专家）的经验和知识来很好地控制。因此，利用人的智力，模糊地进行系统控制的方法就是模糊控制。模糊控制的基本原理如图所示： i .......... 濮鬧挖制器.. (1) 模糊控制系统原理框图 它的核心部分为模糊控制器。模糊控制器的控制规律由计算机的程序实现，实现一步模糊控制算法的过程是：微机采样获取被控制量的精确值，然后将此量与给定值比较得到误差信号E; —般选误差信号E作为模糊控制器的一个输入量，把E 的精确量进行模糊量化变成模糊量，误差E的模糊量可用相应的模糊语言表示；从而得到误差E的模糊语言集合的一个子集e（e实际上是一个模糊向量）; 再由e和模糊控制规则R（模糊关系）根据推理的合成规则进行模糊决策，得到模糊控制量u 为： u R 式中u为一个模糊量；为了对被控对象施加精确的控制，还需要将模糊量u 进行非模糊化处理转换为精确量：得到精确数字量后，经数模转换变为精确的模拟量送给执行机构，对被控对象进行一步控制；然后，进行第二次采样，完成第二步控制 %二这样循环下去，■就实现了被控对象的模糊控制「..................... ""模糊控制（FUZZy Control/是'以模糊集合理论"模糊语言变量和模'糊逻辑推理''' 为基础的一种计算机数字控制。模糊控制同常规的控制方案相比，主要特点有：（1）模糊控制只要求掌握现场操作人员或有关专家的经验、知识或操作数据， 不需要建立过程的数学模型，所以适用于不易获得精确数学模型的被控过程，或结构参数不很清楚等场合。 （2）模糊控制是一种语言变量控制器，其控制规则只用语言变量的形式定性的表达，不用传递函数与状态方程，只要对人们的经验加以总结，进而从中提炼出规则，直接给出语言变量，再应用推理方法进行观察与控制。 （3）系统的鲁棒性强，尤其适用于时变、非线性、时延系统的控制。 ⑷ 从不同的观点出发，可以设计不同的目标函数，其语言控制规则分别是独立的，但是整个系统的设计可得到总体的协调控制。 它是处理推理系统和控制系统中不精确和不确定性问题的一种有效方法，同

人脸识别主要算法原理

人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧 面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。

可变形模板法可以视为几何特征方法的一种改进，其基本思想是: 设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的 基础。 3. 特征脸方法（Eigenface或PCA）

模糊控制原理与应用实验分析

模糊控制原理与应用 实验讲义 实验学时： 4 单位：电信学院 撰写人：谢仕宏 审核：周强、亢洁、王素娥

题目：模糊控制系统建模与仿真分析 (3) 一、实验目的 (3) 二、实验学时：4学时 (3) 三、实验原理 (3) 四、实验内容 (9)

题目：模糊控制系统建模与仿真分析 一、实验目的 1、熟悉Matlab软件的基本操作方法 2、掌握用matlab/Fuzzy logic toolbox进行模糊控制系统建模仿真的基本方法。 3、熟悉模糊控制系统设计的基本方法 二、实验学时：4学时 三、实验原理 MATLAB R2008提供了建立模糊逻辑推理系统的仿真工具箱——Fuzzy Logic Toolbox，版本为Fuzzy Logic Toolbox2.2.7。建立模糊逻辑推理系统有两种基本方法，第一种方法是借助模糊推理系统编辑器（Fuzzy Logic Editor）的图形界面工具建立模糊逻辑推理系统，第二种方法是利用命令建立模糊逻辑推理系统。第一种方法使用简单、建模方便，适合于初学模糊逻辑控制系统建模与仿真的读者。第二种方法稍难一些，但对深入了解模糊逻辑推理系统的MATLAB仿真知识大有帮助。下面分别讲述两种方法，读者可自行选择阅读。 1模糊逻辑工具箱图形界面工具 模糊逻辑工具箱图形工具是为了方便用户建立模糊推理系统而推出的图形化设计工具，在这里可快速方便的建立模糊推理系统并观测模糊规则、推理输出等。模糊逻辑推理图形工具主要包括：基本模糊推理系统编辑器（fuzzy）、隶属函数编辑器（mfedit）、模糊规则编辑器（ruleedit）、模糊规则观测器（ruleview）、模糊推理输入输出曲面观测器（surfview）。下面分别介绍它们的基本使用方法。 1.1基本模糊推理系统编辑器 在Command Windows输入“fuzzy”命令，弹出如下图 1所示的“FIS Editor”（模糊推理系统编辑器）窗口。在这里可以对包括输入、输出模糊语言变量的名称、模糊推理系统的类型和名称、模糊逻辑推理的各种运算（与、或、蕴含、规则合成、解模糊化）等高层属性进行编辑。同时,还可以打开模糊推理系统的隶属函数编辑器（mfedit）、模糊规则编辑器（ruleedit）、模糊规则观测器（ruleview）、模糊推理输入输出曲面观测器（surfview）。

图像识别技术浅析

图像识别技术浅析 Analysis of Image Recognition Technology 刘峰伯软件学院2010544029 【摘要】:本文描述了图像识别系统的结构与工作原理，在对图像预处理、特征提取、分类、图像匹配算法进行深入研究和分析的基础上，分析和比较了各种算法的优缺点，并讨论了其中的关键技术。 【关键词】：图像识别；预处理；特征提取；匹配 【Abstract】This paper describes the structure and working principle of an image recognition system. The advantages and disadvantages of various a1gorithms are compared on the basis of in-depth analysis of the image pre-processing, feature extraction, classification and image matching algorithms, and discussed the key technology. 【Key Word】Image Recognition；Pre-Processing；Feature Extraction；Matchi ng. 一、引言 图像识别，是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。随着计算机技术与信息技术的发展，图像识别技术获得了越来越广泛的应用。例如医疗诊断中各种医学图片的分析与识别、天气预报中的卫星云图识别、遥感图片识别、指纹识别、脸谱识别等，图像识别技术越来越多地渗透到我们的日常生活中。 二、图像识别系统 1、概述 自动图像识别系统的过程分为五部分：图像输入、预处理、特征提取、分类和匹配，其中预处理又可分为图像分割、图像增强、二值化和细化等几个部分。 （1）图像输入 将图像采集下来输入计算机进行处理是图像识别的首要步骤。 （2）预处理 为了减少后续算法的复杂度和提高效率，图像的预处理是必不可少的。其中

人脸识别几种解决方案的对比_人脸识别技术原理介绍

人脸识别几种解决方案的对比_人脸识别技术原理介绍 人脸识别概要人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别特点非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有强制性； 非接触性：用户不需要和设备直接接触就能获取人脸图像； 并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别； 除此之外，还符合视觉特性：以貌识人的特性，以及操作简单、结果直观、隐蔽性好等特点。 人脸识别技术原理分析人脸识别主要分为人脸检测（face detecTIon）、特征提取（feature extracTIon）和人脸识别（face recogniTIon）三个过程。 人脸检测：人脸检测是指从输入图像中检测并提取人脸图像，通常采用haar特征和Adaboost算法训练级联分类器对图像中的每一块进行分类。如果某一矩形区域通过了级联分类器，则被判别为人脸图像。 特征提取：特征提取是指通过一些数字来表征人脸信息，这些数字就是我们要提取的特征。常见的人脸特征分为两类，一类是几何特征，另一类是表征特征。几何特征是指眼睛、鼻子和嘴等面部特征之间的几何关系，如距离、面积和角度等。由于算法利用了一些直观的特征，计算量小。 不过，由于其所需的特征点不能精确选择，限制了它的应用范围。另外，当光照变化、人脸有外物遮挡、面部表情变化时，特征变化较大。所以说，这类算法只适合于人脸图像的粗略识别，无法在实际中应用。 表征特征利用人脸图像的灰度信息，通过一些算法提取全局或局部特征。其中比较常用的特征提取算法是LBP算法。LBP方法首先将图像分成若干区域，在每个区域的像素640x960邻域中用中心值作阈值化，将结果看成是二进制数。

SIFT算法实现原理步骤

SIFT 算法实现步骤 ：1 关键点检测、2 关键点描述、3 关键点匹配、4 消除错配点 1关键点检测 1.1 建立尺度空间 根据文献《Scale-space theory: A basic tool for analysing structures at different scales 》我们可知，高斯核是唯一可以产生多尺度空间的核，一个图像的尺度空间，L （x,y,σ) ,定义为原始图像I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ) 卷积运算。 高斯函数 高斯金字塔 高斯金子塔的构建过程可分为两步： （1）对图像做高斯平滑； （2）对图像做降采样。 为了让尺度体现其连续性，在简单 下采样的基础上加上了高斯滤波。 一幅图像可以产生几组（octave ） 图像，一组图像包括几层 （interval ）图像。 高斯图像金字塔共o 组、s 层， 则有： σ——尺度空间坐标；s ——sub-level 层坐标；σ0——初始尺度；S ——每组层数（一般为3~5）。 当图像通过相机拍摄时，相机的镜头已经对图像进行了一次初始的模糊，所以根据高斯模糊的性质： -第0层尺度 --被相机镜头模糊后的尺度 高斯金字塔的组数: M 、N 分别为图像的行数和列数 高斯金字塔的组内尺度与组间尺度: 组内尺度是指同一组（octave ）内的尺度关系，组内相邻层尺度化简为： 组间尺度是指不同组直接的尺度关系，相邻组的尺度可化为： 最后可将组内和组间尺度归为： ()22221 ()(),,exp 22i i i i x x y y G x y σπσσ??-+-=- ? ??()()(),,,,*,L x y G x y I x y σσ=Octave 1 Octave 2 Octave 3 Octave 4 Octave 5σ2σ 4σ8 σ 0()2s S s σσ= g 0σ=init σpre σ()() 2log min ,3O M N ??=-?? 1 12S s s σσ+=g 1()2s S S o o s σσ++=g 222s S s S S o o σσ+=g g 121 2(,,,) i n k k k σσσσ--L 1 2 S k =

模糊数学理论论文

模糊综合评价法评价某河流水质 摘要：根据水环境发展现状和发展情况，采用模糊数学综合评价法根据有关规定和实测数据建立评价因素集、评语集，确定权向量，组合因素评价矩阵，确定隶属度，对河流的水质情况进行客观的评价，取隶属程度最大值所对应的等级作为河流的水质等级。 关键词：模糊综合评价因素评价矩阵隶属度 本题目只是采用了部分水污染因子来代表整体对河水进行评价。待测河流取样所得数据SS含量79，DO7.04， CDOMN 4.92,N NH 30.51,单位均为L mg/。试确定该河流的水质情 况属于哪一个等级？ 根据有关规定，水质分级标准如下表所示： 水质分级标准表（mg/L）

1、 建立评价对象因素数集),,,,,(54321u u u u u U =,水质等级评价集合 ）（,,,,,v V 54321v v v v =，通过比较实测数据与等级划分标准，只取前四个等级来判别，得到的矩阵： ????? ?? ?? ? ??= 1.5 1 0.5 0.158 6 4 23 5 6 7.5350 250 150 50A 评价对象T B )51.0,92.4,04.7,79(= 2、对数据进行标准化。这里采用单个只占总体的比值来进行标准化，评价集合A 进行标准化：∑== 4 1 ij c j ij ij a a 得到标准化矩阵 ????? ???? ???=4761905.03174603.01587302.0047619.04.03.02.01.04 .024.02.01600.04375.03125.01875.00.0625 C 按照这种方法对B 进行标准化得T D ) 1619.0,246.0,1705.0,09875.0(= 3、贴近度的计算。矩阵D 与矩阵C 某列的贴近度显示了该样本与某种等级的接近程度，程度高的可近似归为该等级。这里采用相对距离贴近度：), 4,3,2,1,4,3,2,1() min()max(1==--- =j i c c d c r ij ij i ij ij 由此可 以得到贴近度矩阵：? ? ?? ? ? ? ?? ? ??=0.2666556 0.6370259 0.9926037 0.7333440.4866667 0.82 0.8466667 0.5133330.04375 0.7104167 0.8770833 0.956250.0966667 0.43 0.7633333 0.903333R 4、权向量的计算。在水环境评价中，污染因子的数量越来越多，

PID控制与模糊控制比较

PID控制与模糊控制的比较 专业：控制理论与控制工程 班级：级班 姓名：X X X 学号： xxxxxxxxxxxxxx

摘要：介绍了PID控制系统和模糊控制系统的工作原理。PID控制器结构简单，实现简单，控制效果良好，已经得到了广泛的应用。而模糊控制器相对复杂，但在许多的智能化家用电器中也得到了大量应用。但对于一个简单的系统来讲，哪一种控制方法更好，是不是越智能的控制就能得到越好的效果。 关键词：PID控制，模糊控制，比较

Abstract: Introduced the working principle of PID control system and fuzzy control system. PID controller structure is simple, implementation is simple, the control effect is good, has been widely used. And fuzzy controller is relatively complicated, but in a lot of intelligent household appliances also received a large number of applications. But for a simple system, which kind of control method is better, is weather the intelligent control can obtain the good effect. Key words: PID control, fuzzy control, compare

车牌识别系统工作原理流程

识别流程 车牌自动识别是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。 其硬件基础一般包括触发设备（监测车辆是否进入视野）、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机（如计算机）等，其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。 某些车牌识别系统还具有通过视频图像判断是否有车的功能称之为视频车辆检测。 一个完整的车牌识别系统应包括车辆检测、图像采集、车牌识别等几部分。 当车辆检测部分检测到车辆到达时触发图像采集单元，采集当前的视频图像。车牌识别单元对图像进行处理，定位出牌照位置，再将牌照中的字符分割出来进行识别，然后组成牌照号码输出。 车辆检测 车辆检测可以采用埋地线圈检测、红外检测、雷达检测技术、视频检测等多种方式。 采用视频检测可以避免破坏路面、不必附加外部检测设备、不需矫正触发位置、节省

开支，而且更适合移动式、便携式应用的要求。 系统进行视频车辆检测，需要具备很高的处理速度并采用优秀的算法，在基本不丢帧的情况下实现图像采集、处理。 若处理速度慢，则导致丢帧，使系统无法检测到行驶速度较快的车辆，同时也难以保证在有利于识别的位置开始识别处理，影响系统识别率。因此，将视频车辆检测与牌照自动识别相结合具备一定的技术难度。 武汉车牌识别 号码识别 为了进行车牌识别，需要以下几个基本的步骤： 1、牌照定位，定位图片中的牌照位置； 2、牌照字符分割，把牌照中的字符分割出来； 3、牌照字符识别，把分割好的字符进行识别，*终组成牌照号码。 车牌识别过程中，牌照颜色的识别依据算法不同，可能在上述不同步骤实现，通常与车牌识别互相配合、互相验证。

模糊控制的原理

模糊控制是一种以模糊集合论、模糊语言变量以及模糊推理为数学基础的新型计算机 控制方法。显然，模糊控制的基础是模糊数学，模糊控制的实现手段是计算机。本章 着重介绍模糊控制的基本思想、模糊控制的基本原理、模糊控制器的基本设计方法和 模糊控制系统的性能分析。 随着科学技术的飞速发展，在那些复杂的、多因素影响的严重非线性、不确定性、多 变性的大系统中，传统的控制理论和控制方法越来越显示出局限性。长期以来，人们 期望以人类思维的控制方案为基础，创造出一种能反映人类经验的控制过程知识，并 可以达到控制目的，能够利用某种形式表示出来，而且这种形式既能取代那种精密、 反复、有错误倾向的模型建造过程，又能避免精密的估计模型方程中各种方案的过程，同时还很容易被实现的、简单而灵活的控制方式。于是，模糊控制理论及其技术便应 运而生。 模糊数学的鼻祖——美国加利福尼亚大学电气工程系教授扎德(L．A．zadeh)于1965 年首次提出了“模糊集合”的概念，1973年又进一步研究了模糊语言处理，这些理论研究给模糊控制理论提供了数学依据，为模糊推理打下了理论基础，使得有人的经验 参与的控制过程成为了实际可能。1974年，英国伦敦大学教授马丹（E．H．MamdanU)制造出当时世界上第一个用于锅炉和蒸汽机控制的模糊控制器， 距今仅仅30来年，各种各样的模糊控制系统被研制成功，其发展之快、成果之多和被世人重视的程度都是少有的。各种各样的家用电器的控制系统，各种熔炉、电气炉、 水泥生成炉的控制系统，核能发电供水控制系统，汽车控制系统，电梯控制系统，机 器人控制系统，以及活跃于航空航天、通信领域的专家系统等模糊控制系统的广泛应 用取得了明显效益，与传统控制相比展示了无比的优越性。当前，模糊控制理论与技 术的深入研究和在美国、日本、中国、欧洲、东南亚等国家和地区的广泛应用引起人 们更广泛的关注. 1.1 模糊控制方法的研究现状 L.A.Zadeh基于其模糊集概念最早提出了简单模糊控制理论，简单模糊控制器和常规的控制器相比较具有无需建立被控对象的数学模型、对被控对象的非线性和时变性具有 一定的适应能力的特点，然而它也存在着一定的缺陷： (1)精度不太高。这主要是由于模糊控制表的量化等级有限而造成的，通过增加量化等级数目虽可提高精度，但查询 表将过于庞大，需占用较大空间，使运算时间增加。实际上，如果模糊控制器不引人 积分机制，原则上误差总是存在的。 (2)自适应能力有限。由于量化因子和比例因子都是固定的，当对象参数随环境的变迁而变化时，它不能对自己的控制规则进行有效的 调整，从而使其良好的性能不能得到充分的发挥。 (3)易产生振荡现象。如果查询表构造不合理，或量化因子和比例因子选择不当，都会产生振荡。

图像识别匹配技术原理要点

第1章绪论 1.1研究背景及意义 数字图像,又称数码图像或数位图像,就是二维图像用有限数字数值像素的表示。通常,像素在计算机中保存为二维整数数组的光栅图像,这些值经常用压缩格式进行传输与储存。数字图像可以由许多不同的输入设备与技术生成,例如数码相机、扫描仪、坐标测量机等,也可以从任意的非图像数据合成得到,例如数学函数或者三维几何模型,三维几何模型就是计算机图形学的一个主要分支。数字图像处理领域就就是研究它们的变换算法。 数字图像处理(Digital Image Processing)就是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法与技术。数字图像处理的产生与迅速发展主要受三个因素的影响:一就是计算机的发展;二就是数学的发展(特别就是离散数学理论的创立与完善);三就是广泛的农牧业、林业、环境、军事、工业与医学等方面的应用需求的增长。 图像配准(Image registration)就就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置与角度等)获取的两幅或多幅图像进行匹配、叠加的过程,它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。 图像配准的方法迄今为止,在国内外的图像处理研究领域,已经报道了相当多的图像配准研究工作,产生了不少图像配准方法。总的来说,各种方法都就是面向一定范围的应用领域,也具有各自的特点。比如计算机视觉中的景物匹配与飞行器定位系统中的地图匹配,依据其完成的主要功能而被称为目标检测与定位,根据其所采用的算法称之为图像相关等等。 基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理,而就是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点就是实现简单,但应用范围较窄,不能直接用于校正图像的非线性形变,在最优变换的搜索过程中往往需要巨大的运算量。经过几十年的发展,人们提出了许多基于灰度信息的图像配准方法,大致可以分为三类:互相关法(也称模板匹配法)、序贯相似度检测匹配法、交互信息法。 目前主要图像配准方法有基于互信息的配准方法,基于相关性的配准方法与基于梯度的配准方法。其中基于梯度的方法基本很少单独使用,而作为一个辅助

模糊数学基本知识

一．模糊数学的基础知识 1．模糊集、隶属函数及模糊集的运算。 普通集合A ，对x ?，有A x ∈或A x ?。 如果要进一步描述一个人属于年轻人的程度大小时，仅用特征函数就不够了。模糊集理论将普通集合的特征函数的值域推广到[0，1]闭区间内，取值的函数以度量这种程度的大小，这个函数（记为)(x E ）称为集合E 的隶属函数。即对于每一个元素x ，有[0,1]内的一个数)(x E 与之对应。 （1）模糊子集的定义：射给定论域U ，U 到[0，1]上的任一映射： ))((],1,0[:U u u A u U A ∈?→→ 都确定了U 上的一个模糊集合，简称为模糊子集。)(u A 称为元素u 属于模糊集A 的隶属度。映射所表示的函数称为隶属函数。 例如：设论域U=[0，100]，U 上的老年人这个集合就是模糊集合： ?? ? ??≤<-+≤=--10050,))550(1(50,0)(12u u u u A 若在集合U 上定义了一个隶属函数，则称E 为模糊集。 （2）模糊集合的表示：},.....,,{21n u u u U =，)(u A 称为元素u 属于模糊集A 的隶属度；则模糊集可以表示为：n n u u A u u A u u A A )(....) ()(2211+++= 。 或 )}(),.....,(),({21n u A u A u A A =，))}(,()),.....,(,()),(,{(2211n n u A u u A u u A u A =， （3）模糊集合的运算： )}(),.....,(),({21n u A u A u A A =，)}(),.....,(),({21n u B u B u B B =， 并集： )}()(),.....,()(),()({2211n n u B u A u B u A u B u A B A ∨∨∨=?， 交集：)}()(),.....,()(),()({2211n n u B u A u B u A u B u A B A ∧∧∧=?， 补集： )}(1),.....,(1),(1{21n c u A u A u A A ---=，