1：感測器
2：分割器 ：（如影象分割，把要識別的物體從混合物體中分離開）
3：特徵提取器： 提取到的特徵要保證同類不同樣本之間特徵值應該非常接近，不同類的樣本之間的特徵值有很大的差異p；還要 保證三個不變性（a.空間旋轉不變性（如物體在相機的不同角度拍攝得到的特徵的不變） b.平移不變性; c.尺度不 變性（就是物體的大小，物體在影象中大小對特徵值沒有太大的影響））。
4：分類器： 根據特徵提取器得到的特徵向量做類別標記。
特徵值得波動性：1問題複雜度 2雜訊
分類器的效能度量： 分類誤差率
5：後處理器
1：資料採集
2：特徵選擇
3：模型選擇
4：訓練
5：評估
模式識別 句法模式識別（1）
圖形或影象目標的形狀或結構千變萬化，目標 模式 的差異也在於其形狀或結構的不同，這種模式稱為結構模式，基於形狀或結構的模式識別稱為結構模式識別。數字影象處理學中，鏈碼是描述目標邊緣和輪廓的常用的編碼方法。用字元或符號的來表示影象目標的區域性邊緣的走向。freeman鏈碼 影象像元之間邊緣的走向用方向...
模式識別 統計模式識別（6）
上一節，我們討論了最小錯誤率分類器，接下來這一節我們將討論最小風險bayes分類器。1.問題提出 1.最小錯誤率bayes決策的最小錯誤率 概率意義上最優，在工程上是否是最優?2.錯誤分類的結果 代價或風險會是怎樣的？考慮癌細胞影象識別的例子 3.出錯的可能情況 正常細胞 1錯分為異常 2，異常細胞...
模式識別 統計模式識別（7）
上兩節我們介紹了最小錯誤率和最小風險bayes分類器，接下來談談最小最大決策。1.問題提出 假設c 2 現在我們假定一種情況，先驗概率未知或者不確定的前提，在這種前提下，絕對意義的最小風險不存在，這種情況下我們怎麼求bayes分類器。2.求解思路 雖然p 1 和p 2 未知，但我們可以假設他們確定，...