模式识别实例教学省公共课一等奖全国赛课获奖课件.pptx

第八章第八章 实例教学实例教学第1页8.1 应用统计决议肤色提取应用统计决议肤色提取8.1.1图像基础知识nHSI表色模型表色模型n面向彩色处理最惯用模型，符合人类视觉感受。面向彩色处理最惯用模型，符合人类视觉感受。H（Hue）色调（色相），表明物体是什么颜色。色调（色相），表明物体是什么颜色。S（Saturation）饱和度，表明该种颜色浓淡。饱和度，表明该种颜色浓淡。I（Intensity）亮度，与图像彩色信息无关。亮度，与图像彩色信息无关。nRGB模型与模型与HSI模型能够相互转换。模型能够相互转换。第2页8.1.2样本获取 原始图像 H H分量分量 S S分量分量 I I分量分量因为因为H H分量很好区分了肤色与背分量很好区分了肤色与背景，所以选景，所以选H H分量图像中像素点分量图像中像素点作为样本。作为样本。第3页8.1.3样本学习样本学习 H分量H分量二值化图皮肤点数先验概率：皮肤点数先验概率：P P（1 1）=是皮肤像素点数是皮肤像素点数 /全部像素点数全部像素点数 =7.99%=7.99%非皮肤点数先验概率：非皮肤点数先验概率：P P（2 2）=不是皮肤像素点不是皮肤像素点数数 /全部像素点数全部像素点数=92.01%=92.01%（1 1）计算先验概率：）计算先验概率：图像二值化，为图像二值化，为1 1是皮是皮肤，为肤，为0 0是背景。是背景。第4页（2 2）计算类条件概率密度：）计算类条件概率密度：计算计算H H分量图像中皮肤区域直方图，就是皮肤类条件分量图像中皮肤区域直方图，就是皮肤类条件概率密度；计算概率密度；计算H H分量图像中非皮肤区域直方图，就分量图像中非皮肤区域直方图，就是非皮肤类条件概率密度。是非皮肤类条件概率密度。非皮肤类条件概率密度非皮肤类条件概率密度 皮肤类条件概率密度皮肤类条件概率密度 横坐标是像素点可能灰度值（将灰度量化成了横坐标是像素点可能灰度值（将灰度量化成了8等分），纵坐标是对应区域中灰度值为等分），纵坐标是对应区域中灰度值为横坐标值像素点数。横坐标值像素点数。P(x|1):0.9855 0.0143 0 0 0 0 0 0.0002 P(x|2):0.0790 0.7820 0.0742 0.0192 0.0199 0.0074 0.0072 0.0108第5页8.1.4模式分类模式分类 输入下列图，用最小误判概率准则和最小损失输入下列图，用最小误判概率准则和最小损失准则判决判断每个像素点是否是皮肤。准则判决判断每个像素点是否是皮肤。待分类图像 H分量第6页a)最小误判概率准则最小误判概率准则判断每个像素点是否使皮肤。判断每个像素点是否使皮肤。两类问题两类问题Bayes最小误判概率准则为最小误判概率准则为假如假如 ，则判，不然判，则判，不然判，x为为每个像素点灰度值，若该点属于皮肤，置位每个像素点灰度值，若该点属于皮肤，置位1；若不是；若不是皮肤，置位皮肤，置位0，得到下列图。，得到下列图。最小误判概率准则识别结果第7页b)b)最小损失准则最小损失准则 1111=0,=0,1212=10=10,2121=1,=1,2222=0=0 假如，则判，不然假如，则判，不然判。判。x x为每个像素点灰度值，若该点属为每个像素点灰度值，若该点属于皮肤，置位于皮肤，置位1 1；若不是皮肤，置位；若不是皮肤，置位0 0，得到下列，得到下列图。图。能够看出最小损能够看出最小损失准则得到皮肤更完失准则得到皮肤更完整，漏检率下降，不整，漏检率下降，不过将更多非皮肤点误过将更多非皮肤点误判为皮肤，虚警率增判为皮肤，虚警率增加。加。最小损失准则识别结果第8页8.2 车牌识别车牌识别 第9页8.2.1车牌相关知识 英文字母中英文字母中I I和和O O普通避而不用，以免和数字中普通避而不用，以免和数字中1 1和和0 0混混同。同。车牌大小为车牌大小为440*140mm440*140mm。汉字字体为黑体，数字和字母字体为国家公安部门开汉字字体为黑体，数字和字母字体为国家公安部门开发特殊字体。发特殊字体。第10页8.2.2 图像采集 第11页8.2.3车牌识别预处理(1)字符分割 第12页(2)字符细化 第13页1.特征选择与提取（1 1）特征空间向量选择）特征空间向量选择 因为车牌中字母和数字都有特定字体，且作为汽车因为车牌中字母和数字都有特定字体，且作为汽车“身份证身份证”，车牌，车牌制作过程严谨，相同字符形态区分不大，他们差异性和共同点都很显著。制作过程严谨，相同字符形态区分不大，他们差异性和共同点都很显著。基于上节描述设计准则，综合考虑了提取特征编程复杂度和特征对不一样基于上节描述设计准则，综合考虑了提取特征编程复杂度和特征对不一样字符区分度，本系统分别从字符形态、结构、笔画特点出发，采取了字符区分度，本系统分别从字符形态、结构、笔画特点出发，采取了4 4个个类别共类别共1010个特征值作为判断矢量依据（特征提取时均以细化后图像为基础）个特征值作为判断矢量依据（特征提取时均以细化后图像为基础）。字符重心判断：字符重心判断：字符重心位于上方字符重心位于上方/下方，分别计算字符上下半区像素数目，假如其下方，分别计算字符上下半区像素数目，假如其差值在一个固定小范围内差值在一个固定小范围内(试验得出此差值在试验得出此差值在0-200-20像素内为最正确像素内为最正确)，则该，则该特征值记为特征值记为2 2，上方偏多记为，上方偏多记为1 1，下方偏多记为，下方偏多记为3 3；字符重心位于左方字符重心位于左方/右方，分别计算字符左右半区像素数目，假如其右方，分别计算字符左右半区像素数目，假如其差值在一个固定小范围内差值在一个固定小范围内(试验得出此差值在试验得出此差值在0-200-20像素内为最正确像素内为最正确)，则该，则该特征值记为特征值记为2 2，左方偏多记为，左方偏多记为1 1，右方偏多记为，右方偏多记为3 3。特定位置扫描线特征：特定位置扫描线特征：图像垂直图像垂直1/31/3处扫描线穿越线条数目；处扫描线穿越线条数目；图像垂直图像垂直1/21/2处扫描线穿越线条数目；处扫描线穿越线条数目；图像垂直图像垂直2/32/3处扫描线穿越线条数目；处扫描线穿越线条数目；图像水平图像水平1/31/3处扫描线穿越线条数目；处扫描线穿越线条数目；图像水平图像水平2/32/3处扫描线穿越线条数目；处扫描线穿越线条数目；第14页 为了消除可能细化算法不完善影响，以上在计算穿越次数时均为为了消除可能细化算法不完善影响，以上在计算穿越次数时均为0-10-1改变改变次数。次数。笔画特征：笔画特征：字符中字符中“竖竖”数目，计算图像在水平方向上投影，投影点像素数目累加值数目，计算图像在水平方向上投影，投影点像素数目累加值超出超出1/31/3图像高度且无超出图像高度且无超出5 5像素中止，记为像素中止，记为“竖竖”数目加数目加1 1；字符中字符中“横横”数目，计算图像在垂直方向上投影，投影点像素数目累加值数目，计算图像在垂直方向上投影，投影点像素数目累加值超出超出1/31/3图像宽度且无超出图像宽度且无超出5 5像素中止，记为像素中止，记为“横横”数目加数目加1 1；在实际情况中，因为车牌图像并不总是标准，当出现倾斜、几何失真等在实际情况中，因为车牌图像并不总是标准，当出现倾斜、几何失真等情况时，字符中横或竖不可能全部投影在一点上，而是在一个小范围内密集情况时，字符中横或竖不可能全部投影在一点上，而是在一个小范围内密集分布。经过屡次尝试，结合车牌字符本身特点，本文将判定存在竖分布。经过屡次尝试，结合车牌字符本身特点，本文将判定存在竖/横笔画门横笔画门限值设为图像高度限值设为图像高度/宽度宽度1/31/3左右。左右。为了消除可能图像几何失真带来影响，计算笔画数目时均不重复计算为了消除可能图像几何失真带来影响，计算笔画数目时均不重复计算2020像素点以内笔画，既若该点存在横像素点以内笔画，既若该点存在横/竖，则在该投影方向上向下竖，则在该投影方向上向下/后移动后移动2020像像素继续判断。素继续判断。结构特征：结构特征：字符中存在闭合回路数目。利用递归实现区域生长算法，对全部独立连通字符中存在闭合回路数目。利用递归实现区域生长算法，对全部独立连通区域进行标号处理，最终将连通区域个数减一区域进行标号处理，最终将连通区域个数减一(外围背景区域也作为一个连通外围背景区域也作为一个连通区域被标号，需要在特征值中减去区域被标号，需要在特征值中减去)记为该特征值。记为该特征值。第15页（2 2）模板数据生成）模板数据生成考虑到车牌字符特殊性，无法使用Windows系统自带普通字体来作为标准模板。我们对拍摄到车牌图像进行以下处理，形成了标准模版数据。为了杜绝可能系统图像处理缺点，使用PhotoShop等商用软件将其调整为二值化图像；为了降低系统缩放函数可能存在不完善对画面失真影响，将不一样字符做成140*440标准图像，供系统提取特征值；使用程序中细化模块细化图像，并以特征提取模块计算标准图像特征值，将得出数据结果作为模板数据，以矩阵形式保留在template.ini文件中。第16页2.2.字符识别字符识别采取最小距离准则进行模板匹配识别。判决标准采取欧式距离最小准则，计算当前图形特征向量与34个特征向量(除字母I和O以外全部数字和字母，共34个)欧式距离，取其中最小为判决结果。于是待识别样品与模板k之间欧式距离dk为：其中距离最短者为：第17页对每一个样品判决过程为：遍历全部模板，计算其模板与样品间欧式距离，取最小值作为最终判决结果。假如最短距离小于某个要求阈值，则结果为这个最小值相对应类别；不然判定为无法识别。识别结果如图所表示 在本系统中，使用一个识别模块来识别当前样品，其算法流程图以下列图：第18页8.3纸币识别器纸币识别器 、数据采集数据采集、特征提取特征提取、训练学习训练学习、分类识别分类识别第19页8.3.1数据采集 纸币面额：5元，10元，20元，50元，100元第20页8.3.2特征提取与选择特征提取：长度、宽度、磁性、磁性特征提取：长度、宽度、磁性、磁性位置，光反射亮度、光透射亮度等位置，光反射亮度、光透射亮度等第21页8.3.38.3.3训练学习训练学习训练集：是一个已知样本集，在监督学习方法中，训练集：是一个已知样本集，在监督学习方法中，用它来开发出模式分类器。图中给出了对一个样本用它来开发出模式分类器。图中给出了对一个样本进行特征提取、分类学习过程进行特征提取、分类学习过程第22页8.3.4分类识别分类识别对测试集来进行分类识别，确定纸币面额及真伪。对测试集来进行分类识别，确定纸币面额及真伪。为了更加好地对模式识别系统性能进行评价，必须为了更加好地对模式识别系统性能进行评价，必须使用一组独立于训练集测试集对系统进行测试。使用一组独立于训练集测试集对系统进行测试。图中是对图中是对1010元纸币分类识别界面。元纸币分类识别界面。第23页8.4最近邻方法用于图像拼接最近邻方法用于图像拼接8.4.18.4.1图像获取图像获取获取有重合区域两幅图像，以下列图所表示：（a a）(b)(b)第24页8.4.2 特征提取特征提取n分别在两副图中用分别在两副图中用SIFT算法提取特征点，算法提取特征点，(a)图中特征图中特征点数为点数为5793，(b)图中特征点数为图中特征点数为3199。nScale Invariant Feature Transform，尺度不变量特，尺度不变量特征提取算法，简称征提取算法，简称 SIFT 算法，是一个提取控制点特征算法，是一个提取控制点特征经典算法（以下所说经典算法（以下所说“关键点关键点”（Keypoint）是文件）是文件1中提到说法，中提到说法，能够了解为控制点）。能够了解为控制点）。nSIFT算法提取算法提取SIFT特征向量详细含有以下特征：特征向量详细含有以下特征：SIFT特征是图像局部特征，其对旋转、尺度缩放、亮度改变特征是图像局部特征，其对旋转、尺度缩放、亮度改变保持不变性，对视角改变、仿射变换、噪声也保持一定保持不变性，对视角改变、仿射变换、噪声也保持一定程度稳定；独特征程度稳定；独特征(Distinctiveness)好，信息量丰富，好，信息量丰富，适合用于在海量特征数据库中进行快速、准确匹配；多适合用于在海量特征数据库中进行快速、准确匹配；多量性，即使少数几个物体也能够产生大量量性，即使少数几个物体也能够产生大量SIFT特征向量；特征向量；高速性，经优化高速性，经优化SIFT匹配算法甚至能够到达实时要求；匹配算法甚至能够到达实时要求；可扩展性，能够很方便与其它形式特征向量进行联合。可扩展性，能够很方便与其它形式特征向量进行联合。第25页nSIFT SIFT 算法首先在尺度空间进行特征检测，并确定关算法首先在尺度空间进行特征检测，并确定关键点位置和关键点所处尺度，然后使用关键点邻域键点位置和关键点所处尺度，然后使用关键点邻域梯度主方向作为该点方向特征，以实现算子对尺度梯度主方向作为该点方向特征，以实现算子对尺度和方向无关性。主要计算步骤以下：和方向无关性。主要计算步骤以下：n尺度空间极值检测：搜索整个尺度和图像位置。经过尺度空间极值检测：搜索整个尺度和图像位置。经过使用高斯差分函数（使用高斯差分函数（Difference of GaussianDifference of Gaussian）确）确定对尺度和方向含有不变性兴趣点。以初步确定关定对尺度和方向含有不变性兴趣点。以初步确定关键点位置和所在尺度。键点位置和所在尺度。n关键点定位：在每一个候选位置，详细地模型拟合以关键点定位：在每一个候选位置，详细地模型拟合以确定位置和尺度。依据稳定性选择关键点。经过拟确定位置和尺度。依据稳定性选择关键点。经过拟合三维二次函数以准确确定关键点位置和尺度，同合三维二次函数以准确确定关键点位置和尺度，同时消除低对比度关键点和不稳定边缘响应点时消除低对比度关键点和不稳定边缘响应点(因为高因为高斯差分算子会产生较强边缘响应斯差分算子会产生较强边缘响应)，以增强匹配稳定，以增强匹配稳定性、提升抗噪声能力。性、提升抗噪声能力。第26页n方向分配：每一个关键点依据局部图像梯度方向分配一个或多个方向分配：每一个关键点依据局部图像梯度方向分配一个或多个方向。其后全部操作都依据分配方向、尺度、位置。利用关键点方向。其后全部操作都依据分配方向、尺度、位置。利用关键点邻域像素梯度方向分布特征为每个关键点指定方向参数，使算子邻域像素梯度方向分布特征为每个关键点指定方向参数，使算子具备旋转不变性。具备旋转不变性。n关键点描述符：在每个关键点周围在选定尺度下测量局部图像梯关键点描述符：在每个关键点周围在选定尺度下测量局部图像梯度。为了增强匹配稳健性，对每个关键点使用度。为了增强匹配稳健性，对每个关键点使用44共共16个种子点个种子点来描述，这么对于一个关键点就能够产生来描述，这么对于一个关键点就能够产生128个数据，最终形成个数据，最终形成128维维SIFT特征向量。特征向量。n其中第一步骤里高斯差分函数是这么定义：其中第一步骤里高斯差分函数是这么定义：n高斯卷积核是实现尺度变换唯一线性核，于是一副二维图像尺度高斯卷积核是实现尺度变换唯一线性核，于是一副二维图像尺度空间定义为：空间定义为：n n其中其中 是尺度可变高斯函数，是尺度可变高斯函数，n n（x，y）是空间坐标，是尺度坐标。）是空间坐标，是尺度坐标。第27页n为了有效在尺度空间检测到稳定关键点，提出了高斯为了有效在尺度空间检测到稳定关键点，提出了高斯差分尺度空间（差分尺度空间（DOG scale-space）。利用不一样尺）。利用不一样尺度高斯差分核与图像卷积生成。度高斯差分核与图像卷积生成。n以上就是高斯差分函数计算式。高斯差分函数以上就是高斯差分函数计算式。高斯差分函数（Difference of Gaussian）计算比较简单，是尺度）计算比较简单，是尺度归一化拉普拉斯归一化拉普拉斯-高斯算子近似。图像经过高斯差分算高斯算子近似。图像经过高斯差分算子计算，能够像用子计算，能够像用Sobel 算子计算时一样，提取局部算子计算时一样，提取局部极值点作为控制点。极值点作为控制点。n下面用下列图形象地描述下面用下列图形象地描述SIFT 算法中第三步和第四步算法中第三步和第四步过程。过程。第28页nSIFT算法形象表示图算法形象表示图 如图所表示，在控制点（左图中心点）周围如图所表示，在控制点（左图中心点）周围8888邻域邻域内，每个点梯度大小和方向均为已知，中央点为当前控内，每个点梯度大小和方向均为已知，中央点为当前控制点位置，每个小方格代表控制点邻域所在尺度空间一制点位置，每个小方格代表控制点邻域所在尺度空间一个像素，箭头方向代表该像素梯度方向，箭头长度代表个像素，箭头方向代表该像素梯度方向，箭头长度代表梯度模值（注：实际应用中，中心点也是像素点，所以梯度模值（注：实际应用中，中心点也是像素点，所以可将左图中靠近中心四个像素点选出一个作为中心点）。可将左图中靠近中心四个像素点选出一个作为中心点）。然后依据像素点和中心点远近距离来进行高斯函数加权，然后依据像素点和中心点远近距离来进行高斯函数加权，左图圆圈表示高斯函数加权范围。左图圆圈表示高斯函数加权范围。第29页 加权方法以下：对圆圈内每个像素点对应梯度，令其方向不变，使其梯度模值乘以加权系数。n其中用来确定高斯函数加权范围，是因为 所以在上图中，能够近似，即。其中和是所考查像素点与中心点X方向和Y方向坐标差值。n加权完成后，将88邻域分块进行梯度直方图统计。梯度直方图统计方法以下：如左图所表示粗线将邻域分成4块，每一块里都含有16个像素点。接下来给定梯度8个方向，如右图所表示，将左图每一块里各个像素点所对应梯度，归类到8个给定方向。再将归为一类梯度模值求和，就得到如右图所表示8个方向长短不一梯度直方图了。n如此进行得到控制点周围4个梯度直方图，将这4个直方图化为向量，再将其首尾相连，就成为控制点32位SIFT特征向量。n以上就是SIFT 算法大致思绪。这种邻域方向性信息联合思想增强了算法抗噪声能力，同时对于含有定位误差特征匹配也提供了很好容错性。第30页8.4.3 8.4.3 特征匹配特征匹配 对图对图(a)(a)中中57935793个点，依次用最近邻方法个点，依次用最近邻方法K-NNK-NN算法，在图算法，在图(b)(b)中中31993199个点中寻找与个点中寻找与(a)(a)每个点最每个点最正确配对点，即属于同一类点，没有匹配上点删正确配对点，即属于同一类点，没有匹配上点删除。试验结果为找到了除。试验结果为找到了5656对匹配点，以下列图所对匹配点，以下列图所表示。表示。第31页8.4.4 图像拼接图像拼接经过56对匹配点，将两幅图像拼接成下列图。第32页8.5从红外图像序列中识别目标从红外图像序列中识别目标n、跑步人识别跑步人识别n、船只识别船只识别n、车辆识别车辆识别第33页8.5.18.5.1 跑步人识别跑步人识别红外图像序列是由红外图像序列是由ECCO ENGNEERING CO.ECCO ENGNEERING CO.生产生产FLIRFLIR摄摄像机采集。监视状态下视场角为像机采集。监视状态下视场角为2013.32013.3度，分辨率度，分辨率800800线线 450 450线，帧频线，帧频30 Hz30 Hz。检测算法中运动强度。检测算法中运动强度系数取系数取4 4，位移系数取，位移系数取1010。在视场中能否检测出运动。在视场中能否检测出运动目标，与目标距离、运动速度和目标面积亲密相关。目标，与目标距离、运动速度和目标面积亲密相关。在一定距离上能检测目标运动速度和大小也有一个在一定距离上能检测目标运动速度和大小也有一个确定范围。测试结果以下：确定范围。测试结果以下：第34页8.5.2 8.5.2 船只识别船只识别 船只在海面上行驶时，海水、船只和天空在红外图像中特征各不一样，海水温度较低，灰度值较低，天空次之，灰度较高，船只温度最高，灰度最亮，所以在理想情况下，只要从红外图像中检测出最亮部分即可识别船只。然而，在实际图像中，海水、天空和船只在红外图像中灰度并不是均一，而是受强烈噪声干扰，噪声方差已到达几十个灰度级，所以简单门限分割是不可能处理问题，整个问题关键是怎样从强噪声环境中检测出分割门限。第35页下面我们来分析问题数学模型：我们把噪声视为高斯分布，设海水、天空和船只平均灰度分别为，对应方差为它们在整个图像所占面积百分比为则图像灰度分布概率密度函数 若依据输入图像灰度直方图得到灰度分布概率密度函数，能够依据贝叶斯准则得到海水、船只和天空之间分割门限。红外图像船只识别系统界面以下列图所表示：第36页8.5.3 车辆识别车辆识别n由红外传感器所获取运动车辆图像序列，具有强噪声、目标边缘含糊以及同一目标由于温度分布不均匀造成目标内部灰度变化剧烈等特点，这些特点使得许多常规图像分析和处理方法失效或效果不佳。其次，由于传感器与目标之间距离较近，运动目标在序列各幅图像中姿态变化比较剧烈，这也对目标检测识别和跟踪工作提出了挑战。我们从运动目标检测和跟踪两方面着手，解决了在红外图像序列中车辆捕捉及其姿态判定问题。第37页n上面上面4幅图像是我们从序列中抽取出来反应车辆在行驶幅图像是我们从序列中抽取出来反应车辆在行驶过程中不一样姿态：过程中不一样姿态：n 本系统能够从序列任意时刻开始进行运动目标检测和本系统能够从序列任意时刻开始进行运动目标检测和跟踪，准确地汇报目标位置和姿态，而且在传感器指向跟踪，准确地汇报目标位置和姿态，而且在传感器指向发生切换时，系统能够及时停顿跟踪，自动完成目标重发生切换时，系统能够及时停顿跟踪，自动完成目标重新检测识别，然后继续进行跟踪，对应测试结果以下：新检测识别，然后继续进行跟踪，对应测试结果以下：第38页8.6心电图自动诊疗心电图自动诊疗、心电自动诊疗介绍、心电自动诊疗介绍、预处理、预处理、特征提取与选择、特征提取与选择、心脏病诊疗、心脏病诊疗第39页8.6.1 心电自动诊疗介绍心脏病是威胁人类生命主要疾病之一，长久以来，对心脏病研究一直是医学界主要课题。人体心电图(Electrocardiograph，ECG，如图1所表示)作为心脏电活动在体表综合表现，蕴涵着丰富反应心脏节律及其电传导生理和病理信息，在一定程度上能够客观反应心脏各部位生理情况，是诊疗心脏疾病、评价心脏功效主要依据之一，尤其对于各种心律失常和传导障碍诊疗分析含有重大诊疗价值，是当前分析与判别各种心律失常最准确方法。第40页图1 正常经典心电波形图第41页n因为病态心电图种类繁多、变异极大，同种病理不一样患者心电图、甚至同一患者不一样时刻心电图都存在着较大差异；若医师长久从事大量图形识别工作，极易疲劳，轻易漏检、犯错。而且，人工进行心电信号分析都是事后分析，分析速度达不到准实时性要求。为了把医师从繁琐图形识别工作中解脱出来，将精力集中在异常心电波形识别和判断上，从而提升医疗诊疗效率、缩短诊疗时间，研究心电图计算机辅助分析算法，开发出一个功效强大心电信号自动分析系统，尤其是能够准确、快速地对心律失常病类进行判别系统，近年来越来越受到医务人员和科技人员重视。n心电信号自动分析是指在采集到ECG信号基础上，经过对其处理提取表征心脏状态波形信息和特征参数，获取心脏工作状态相关信息，然后利用这些特征信息分析、判别心电信号类型及所对应疾病类型或健康水平，进而对心脏状态和健康情况进行预测。整个心电信号自动分析流程如图2所表示。ECG预处理特征提取与选择波形分类疾病诊疗结果图2心电信号自动分析流程图n由图2可知，心电信号自动分析研究内容包含以下四个主要方面：一是心电 信号预处理技术研究；二是波形检测与特征点定位算法研究；三是心电 特征提取与选择方法研究；四是心电波形自动分类与疾病诊疗方法研究。第42页8.6.2 预处理n临床采集心电信号，尤其是动态心电信号，因为受试者所在环境、运动量和活动猛烈程度不一样，系统所采集ECG质量也不一样。心电信号是mV级微弱信号，在采集过程中，受人体运动、采集仪器、电磁环境等影响，不可防止地会引入许多噪声干扰，这些噪声主要有以下几个表现形式：工频干扰，基线漂移，肌电干扰，电极接触噪声，运动伪迹等。起源于心脏以外这些噪声信号以加性或乘性方式与心电信号相混杂，会引发ECG信号各种畸变，给准确检测和判断ECG信号带来极大困难。在以上各种噪声干扰中，工频干扰和基线漂移是最为普遍，也是心电信号预处理中必须首要考虑对其消除或有效抑制主要噪声成份。第43页小波滤波结果：小波滤波结果：图3 ECG信号小波阈值滤波结果(a)含高频噪声心电信号及其小波滤波结果(b)含基线漂移心电信号及其小波滤波结果第44页形态学滤波结果：形态学滤波结果：图4 数学形态学滤波器对ECG信号滤波结果(a)含高频噪声ECG信号及其滤波结果 (b)含基线漂移干扰ECG信号及其滤波结果第45页8.6.3 特征提取与选择图5 特征检测界面第46页均值方差均值方差均值方差均值方差均值方差N-类型0.75590.05350.75910.06020.04050.00991.24850.15941.40260.1690R-类型0.70520.03790.70450.04280.03920.00771.26380.11032.27150.1719A-类型0.58720.22070.53570.17820.03500.00740.92700.72401.66370.4228E-类型1.00250.14570.99180.15080.02970.00940.80580.15611.14890.1655表1 时域特征参数均值和方差统计结果第47页图6 不一样类型心电信号在小波系数分布上差异第48页 妈妈新开了个淘宝店，欢迎前来捧场妈妈新开了个淘宝店，欢迎前来捧场妈妈淘宝点开了快六个月了，主要卖是毛绒玩具、坐垫、抱枕之类，但妈妈淘宝点开了快六个月了，主要卖是毛绒玩具、坐垫、抱枕之类，但生意一直不是很好，感觉妈妈还是很专心，花了不少功夫，不过就是没有些生意一直不是很好，感觉妈妈还是很专心，花了不少功夫，不过就是没有些人气，所以我也来出自己一份力，帮忙宣传一下。人气，所以我也来出自己一份力，帮忙宣传一下。而且妈妈总是去五亭龙挑最好玩具整理、发货，质量绝对有确保。而且妈妈总是去五亭龙挑最好玩具整理、发货，质量绝对有确保。另外我家就在扬州五亭龙玩具城旁边，货源丰富，质量可靠，价格廉价。另外我家就在扬州五亭龙玩具城旁边，货源丰富，质量可靠，价格廉价。欢迎大家来逛逛欢迎大家来逛逛【扬州五亭龙玩具总动员扬州五亭龙玩具总动员】个人小广告：个人小广告：第49页原始QRS波形二阶累积量三阶累积量四阶累积量最大幅度方差最大幅度方差最大幅度方差最大幅度方差N-类型14270.0126225000.00425.32641060.00521.17431090.0063V-类型15240.0194783810.00381.13911070.02965.13881090.0095A-类型13110.0151233010.01172.94131060.02611.02061090.0157表2 三类ECG信号QRS波形及其高阶累积量特征信息统计表第50页图7特征提取结果显示界面第51页8.6.4 心脏病诊疗图8 心脏病智能诊疗教授系统界面图9 诊疗结果解释说明第52页类型训练样本集1测试样本集1全体样本集样本数错检数错检率(%)样本数错检数错检率(%)样本数错检数错检率(%)误判漏判误判漏判误判漏判N6242000.0062422230.407489834570.12L807000.00807220.5080645350.50R725000.00725381.5272503731.05A1267000.00126724304.26253483304.46a75000.007481936.49149101919.46J41000.00405320.00817312.35V2374000.00237458233.417122138512.65F399000.003995216.5279810213.88I236000.00236453.81472552.12j114000.0011321212.392272126.17E53000.0052227.69105425.71P3508000.003508940.3770162140.36f491000.004912143.269824141.83小计16332000.00163281461461.791096983263260.59表3 SVM分类器心电信号分类结果第53页8.7遥感图像中目标识别遥感图像中目标识别、飞机识别、飞机识别、机场识别、机场识别、桥梁识别、桥梁识别第54页 8.7.18.7.1 飞机识别飞机识别n算法是基于部分（算法是基于部分（Part-basedPart-based）和层次（）和层次（hierarchicalhierarchical），包含），包含两个部分：学习和识别，算法框图以下列图所表示。两个部分：学习和识别，算法框图以下列图所表示。n（1 1）学习阶段。经过对属于同一类别学习样本学习，得到基于）学习阶段。经过对属于同一类别学习样本学习，得到基于部分结构模型，并针对问题特点用一个属性关系图来表示。然后部分结构模型，并针对问题特点用一个属性关系图来表示。然后由这些图匹配得到一个含糊属性关系图，以此作为形状模型。由这些图匹配得到一个含糊属性关系图，以此作为形状模型。n（2 2）识别阶段。用上述形状模型来检测识别形状。首先用柔性）识别阶段。用上述形状模型来检测识别形状。首先用柔性形态学凸集检测器检测出最显著子部分，得到候选区域，然后在形态学凸集检测器检测出最显著子部分，得到候选区域，然后在其邻域检测识别其它子部分，分析这些子部分几何结构关系，以其邻域检测识别其它子部分，分析这些子部分几何结构关系，以此作深入证实。此作深入证实。n下面就对各个部分作详细叙述。下面就对各个部分作详细叙述。训练训练结构模型结构模型输入图像凸子部分 预处理预处理形状分解形状分解图表示图表示建建 模模识别子部分识别子部分关系证实关系证实描述图描述图候选区 训练样本识别识别第55页一组由40幅图像（其中包含97架飞机）组成图像库被用来试验，其中之一示于下列图。(a)训练样本 (b)识别结果第56页8.7.28.7.2、机场识别、机场识别机场识别系统界面：机场识别过程：第57页8.7.38.7.3 桥梁识别桥梁识别桥梁识别系统界面：桥梁识别过程：第58页