《模式识别导论》课程教学大纲.doc

模式识别导论模式识别导论课程教学大纲课程教学大纲1简况：简况：开课单位：电子信息与电气工程学院自动化系学科：模式识别与智能系统课程编号：待定中文/英文名称：模式识别导论/Introduction to Pattern Recognition学时/学分：32 学时/2 学分开课时间：秋预修课程：工程数学 概率论面向专业：模式识别与智能系统，自动控制主要教学内容和基本要求：模式识别导论课程是面向控制学科本科高年级的选修课程，主要介绍现代模式识 别中统计模式识别的基本概念、基础理论和基本方法。课程以直观的视觉模式（即图像） 为先导，围绕模式信息的处理、分析和辨识展开，从具体到一般逐步培养学生对模式识别 的认识和兴趣，并通过课程的学习，使学生掌握基本的模式识别理论和方法。 课程的教学内容分为视觉模式分析和统计模式识别两部分，视觉模式分析的主要内容 包括数字图像的空域处理方法、数字图像的频域处理方法、边缘提取与分割、图像模式的 表示与特征提取、图像模式识别等内容；统计模式识别部分的主要内容包括基于贝叶斯决 策理论的识别方法、近邻分类方法、聚类分析、特征选择方法等内容。主要参考书：（1）数字图像处理(Matlab 版)（Digital Image Processing Using Matlab） ，Rafael C. Gonzalez，Richard E. Woods， Steven L. Eddins 著， 电子工业出版社。 （2）孙即祥编著， 现代模式识别 ，高等教育出版社2课程性质和任务课程性质和任务本课程课程是面向控制学科本科高年级的选修课程，也是控制学科中模式识别与智能 系统专业的基础课程，属于导论性质的课程，主要介绍现代模式识别中统计模式识别的基 本概念、基础理论和基本方法。课程教学的主要任务是培养学生对模式识别的认识和兴趣， 掌握基本的模式识别理论和方法。3课程的教学内容和基本要求课程的教学内容和基本要求一. 课程概论课程概论 （学时（学时 1） 教学目的： .掌握模式识别最基本的概念 .掌握和理解模式识别系统的基本组成 .了解典型的模式识别方法 教学内容： 1模式识别的基本概念 2模式识别系统的构成 3模式识别典型方法 4模式识别的应用领域5课程的章节内容简介二二. 视觉模式分析基础视觉模式分析基础第第 1 章章 数字图像基础数字图像基础 （学时（学时 1） 教学目的： .掌握数字图像的获取和表示 .掌握数字图像的分辨率和灰度的概念 .掌握 Matlab 平台下数字图像的基本操作 教学内容： .图像的成像信息源 .数字图像的获取和表示 .数字图像的空间分辨率和亮度分级 .Matlab 平台下数字图像的基本操作第第 2 章章 图像的空间域处理方法图像的空间域处理方法 （学时（学时 4） 教学目的： .掌握常见的图像灰度变换方法 .理解直方图均衡的原理，掌握直方图处理方法 .掌握空域线性滤波和中值滤波方法 .在 Matlab 平台下熟练运用各种空域处理函数 教学内容： .图像的灰度变换 .图像的直方图处理方法 .图像的空域滤波处理方法第第 3 章章 图像的频域处理方法图像的频域处理方法 （学时（学时 3） 教学目的： .掌握图像频域滤波的一般方法 .掌握图像低通和高通滤波方法及其特点 .掌握运用带阻滤波去除周期性噪声的方法 .掌握在 Matlab 平台下各种频域滤波的实现步骤 教学内容： .图像的二维 Fourier 变换 .图像频域滤波的一般步骤 .图像低通、高通和带阻滤波方法第第 4 章章 边缘检测和图像分割边缘检测和图像分割 （学时（学时 3） 教学目的： .掌握常见的图像边缘检测算子 .掌握运用 Hough 变换连接图像中直线边缘的方法 .掌握基于灰度阈值的图像分割基本方法 .掌握在 Matlab 平台下边缘检测和连接的实现方法 教学内容： .图像的边缘检测方法 .Hough 变换与边缘连接 .基于灰度阈值的图像分割方法第第 5 章章 图像中模式的表示及特征提取图像中模式的表示及特征提取 （学时（学时 4） 教学目的： .掌握图像区域边界的 Fourier 描述子方法 .掌握常见的纹理图像特征提取方法 .理解主成分分析的原理和应用 .掌握图像相关匹配识别方法及 Matlab 实现 教学内容： .图像区域边界表示方法 .纹理图像特征提取方法 .图像不变矩特征提取 .主成分分析的原理和应用 .图像模式识别的基本方法三三. 统计模式识别统计模式识别第第 1 章章 概述概述 （学时（学时 2）第第 2 章章 数学基础（学时数学基础（学时 2）第第 3 章章 用似然函数进行模式识别用似然函数进行模式识别 （学时（学时 4） 教学目标： 1. 掌握最小错误率 Bayes 决策的问题描述、决策规则。 2. 掌握最小风险 Bayes 决策的问题描述、决策规则。 3. 掌握最小错误率 Bayes 决策与最小风险 Bayes 决策之间的关系。 4. 掌握条件密度函数为正态分布的情况下，最小错误率 Bayes 决策在各种情况下的分 界面方程和分界面性质。 5. 掌握错误率的基本概念。 6. 掌握在正态等协方差情况下，错误率闭式解的推导。 7. 掌握在正态不等协方差情况下，错误率上界的获取。 8. 掌握在一般情况下，错误率的实验估计。 教学内容： 1. 几种统计决策规则 1）最小错误率 Bayes 决策 2）最小风险 Bayes 决策 3）正态分布的最小错误率 Bayes 分类器 2. 错误率（二类） 1) 正态等协方差情况 2) 错误率上界 3) 错误率的实验估计第第 4 章章 用距离函数进行模式识别（学时用距离函数进行模式识别（学时 4） 教学目标： 1. 掌握最近邻分类器的基本原理与分类方法。 2. 掌握当训练样本个数为无穷大时，最近邻分类器的平均错误率与最小错误率 Bayes 分类器的平均错误率之间的关系。 3. 掌握 k 近邻分类器的基本原理与分类方法，以及 k 近邻分类器与最近邻分类器的关 系。4. 掌握最近邻分类器的改进方法。 5. 掌握三种相似性度量的方法：点与点之间的距离、相似系数、点集与点集之间的距 离。 6. 了解系统聚类的基本思想。 7. 掌握两种动态聚类的方法：K-means 算法、ISODATA 算法，掌握起基本原理与基 本的算法步骤。 教学内容： 1. 最小距离分类器 1) 单中心点情况 2）多中心点情况 3）最近邻分类器(NNC) 4）k 近邻法(kNNC，qNNC) 5）最近邻法的改进 2. 相似性度量和聚类准则 1) 相似性度量 3. 系统/分级聚类 (Hierarchical Clustering) 4. 动态聚类(Dynamic Clustering)第第 5 章章 特征选择（学时特征选择（学时 4） 教学目标： 1掌握特征选择（降维）的基本概念与基本方法。 2掌握在保证类别的可分离性或分类器的性能下降不多的情况下，特征选择的必要性 和可能性。 3掌握聚类变换的基本原理与基本步骤。 4掌握 K_L 变换的基本原理与基本步骤。 5掌握分散度（离散度）的定义与正态分布时的公式表达。 6掌握分散度用于降维的 3 种方法，最佳变换阵 A 的求法。 教学内容 1维数问题和类内距离 1）维数问题 2）类别距离（类平均距离） 2聚类变换（集群变换）沿着类内距离小的方向降维 3K-L 变换 1）最优描述的 K-L 变换沿着类间距离大的方向降维 2）最优区分的 K-L 变换（二类）沿着二类差异大的方向降维 4分散度 1）分散度的基本概念 2）正态分布时分散度的公式 3）分散度的性质 4）分散度用于特征降维课程的考核形式和成绩评定课程的考核形式和成绩评定课程的考核与成绩评定方案采用 60%和 40%的比例进行综合评分，即平时成绩占 60%，最终考核成绩占 40%，平时成绩包括上课和课后作业的评分，最终考核主要采用大作业或实验的形式。