计算机视觉life”，选择“星标”
快速获得最新干货
本文转载自新机器视觉，文章仅用于学术分享。
基于统计分类的方法：
（1）基于KNN方法（最近邻法）：利用相似度，找出k个训练样本，然后打分，按得分值排序。
（2）基于Naive Bayes算法：计算概率，构建分类模型。
引导：
医生对病人进行诊断就是一个典型的分类过程，任何一个医生都无法直接看到病人的病情，只能观察病人表现出的症状和各种化验检测数据来推断病情，这时医生就好比一个分类器，而这个医生诊断的准确率，与他当初受到的教育方式（构造方法）、病人的症状是否突出（待分类数据的特性）以及医生的经验多少（训练样本数量）都有密切关系。
一、KNN分类器
1.1.1最近邻算法
定义：计算未知样本与所有训练样本的距离，并以最近邻者的类别作为决策未知样本类别的唯一依据。
缺陷：对噪声数据过于敏感。
措施：将被决策样本周边的多个最近样本计算在内，扩大参与决策的样本量，以避免个别数据直接决定决策结果。
1.1.2K-最近邻算法（KNN）
基本思路：选择未知样本一定范围内的K个样本，该K个样本中某一类型出现的次数最大，则未知样本判定为该类型。
举例说明：
如果K=3，绿色圆点的最近的3个邻居是2个红色小三角形和1个蓝色小正方形，少数从属于多数，基于统计的方法，判定绿色的这个待分类点属于红色的三角形一类。如果K=5，绿色圆点的最近的5个邻居是2个红色三角形和3个蓝色的正方形，还是少数从属于多数，基于统计的方法，判定绿色的这个待分类点属于蓝色的正方形一类。
算法执行步骤：
（1）输入测试集。
（2）设定参数k。
（3）遍历测试集，对于测试集中每个样本，计算该样本（测试集中）到训练集中每个样本的距离；取出训练集中到该样本（测试集中）的距离最小的k个样本的类别标签；对类别标签进行计数，类别标签次数最多的就是该样本（测试集中）的类别标签。
（4）遍历完毕,输出测试集的类别。
1.1.3 知识补充
距离度量表示的是两样本之间的相似程度。
常用距离度量方式：
二、朴素贝叶斯分类器
2.1贝叶斯公式
贝叶斯公式理解
（怎样用非数学语言讲解贝叶斯定理（Bayes’s theorem）？）
2.2朴素贝叶斯分类器
2.2.1基本思想
对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。
2.2.2朴素贝叶斯“公式”
2.2.3朴素贝叶斯分类器
三、瑕疵缺陷检测
检测方法：
（1）瑕疵缺陷图像特征的选择与提取。
（2）计算缺陷图像与标准图像关于灰度的差值。
（3）通过差值与设定阈值比较判断是否存在缺陷。
3.1缺陷图像差分法
3.1.1基本原理
3.1.2基本流程
（1）有效检测区域的设定
（2）图像配准与剪裁
（3）设定差分阈值
（4）缺陷位置的判别
3.2缺陷图像特征的选择与提取
3.2.1特征提取方法
（1）灰度值特征
（2）灰度差特征
（3）直方图特征
（4）变换系数特征
（5）线条和角点的特征
（5）灰度边缘特征
（6）纹理特征
3.2.2特征选择（数据降维）
基本原理：特征选择是将原始空间进行变换，重新生成一个维数更小各维之间更独立的特征空间。
降维面临的问题：
（1）降维后数据应该包含更多的信息？
（2）降维后会损失多少信息？
数据降维后的好处：
（1）进行数据压缩，减少数据存储所需空间以及计算所需时间。
（2）消除数据间的冗余，以简化数据，提高计算效率。
（3）去除噪声，提高模型性能。
（4）改善数据的可理解性，提高学习算法的精度。
（5）将数据维度减少到2维或者3维，进行可视化。
常用方法：主成分分析，随机映射，非负矩阵分解。
3.2.3主成分分析（PCA）
方法概述：此方法目标是找到数据中最主要的元素和结构，去除噪音冗余，将原有的复杂数据降维，揭露出隐藏在复杂数据背后的简单结构。主成分分析就是试图在力保数据信息丢失最少的原则下，对这种多变量的数据表进行最佳综合简化。这些综合指标就称为主成分，也就是说，对高维变量空间进行降维处理，很显然，识辨系统在一个低维空间要比在一个高维空间容易得多。从线性代数角度来看，PCA目标是找到一组新正交基去重新描述得到的数据空间，这个维度就是主元。
3.3灰度形态学的缺陷检测
3.3.1概述
灰度数学形态学的基本运算有膨胀、腐独、开启和关闭，其中利用膨胀和腐蚀的组合可构成开启和关闭，而利用开启和关闭又可构成形态滤波器。
在灰度图像的形态分析中，结构元素可以是何的三维结构，常用的有圆锥、圆柱、半球或抛物线。模板尺寸总是奇数，这样檬板中心正好对应一个像素。
3.3.2 形态操作对图像影响
（1）膨胀灰度图像的结果是，比背景亮的部分得到扩张，而比背景暗的部分受到收缩。
（2）腐蚀灰度图像的结果是，比背景暗的部分得到扩张，而比背景亮的部分受到收缩。
（3）开启一幅图像可消除图中的孤岛或尖峰等过亮的点。
（4）关闭一幅图可将比背景暗且尺寸比结构元素小的结构除掉。
（5）形态滤波器是非线性信号滤波器，它通过变换来局部地修改信号的几何特征。将开运算和闭运算结合起来可消除噪声。
（6）如果用一个小的结构元素先开启再闭合一幅图像，就有可能将图像中小于结构元素的类似噪声结构除去。
3.3.3实例说明
电路板布线的缺陷检测：对于一幅大小为1100×870、灰度级为256的电路板灰度图像，其布线缺陷分为断线和毛刺，利用灰度形态学检测这些缺陷。取结构元素为5×5的半球模板，首先对原图灰度开启，消除比邻域亮且尺寸比结构元素小的区域；然后对原图灰度闭合，消除比邻域暗且尺寸比结构元素小的区域，两次结果差异即为缺陷。
四、划痕检查
概述：划痕检测的基本分析过程分为两步首张，确定检测产品表面是否有划痕，其次，在确定被分析图像上存在划痕之后，对划痕进行提取。由于在工业检测中图像的多样性，对于每一种圈像，都要经过分析综合考虑各种手段来进行处理达到效果。一般来说，划痕部分的灰度值和周围正常部分相比要暗，也就是划痕部分灰度值偏小，而且大多都是在光滑表面，所以整幅图的灰度变化总体来说非常均匀，缺乏纹理特征。
基本方法：基于统计的灰度特征或者阈值分割的方法将划痕部分标出。
版权声明：本文为CSDN博主「橡皮人生」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
独家重磅课程官网：cvlife.net
1、SLAM社区： 一个人啃SLAM，难受到自闭，硬顶还是放弃？
2、C++实战： 为啥SLAM代码都用C++不用Python？
3、多传感器融合SLAM 激光雷达-视觉-IMU多传感器融合方案！
4、VIO灭霸：VIO天花板ORB-SLAM3第2期上线！（单/双目/RGBD+鱼眼+IMU+多地图+闭环）
5、视觉SLAM基础： 刚看完《视觉SLAM十四讲》，下一步该硬扛哪个SLAM框架 ？
6、机器人导航运动规划： 机器人核心技术运动规划：让机器人想去哪就去哪！
7、详解Cartographer： 谷歌开源的激光SLAM算法Cartographer为什么这么牛X？
8、深度学习三维重建 总共60讲全部上线！详解深度学习三维重建网络
9、三维视觉基础 详解视觉深度估计算法（单/双目/RGB-D+特征匹配+极线矫正+代码实战）
10、 VINS:Mono+Fusion SLAM面试官：看你简历上写精通VINS，麻烦现场手推一下预积分！
11、图像三维重建课程：视觉几何三维重建教程（第2期）：稠密重建，曲面重建，点云融合，纹理贴图
12、系统全面的相机标定课程：单目/鱼眼/双目/阵列 相机标定：原理与实战
全国最棒的SLAM、三维视觉学习社区↓
技术交流微信群
投稿、合作也欢迎联系：simiter@126.com
— 版权声明 —
本公众号原创内容版权属计算机视觉life所有；从公开渠道收集、整理及授权转载的非原创文字、图片和音视频资料，版权属原。如果侵权，请联系我们，会及时删除。
来源：SD科技制造
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！
