1.3　模式识别系统

1.3.1　模式与模式识别

模式（Pattern）是指具有某种特定性质的感知对象。一般情况下，待观察的事物都具有时空分布信息。模式识别（Pattern Recognition）又称为模式分类，指对待观察事物的各种信息进行处理、描述、分类和解释的过程。按照有无训练样本，模式识别可分为监督模式识别和非监督模式识别两种。

模式识别的研究方向主要有两个：第一个是研究生物体是如何感知世界的；第二个是研究如何用机器（包括计算机）识别特定对象的模式。这些特定对象可以是字符、语音、图像等具体的事物，也可以是状态、程度、范围等抽象的表达。模式识别与数学、医学、心理学、语言学、物理学及计算机科学等都有关系。

1.3.2　模式识别系统

模式识别在各领域的应用很多。一般来说，模式识别系统包括信息获取、预处理、特征选择与提取、分类器设计（或聚类）和分类决策（或结果解释）5个部分，如图1-3所示。

图1-3　模式识别系统组成

信息获取：由于计算机只能处理数字信号，计算机要获取模式信息就意味着要实现观察对象的数字化表达；机器通过各类传感器来获取信息，从而将光、图像、声音和其他非电信号转换为电信号；获取的信息可以是三维或二维的视觉信息，也可以是一维的声波、心电图、脑电图等，还可以是一些物理量与逻辑值等。

预处理：在得到模式的数字化表达后，需要对它进行预处理，以便去除或减小噪声的影响，突出有用信息；对于图像，可采用二值化、图像平滑、变换、增强、恢复、滤波、几何校正等数字图像处理技术对其进行预处理。

特征选择与提取：它的任务是在测量空间中，通过对原始数据进行相应的变换，获得在特征空间最能反映分类本质的特征。

分类器或聚类及后处理过程：分类器主要包括分类器设计和分类决策两部分，其中，分类器设计通过样本训练来确定判决规则，并把判决规则变成后续分类决策的标准，实现对目标对象的识别和分类；聚类是在非监督模式下对样本数据按照一定的方法进行分析；后处理过程则主要是结果解释，即根据专业知识来分析聚类结果的合理性，并对聚类做出解释。