目录 第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主

第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主要步骤

为解决传统物体形状分类方法存在训练时间长以及形状描述不准确的问题, 提出一种基于改进贝叶斯程序学习的图像分类方法。先将物体轮廓进行预处理并分割为长度固定的轮廓片段, 使用形状描述符记录其形状信息, 然后采用高斯混合模型对同一类物体的轮廓片段集训练出轮廓片段库, 最后从测试图像的轮廓上均匀提取10个轮廓片段作为测试样本的解析, 使用贝叶斯分类器计算样本解析与每类轮廓片段库中轮廓片段的拟合相似度, 以其相似度值最高的类作为分类结果。在标准数据库Animal上的实验结果表明, 本文方法具有较高的分类精