1、隨著互聯(lián)網(wǎng)的快速發(fā)展和計算機應用范圍的不斷擴展,海量圖像數(shù)據(jù)需要被分析和處理。其中,根據(jù)圖像的特征進行分類就是一個重要的應用。因此,模式識別技術受到人們的廣泛關注和研究。模式識別主要包含三個部分:預處理、特征提取和模式分類。本文以此為重點進行了相關研究,主要內(nèi)容如下:
　　預處理部分,首先,對圖像灰度化處理。其次,應用中值濾波對圖像去噪。最后,應用EM算法進行圖像分割。
　　特征提取部分,本文主要研究了以下四種特征提取的方法

2、。第一,介紹不變矩方法及其原理,并且提出一種基于邊界矩的快速算法。第二,應用連續(xù)傅里葉描述子方法彌補離散傅里葉描述子方法邊界不封閉的不足。第三,圖像數(shù)據(jù)通常是高維數(shù)據(jù),針對這一特點本文應用主成份分析(Principal Component Analysis,PCA)方法,對圖像降維并提取相應特征。可以大大降低計算復雜度。第四,獨立分量分析(Independent Component Analysis,ICA)方法是繼PCA之后的又一分析

3、高維數(shù)據(jù)的有力工具。它彌補了PCA對圖像數(shù)據(jù)高階統(tǒng)計量的缺失。本文采用FastICA作為ICA的特征提取算法,彌補傳統(tǒng)的ICA算法存在的迭代次數(shù)多,收斂難的不足。
　　模式分類部分,對BP神經(jīng)網(wǎng)絡和RBF網(wǎng)絡的原理及其優(yōu)缺點進行了分析。在此基礎上,提出一種RBF-BP的混合網(wǎng)絡,以此來改善RBF網(wǎng)絡泛化能力弱和BP網(wǎng)絡收斂速度慢的缺點。
　　實驗結(jié)果表明,在特征提取的分析比較中,基于矩特征和基于傅里葉描述子的特征提取方法的識