计算机模式识别系统的基本组成及信息获取、数据预处理和特征提取

如图1-8所示，一个计算机模式识别系统基本上是由三部分组成的：信息获取、数据预处理、特征提取和分类决策或分类器设计。针对不同的应用目的，这三部分的内容可以有很大的差别。特别是在数据预处理和识别部分，为了提高识别结果的可靠性往往需要加入知识库（规则），以对可能产生的错误进行修正，或通过引入限制条件大大缩小待识别模式在模型库中的搜索空间，以减少匹配计算量。在某些具体应用中，如机器视觉，除了要给出被识别对象外，还要求出该对象所处的位置和姿态以引导机器人的工作。

图1-8　模式识别系统的基本组成

（一）信息获取（数据采集）

任何一种模式识别方法首先都要通过各种传感器把被研究对象的各种物理变量转换为计算机可以接受的数值或符号（串）集合。习惯上，称这种数值或符号（串）所组成的空间为模式空间。通过测量、采样和量化，可以用矩阵或者向量来表示待识别对象的信息，这就是信息获取的过程。

（二）数据预处理

预处理的目的就是去除噪声，加强有用的信息，排除不相干的信号，并对输入测量仪器或其他因素所造成的退化现象进行复原。进行与对象的性质和采用的识别方法密切相关的特征的计算（如表征物体的形状、周长、面积等）以及必要的变换（如为得到信号功率谱所进行的快速傅立叶变换）等。(www.xing528.com)

对于数字图像来说，预处理就是应用图像复原、增强和变换等技术对图像进行处理，提高图像的视觉效果，优化各种统计指标，为特征提取提供高质量的图像。

（三）特征提取和分类决策

由于待识别对象的数据量可能是相当大的，为了有效地实现分类识别，就要对原始数据进行某种变换，得到最能反映分类本质的特征，形成模式的特征空间。以后的模式分类或模型匹配就在特征空间的基础上进行。

分类决策就是利用特征空间中获得的信息，对计算机进行训练，从而制定判别标准，用某种方法把待识别对象归为某一类别的过程。如通过系统的输出或者对象所属的类型以及模型数据库中与对象最相似的模型编号进行归类。