STEM模式下会聚角对HAADF图像的影响

SHANGHAI JIAO TONG UNIVERSITY

STEM模式下会聚角对HAADF图像的影响

小组成员：丁晓飞、巨菡芝、陆郁飞、孙相龙、王昭光、张好好

课程名称：显微学与谱学分析

完成日期：2015年12月27日

STEM模式下会聚角对HAADF图像的影响

近20 年来，随着电子显微技术的不断发展，扫描透射电子显微分析技术(STEM)已经成为目前最为流行和广泛应用的电子显微表征手段和测试方法。相比于传统的高分辨相位衬度成像技术，扫描透射电子显微镜可提供具有更高分辨率、对化学成分敏感以及可直接解释的图像，因而被广泛应用于从原子尺度研究材料的微观结构及成分。其中高角环形暗场像（HAADF-STEM）为非相干高分辨像，图像衬度不会随着样品的厚度及物镜的聚焦的改变而发生明显的变化，像中亮点能反映真实的原子或原子对，且像点的强度与原子序数的平方成正比，因而可以获得原子分辨率的化学成分信息。近年来，随着球差校正技术的发展，扫描透射电镜的分辨率及探测敏感度进一步提高，分辨率达到亚埃尺度，使得单个原子的成像成为可能。

一、扫描透射电子显微分析技术（STEM）简介

扫描透射电子显微镜（Scanning Transmission Electron Microscope，简称STEM）是指透射电子显微镜中有扫描附件者，尤其是指采用场子枪作成的扫描透射电子显微镜。扫描透射电子显微镜是透射电子显微镜的一种发展，可以看成是TEM 与SEM的巧妙结合。

1.STEM工作原理

扫描透射成像不同于一般的平行电子束透射电子显微成像，它是利用会聚电子束在样品上扫描形成的。如图1所示，首先通过一系列线圈将电子束会聚成一个细小的束斑并聚焦在样品表面，利用扫描线圈精确控制束斑逐点对样品进行扫描。同时在样品下方安装具有一定内环孔径的环形探测器来同步接收被散射的电子。当电子束扫描样品某个位置时，环形探测器将同步接收信号并转换成电流强度显示在相连接的电脑显示屏上。这样，样品上的每一点与所产生的像点一一对应。

在入射电子束与样品发生相互作用时，会使电子产生弹性散射和非弹性散射，导致入射电子的方向和能量发生改变，因而在样品下方的不同位置将会接收到不同的信号。如图2 所示，在θ3范围内，接收到的信号主要是透射电子束和部分散射电子，利用轴向明场探测器可以获得环形明场像(ABF)。ABF像类似于

TEM明场像，可以形成TEM明场像中各种衬度的像，如弱束像、相位衬度像、晶格像。θ3越小，形成的像与TEM明场像越接近；在θ2范围内，接收的信号主要为布拉格散射的电子，此时得到的图像为环形暗场像(ADF)。在同样成像条件下，ADF 像相对于ABF像受像差影响小，衬度好，但ABF像分辨率更高；若环形探测器接收角度进一步加大，如在θ1范围内，接收到的信号主要是高角度非相干散射电子，此时得到的像为高角环形暗场像（HAADF，Z 衬度像）。

2.STEM成像特点

STEM具有以下优点：（1）利用STEM可以观察较厚的试样和低衬度的试样；（2）利用扫描透射模式时物镜可实现微区衍射；（3）利用能量分析器可以分别收集和处理弹性和非弹性散射电子；（4）进行高分辨分析、成像及生物大分子分析。与TEM和SEM相比，其自身的特点也尤为突出。

透射电子显微镜（TEM）是用平行的高能电子束照射到一个能透过电子的薄膜样品上，由于试样对电子的散射作用，其散射波在物镜后方将产生两种信息。在物镜的后焦平面上形成含有结晶学或晶体结构信息的电子衍射花样；在物镜像平面上形成高放大倍率的形貌像或是高分辨率的反映样品内部结构的像。扫描电子显微镜（SEM）则是用聚焦的低能电子束扫描块状样品的表面，利用电子与样品相互作用产生的二次电子、背反射电子成像，可以得到表面形貌，化学成分及晶体取向等信息。

图1 STEM工作原理图图2 STEM中探测器分布示意图

扫描透射电子显微镜采用聚焦的高能（通常为100~400keV）电子束（入射电子束直径可达0.126nm）扫描能透过电子的薄膜样品, 利用电子与样品相互作用产生的弹性散射电子及非弹性散射电子来成像、电子衍射或进行显微分析。TEM、SEM 和STEM 三种成像方式的比较见表1：

表1 三种成像方式的比较

成像方式光源

形式

加速电压

/keV

样品

形状

收集信息成像原理

TEM 平行

光束

>100 薄膜前散射电子

相位衬度、衍射衬

度、质厚衬度等

SEM 点1～30 块状背散射电子

二次电子

形貌衬度、电压衬

度、原子序数衬度等

STEM 点>100～400 薄膜弹性及非弹性

散射电子

原子序数衬度

二、高角度环形暗场像简介

传统的高分辨透射电子显微镜（high-resolution transmission electron microscopy，HRTEM）虽然可在原子尺度直接观察材料的微结构，但是HRTEM 图像的衬度随着成像条件（如物镜的欠焦量、样品厚度）的变化会出现衬度反转，同时像点的分布规律也会改变。因此，HRTEM 图像中的亮点或暗点与晶体中原子的真实位置并非一一对应，图像的解析也比较复杂，需要和计算机模拟像的对比。

1970年，Albert Crewe 团队用配备有最新发明的冷场发射电子枪的STEM直接观测到了单个重原子。这也是人类首次用电子显微镜观测到单个原子。1973年，Humphreys等人首次提出高角环形暗场（high angle annular dark field，HAADF）探测器的概念，并指出，当环形暗场探测器内角增加到更高角度后，图像的衬度将不再是与原子序数Z成正比，而是大约与Z的平方成正比，因此高角环形暗场像也被称为Z衬度像（Z contrast image）。在扫描透射电子显微镜中最常用的成像技术就是高角环形暗场像。HAADF图像是一种非相干成像，其衬度依赖于原子序数，像衬度随物镜欠焦量和样品厚度的变化几乎不发生反转，因而比传统的HREM 该图像更容易解释。这种技术可广泛应用于材料原子尺度界面微结构和缺陷结构研究。

1. 高角度环形暗场像成像原理

高角度环形暗场像是利用原子尺度的电子探针扫描样品，采用HAADF 探测器收集高角度散射电子而得到的非相干像。由于电子束在扫描过程中，HAADF 像只显示电子信号强度随扫描位置的变化而波动，样品上的每一点与所产生的像点一一对应。当电子束斑正好扫在原子列上时，很多高角度散射的电子将被探测器接收，这个强信号显示计算机屏幕上就是亮点；而当电子扫在原子列中间的空隙时，数量很少的散射电子被接收，这个信号在计算机屏幕上将形成一个暗点。连续扫描一个样品区域，高角度环形暗场像（如图3）就形成了。这种像的相位衬度不会随样品厚度及电镜聚焦有很大变化，不会出现衬度反转，所以像中的亮点总是对应原子列的位置图像中的亮点，并且像点的强度与原子序数的平方成正比，由此得到原子分辨率的化学成分信息。

图3 Z 衬度像示意图

根据Pennycook 等人的理论，在散射角θ1和θ2所包括的环形区域中，散射电子的散射截面σ可以用卢瑟夫散射强度θ1到θ2的积分来表示，经过积分后可以得到

???

? ??+-+???? ??=2

0222021203420114θθθθπλσa Z m m （1） 其中m 为高速电子的质量，m 0为电子的静止质量，Z 为原子序数，λ为电子的波长，ɑ0为玻尔半径，θ0为博恩特征散射角。因此，在厚度为t 的样品中，单位原子数为N 时的散射强度Is 为

NtI I S σ= （2）

这里的I 为单个原子柱的散射强度。

从以上两式可以看出，HAADF 探测器得到的像点强度正比于原子序数的平方，这使我们能够凭借像点的强度来区分不同元素的原子，由此得到原子分辨率的化学成分信息，像的解释简明直接，因而Z衬度像尤其适合于材料中缺陷及界面的研究。

曾有一段时间人们认为，HADDF图像显示强的原子序数衬度，并能直接反应材料的结构，所以不必如相干相位衬度高分辨像那样需要图像模拟。事实并非理想的那么简单，虽然在一般条件下HAADF像衬度不会发生迅速反转，但像强度却会随着欠焦量、样品厚度以及各种相差的不同发生明显变化，从而并不一定与样品中元素的原子序数成单调函数关系。换句话说，虽然我们能确定材料中某一个位置有原子存在，但我们不能直接从HAADF像中得出某一确切位置上的原子到底是哪一种元素（即不能对其进行直接的成分分析）。甚至在某些情况下，图像中也会出现一些假象。这些图像中的假象很容易致使我们在做成分分析时产生困惑甚至错误。所以，图像的计算模拟对于某些样品，特别是较厚的样品而言是必要的。有了图像模拟的辅助，我们就可以从原子分辨的HAADF图像中得到材料确切的结构和成分信息。

2. 高角度环形暗场像成像特点

（1）分辨率高

首先，由于Z衬度像几乎完全是非相干条件下的成像，它的分辨率要高于相干条件下的成像。从表2中可见，相干条件下成像的极限分辨率比非相干条件下的大约差50%。

表2 相干及非相干条件下成像的极限分辨率

相干条件下成像非相干条件下成像

极限分辨率0.66C

s 1/4λ3/40.43C

s

1/4λ3/4

其次，TEM 的分辨率与入射电子的波长λ和透镜系统的球差C S有关，因此，大多数情况下点分辨率能达到0.2-0.3nm，而STEM 像的点分辨率与获得信息的样品面积有关，一般接近电子束的尺寸，目前场发射电子枪的电子束直径能达小于0.13nm。在采用HAADF探测器收集高角度散射电子后，可得到高分辨的Z衬度像，这种像具有在原子尺度上直接评估化学性质和成份变化的能力。

最后，HAADF探测器由于接收范围大，可收集约90%的散射电子，比起普通的TEM和AEM中的一般暗场像更灵敏。因为一般暗场像只用了散射电子中的一小部分电子成像。因此，对于散射较弱的材料或在各组成部分之间散射能力

的差别很小的材料，其Z衬度像的衬度将明显提高。

（2）像点衬度高原子序数敏感性

由于Z衬度像的强度与其原子序数的平方（Z2）成正比，而且Z衬度像不会随试样厚度或物镜聚焦有较大变化，因而不会出现像衬度反转的现象, 即原子或原子列在像中总是一个亮点。另外，由于Z衬度像是用HAADF得到的,其成像过程并不干扰低角度的散射电子。因此，可借助于Z衬度像把电子探针定位到选定的原子柱或原子面后，利用低角度散射电子同时获得原子级空间分辨率的EELS。这样Z衬度像本身不仅可直接显示样品中化学元素分布（即原子种类分布）特征，而且还可以对与每一个像点所对应的原子柱进行原位的EELS分析，直接辨别与该像点对应的原子种类，并获得电子结构的信息。

（3）图像直观可直接解释

Z衬度像是在非相干条件下成像，非相干条件下成像的一个重要特点是具有正衬度传递函数。而在相干条件下，随空间频率的增加其衬度传递函数在零点附近快速振荡，当衬度传递函数为负值时以翻转衬度成像，当衬度传递函数通过零点时将不显示衬度。也就是说，非相干的Z衬度像不同于相干条件下成像的相位衬度像，它不存在相位的翻转问题, 因此图像的衬度能够直接地反映客观物体。此外，由于相位衬度是透射电子束和各级衍射束之间相互干涉而形成的，因此，在相干条件下的相位衬度成像中，选择不同的物镜光阑，或在不同的欠焦量状态下，或样品厚度的变化时，都会使像衬度发生变化甚至不显示衬度，这在分析相位衬度图像时容易发生误判甚至会使本应得到的图像轻易丢掉了。而使用Z 衬度技术成像，任何结构都会立即形象直观地呈现在你面前。

3.影响高分辨Z 衬度像的因素

获得高分辨Z 衬度像的两个必要条件是原子尺度的高亮度电子束斑和环形探测器。电子束的束斑只有小于或等于0.2nm时才能获得原子分辨率的图像，因此将电子束聚焦为小而亮的束斑对于提高扫描透射电镜的分辨率至关重要。由于透射电子显微镜的电磁透镜存在很大的球差（如图4所示），限制了可形成的最小束斑及其电流强度，从而直接影响像的分辨率和信噪比。利用球差校正技术，可以使得电镜获得更小的电子束斑及更高的束斑电流强度（如图5所示）。配备球差校正器的电镜在200kV电压下可获得至少0.1 nm的电子束斑，同时电子束电流密度提高10倍以上，使得Z衬度像的分辨率和探测敏感度进一度提高，电镜的分辨率进入亚埃尺度，可以获得单个原子的成像。2014年5月，日本电子株式会社（JEOL）发布了其新一代球差校正电镜JEM-ARM300F，HRTEM的分

辨率可以达到0.05nm，HAADF-STEM分辨率达到0.063nm，将商业化的透射电镜推向了一个新极限。

图4 球差

图5球差校正对电子束束斑和束电流的影响（球差校正：200KeV，C7,8=10cm，冷场发射源；未校正：C S=0.5mm，肖特基发射电子源）

虽然Z 衬度像与相位衬度高分辨像相比，对于物镜焦距值及样品厚度不很敏感，但近期的研究结果表明，两者均对于Z衬度像的衬度也产生影响。有文章指出，CaTiO3的Z衬度像中，随焦距值的不同，Ca的像点变小，与Ca和Ti-O 原子柱相对应的像点强度比的变化约达10%。尽管轻微偏离晶带轴的样品倾斜不

改变像点的位置，但对于像点强度有影响。在非晶Si 与晶体Si 界面的[110]取向Z 衬度像中，当样品取相从[110]偏离0°、1°、2°和4°时，在界面两侧Z 衬度像的衬度均发生变化，而且在LAADF 像和HAADF 像中，像衬度的变化趋势也不同。

入射电子束的会聚角也影响Z 衬度像，模拟计算结果表明，当会聚角α=6mrad 时，厚度为91nm 的Si 的Z 衬度像衬度对焦距值的变化（Δf 分别为-40、-50、-65和-75nm ）不敏感，但不出现Si 的哑铃状像点。然而当α=12mrad 时, 在Δf =-65和-75nm 时可观察到Si 的哑铃状像点，但也出现假的像点。

入射电子束的会聚角、衍射效应以及球差对Z 衬度像的分辨率的影响相互关联（如图6所示）。在一定的会聚角，衍射效应和球差对电子束的影响交与一点，而衍射效应的影响取决于波长，相对固定，通常的办法是改变球差。

图6 会聚角、衍射效应以及球差对电子束的影响

三、会聚角对HAADF 图像的影响

为研究STEM 模式下会聚角对HAADF 图像的影响，参照了不同的会聚角对会聚束电子衍射（CBED ）的影响。在传统的电子衍射（SAED ）是将几乎平行的电子束入射到试样上，无论是平行衍射束或透射束均在物镜背焦面上聚焦成一个斑点。在会聚束衍射中，入射束以足够大的会聚角形成倒锥形电子束照射试样，穿透试样后，发散的光束使投射斑点和衍射斑点分别扩展为圆盘，会聚束衍射和选区电子衍射的比较见图7。

衍射效应对电子束影响

图7 CBED 和SAED 的比较

通过第二聚光镜光阑不同孔径的选择，可获得不同会聚半角，由此确定了衍射盘的尺寸，如图8所示。从中可以看出随着会聚角的改变，散射角也会随之发生改变。这一结果在STEM 模式下同样适用，由上文的公式（1）、（2）可以得出结论：会聚角的改变会影响HAADF 探测器接收到像点强度，最终会影响HAADF 图像衬度。

图8不同会聚角的光路图

另外在图6中可以看出，入射电子束的会聚角、衍射效应以及球差对Z 衬度像的分辨率均有影响，并且三种影响因素相互关联。在低会聚角区衍射效应起主导作用，而在高会聚角度区球差起主导作用。在一定的最佳会聚角下，衍射效应和球差对电子束的影响交与一点，此时三者对电子束的影响最小。

M.Weyland 和D.A. Muller 在文章中推导了STEM 成像最佳时的束斑孔径及会聚角，这一过程也为定量分析会聚角对HAADF 图像影响提供了有益参考。

前焦面的电子波函数与散射半角度α的关系：

)()(αχα?i e = （1）

其中 ??? ???-=2421412)(ααλπαχf Cs （2）

电子探针的点扩散函数（PSF ）可通过傅里叶变换和平方波函数计算出来。 对一个完美的透镜)(αχ=0，以及有限的孔径0)(αχ，为了和主瑞利分辨准则一保存致，PSF 为Airy 函数和宽度00/61.0αλ=d 的平方。

为了找到最大的孔径尺寸0α，而且通过平衡f ?与Cs 两者使得穿过孔径的相位移动较小。Scherzer 允许四分之一波长的一个最大相位误差，如对所有0αα≤，2/|)(|παχ≤，只有等式（2）预设参数值改变，最大可容许相位误差由2/π变为其他值。

问题可以简化为2α=x ，??

? ???-=fx x Cs x 22)(λπχ （3） )(x χ取极小时， ()f Csx x x ?-=??λπχ)(

（4） Cs

f x ?=min （5） 用2)(min π

χ=x 代替式（5）带入式（3）得最佳散焦

()z opt Cs f 1

λ=? （6）

最大孔径半角0α由下图中0)(=αχ的点确定

令式（3）为0得02=??

? ???-x f x Cs （7）

H A A D F i n t e n s i t y I /I 0convergence semi-angle /mrad

图9 温度100K ，厚度30nm 和60nm ，会聚角（4 mrad ，7 mrad ，20 mrad ）

convergence semi-angle /mrad H A A D F i n t e n s i t y I /I 0

图10 温度300K ，厚度30nm 和60nm ，会聚角（4 mrad ，7 mrad ，20 mrad ）

因为0≠x 可得Cs f x opt

?=20 （8）

用式（6）消去，注意到

可得 4141

041.14??? ??=???

??=Cs Cs λλα （9）

2006年，Rumyana V . Petrova 研究了硅中温度与HAADF 探测器收集到的像点强度之间的依赖关系，在多层模拟中选择温度范围0~400K 、试样厚度0~80nm 、会聚角（4 mrad ，7 mrad ，20 mrad ）三个参数定量分析温度、厚度对与HAADF 图像强度间的关系。但文章并未给出会聚角对HAADF 图像强度的影响趋势，为此我们利用文章中已有的实验数据及数值模拟，通过控制温度、厚度两个变量，分析了会聚角对HAADF 图像强度的影响（如图9、10）。从图中可以看到会聚角对HAADF 图像强度有显著影响，而且在实验条件下存在最佳会聚角使得HAADF 图像强度最好。

四、结论

本文简要介绍了STEM 的工作原理和成像特点、高角度环形暗场的成像原理、成像特点及影响衬度的主要因素。在最后重点讨论了会聚角对HAADF 图像的影响，分析认为：会聚角的改变致使散射角发生变化，进而影响到HAADF 探测器接收到的像点强度，使HAADF 图像衬度发生改变；存在最佳会聚角使得衍射效应和球差对电子束的影响最小，并定量分析了STEM 成像最佳时的束斑孔径及会聚角。最后在文献基础上，绘制了一定实验条件下会聚角对HAADF 图像强度的图像，进而证实了存在最佳会聚角使得HAADF 图像衬度最好。

参考文献

[1] M.Weyland, D.A. Muller. Tuning the convergence angle for optimum STEM performance[J]. FEI Nanosolutions ,2005(01): 24-35.

[2] Petrova, Rumyana V. Quantitative high-angle annular dark field scanning transmission electron microscopy for materials science[D]. Diss. University of Central Florida Orlando, Florida, 2006.

[3] 李超,杨光.扫描透射电子显微镜及电子能量损失谱的原理及应用[J].物理,2014(09):597-605.

[4] 李鹏飞. 高角度环形暗场Z 衬度像成像原理及方法[J]. 兵器材料科学与工程,2002(25):44-47.

[5] David B. Williams, C. Barry Carter. Transmission Electron Microscopy[M].

[6] 贾志宏,丁立鹏,陈厚文. 高分辨扫描透射电子显微镜原理及其应用[J].物理5(44):446-452.

[7] 朱信华,李爱等. 扫描透射电子显微镜(STEM)在新一代高K栅介质材料的应用[J].无机材料学报,2014(29):1233-1239.

[8] 李斗星. 透射电子显微学的新进展ⅡZ衬度像、亚埃透射电子显微学、像差校正透射电子显微学[J]. 电子显微学报.2004(23):278-290.

计算机视觉与图像处理、模式识别、机器学习学科之间的关系

计算机视觉与图像处理、模式识别、机器学习学科之间的关系 在我的理解里，要实现计算机视觉必须有图像处理的帮助，而图像处理倚仗与模式识别的有效运用，而模式识别是人工智能领域的一个重要分支，人工智能与机器学习密不可分。纵观一切关系，发现计算机视觉的应用服务于机器学习。各个环节缺一不可，相辅相成。 计算机视觉（computer vision），用计算机来模拟人的视觉机理获取和处理信息的能力。就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起。 图像处理（image processing），用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。基本内容图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理一般指数字图像处理。 模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。应用计算机对一组事件或过程进行辨识和分类，所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。这些对象与数字形式的信息相区别，称为模式信息。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。 机器学习(Machine Learning)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。随着人工智能的深入发展，这些局限性表现得愈加突出。正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。

机器视觉与图像处理方法

图像处理及识别技术在机器人路径规划中的一种应用 摘要：目前，随着计算机和通讯技术的发展，在智能机器人系统中，环境感知与定位、路径规划和运动控制等功能模块趋向于分布式的解决方案。机器人路径规划问题是智能机器人研究中的重要组成部分，路径规划系统可以分为环境信息的感知与识别、路径规划以及机器人的运动控制三部分，这三部分可以并行执行，提高机器人路径规划系统的稳定性和实时性。在感知环节，视觉处理是关键。本文主要对机器人的路径规划研究基于图像识别技术，研究了图像处理及识别技术在路径规划中是如何应用的，机器人将采集到的环境地图信息发送给计算机终端，计算机对图像进行分析处理与识别，将结果反馈给机器人，并给机器人发送任务信息，机器人根据接收到的信息做出相应的操作。 关键词：图像识别；图像处理；机器人；路径规划 ABSTRACT：At present, with the development of computer and communication technology, each module, such as environment sensing, direction deciding, route planning and movement controlling moduel in the system of intelligent robot, is resolved respectively. Robot path planning is an part of intelligent robot study. The path planning system can be divided into three parts: environmental information perception and recognition, path planning and motion controlling. The three parts can be executed in parallel to improve the stability of the robot path planning system. As for environment sensing, vision Proeessing is key faetor. The robot path planning of this paper is based on image recognition technology. The image processing and recognition technology is studied in the path planning is how to apply, Robots will sent collected environment map information to the computer terminal, then computer analysis and recognize those image information. After that computer will feedback the result to the robot and send the task information. The robot will act according to the received information. Keywords: image recognition，image processing, robot，path planning

模式识别与图像处理习题及解答

1. 判断题（在题目后面的括号中填入T或F，分别代表正确或错误）。 (1) 灰度直方图是灰度级的函数，描述的是图像中具有该灰度级像素的个数，其纵坐标是灰度级，横坐标是该灰度出现的频率。（ F ） (2) 中值滤波是一种线性滤波，它在实际应用中需要图像的统计特性。（F ） (3) 图像经频域变换后其特点是变换结果能量分布向高频成分方向集中，图像上的边缘、线条等信息在低频成分上得到反映。（ F ） (4) 观察直方图可以看出不适合的数字化。（T ） 2. 单选题（每题只有一个选项是正确的） (1) 锐化（高通）滤波器的作用：A A 能减弱或削除傅立叶空间的低频分量，但不影响高频分量。 B 能减弱或削除傅立叶空间的高频分量，但不影响低频分量。 C 对傅立叶空间的低、高频分量均有减弱或削除作用。 D 对傅立叶空间的低、高频分量均有增强作用。 (2) 下列说法不正确的是 C A 点运算是对一副图像的灰度级进行变换。 B 线性点运算仅能拉伸或压缩直方图，以及使之左移或右移。 C 点运算可以改变图形内的空间关系。 D 点运算以预定的方式改变一幅图像的灰度直方图。 (3) 在所有颜色模型中，最常用于彩色图像的是：D A GMY B YIQ C HSV D HSI (4) 以下说法正确的是：B A 用数学形态学处理一些图像时，膨胀运算会收缩图像，腐蚀运算会扩大图像。 B 用数学形态学处理一些图像时，开运算和闭运算都可以平滑图像的轮廓。 C 在形态算法设计中，结构元的选择非常重要，它可以在几何上比原图像复杂，且 无界。 D 在形态算法设计中，用非凸子集作为结构元也是可以的。 (5) 数字图像的灰度直方图的横坐标表示：A A 灰度级 B 出现这种灰度的概率 C 像素数 D 像素值 (6) 以下说法正确的是 C A 先膨胀后腐蚀的运算称为开运算。 B 先腐蚀后膨胀的运算称为闭运算。 C 细化是将一个曲线型物体细化为一条单像素宽的线，从而图形化的显示出其拓扑 性质。 D 消除连续区域内的小噪声点，可以通过连续多次使用开闭运算。 (7) 下列描述正确的有 D A 只有傅立叶变换才能够完成图像的频率变换。 B 图像经频域变换后，变换结果是能量分布向高频方向集中，图像上的边缘、线条

上海交通大学图象处理与模式识别专业考研

上海交通大学图象处理与模式识别专业 考研 本学科创建于80年代初，是国内首批有权授予硕士学位、博士学位并设有博士后流动站的重点学科，也是国家“211工程”资助学科。1998年该学科改名为模式识别与智能系统。本学科点的创建人是我国著名图像处理和模式识别专家、美国匹兹堡大学访问学者李介谷教授。他的研究方向是模式识别和计算机视觉。 本学科依托图象处理与模式识别研究所，主要从事数字图象（图形）分析、文本信息处理、模式识别、机器视觉、自然语言理解、智能技术和系统等信息技术领域中前沿性的应用基础研究，具有基于数字信号处理器的硬件开发工具和网络环境下的工作站，个人机及专用的图象输入输出设备。包括序列图像分析，三维图像重构理论及应用，远程医疗和诊断；模式识别和计算机视觉是该学科的一个研究特色，已取得重大研究成果的项目有动态目标识别，字符和人脸识别，机器人视觉；计算机图形学和虚拟现实，多媒体技术和计算可视化；智能中文信息处理，中（英）文全文检索，基于内容的网上检索；人工智能和智能系统，主要从事人工神经网理论及应用，机器学习和推理、智能交通指挥系统等。目前正在进行的科研项目有国家高科技863项目，国家自然科学基金，国家教委博士点科研基金项目。省、部、市重大科技开发和国际合作项目。 模式识别和智能系统学科拥有设备先进的图像工程实验室。1978年恢复招收研究生来，已培养硕士、博士生216名，主要在国内外大学、科研机构和高新技术产业从事教学、科研及高新技术的开发研究工作。该学科有广泛的国际合作和交流，招收国内外访问学者和国外留学生。本学科所从事的研究项目曾多次荣获过国家科技进步一等奖、省部级的奖励，并有着广泛的国际合作和交流。 研究方向 a.数字图象处理 b.计算机模式识别 c.计算机图形学与CAD技术 d.人工智能与专家系统 e.计算机视觉 f.语音识别及机器翻译 g.人工神经网络 h.虚拟现实 i.算法理论与分析 j.网络信息处理 k.文本信息处理 l.网上三维图象重建 m.城市交通监控与管理系统 n.生物信息特征识别 o.网络信息智能处理 p.自然语言理解与人机界面 q.成像光谱技术与遥感 r.三维空间信息处理与分析 s.多媒体与网络信息智能处理 t.智能理论与系统。 本学科依托图象处理与模式识别研究所，主要从事数字图象（图形）分析、文本信息处理、模式识别、机器视觉、自然语言理解、智能技术和系统等信息技术领域中前沿性的应用基础研究，具有基于数字信号处理器的硬件开发工具和网络环境下的工作站，个人机及专用的图象输入输出设备。包括序列图像分析，三维图像重构理论及应用，远程医疗和诊断；模式识别和计算机视觉是该学科的一个研究特色，已取得重大研究成果的项目有动态目标识别，字符和人脸识别，机器人视觉；计算机图形学和虚拟现实，多媒体技术和计算可视化；

数字图像处理的就业前景

数字图像处理的就业前景收藏 最近版上有不少人在讨论图像处理的就业方向，似乎大部分都持悲观的态度。我想结合我今年找工作的经验谈谈我的看法。 就我看来，个人觉得图像处理的就业还是不错的。首先可以把图像看成二维、三维或者更高维的信号，从这个意义上来说，图像处理是整个信号处理里面就业形势最好的，因为你不仅要掌握（一维）信号处理的基本知识，也要掌握图像处理（二维或者高维信号处理）的知识。其次，图像处理是计算机视觉和视频处理的基础，掌握好了图像处理的基本知识，就业时就可以向这些方向发展。目前的模式识别，大部分也都是图像模式识别。在实际应用场合，采集的信息很多都是图像信息，比如指纹、条码、人脸、虹膜、车辆等等。说到应用场合，千万不能忘了医学图像这一块，如果有医学图像处理的背景，去一些医疗器械公司或者医疗软件公司也是不错的选择。图像处理对编程的要求比较高，如果编程很厉害，当然就业也多了一个选择方向，并不一定要局限在图像方向。 下面谈谈我所知道的一些公司信息，不全，仅仅是我所了解到的或者我所感兴趣的，实际远远不止这么多。 搜索方向 基于内容的图像或视频搜索是很多搜索公司研究的热点。要想进入这个领域，必须有很强的编程能力，很好的图像处理和模式识别的背景。要求高待遇自然就不错，目前这方面的代表公司有微软、google、yahoo和百度，个个鼎鼎大名。 医学图像方向 目前在医疗器械方向主要是几个大企业在竞争，来头都不小，其中包括Simens、GE、飞利浦和柯达，主要生产CT和MRI等医疗器材。由于医疗器械的主要功能是成像，必然涉及到对图像的处理，做图像处理的很有机会进入这些公司。它们在国内都设有研发中心，simens 的在上海和深圳，GE和柯达都在上海，飞利浦的在沈阳。由于医疗市场是一个没有完全开发的市场，而一套医疗设备的价格是非常昂贵的，所以在这些地方的待遇都还可以，前景也看好。国内也有一些这样的企业比如深圳安科和迈瑞 计算机视觉和模式识别方向 我没去调研过有哪些公司在做，但肯定不少，比如指纹识别、人脸识别、虹膜识别。还有一个很大的方向是车牌识别，这个我倒是知道有一个公司高德威智能交通似乎做的很不错的样子。目前视频监控是一个热点问题，做跟踪和识别的可以在这个方向找到一席之地。 上海法视特位于上海张江高科技园区，在视觉和识别方面做的不错。北京的我也知道两个公司：大恒和凌云，都是以图像作为研发的主体。 视频方向 一般的高校或者研究所侧重在标准的制定和修改以及技术创新方面，而公司则侧重在编码解码的硬件实现方面。一般这些公司要求是熟悉或者精通MPEG、H.264或者AVS，选择了这个方向，只要做的还不错，基本就不愁饭碗。由于这不是我所感兴趣的方向，所以这方面的公司的信息我没有收集，但平常在各个bbs或者各种招聘网站经常看到。 我所知道的两个公司：诺基亚和pixelworks 其实一般来说，只要涉及到成像或者图像的基本都要图像处理方面的人。比方说一个成像设备，在输出图像之前需要对原始图像进行增强或者去噪处理，存储时需要对图像进行压缩，成像之后需要对图像内容进行自动分析，这些内容都是图像处理的范畴。下面列举一些与图像有关或者招聘时明确说明需要图像处理方面人才的公司：上海豪威集成电路有限公司（https://www.wendangku.net/doc/2a4136341.html,）、中芯微、摩托罗拉上海研究院、威盛（VIA）、松下、索尼、清华同方、三星。

图像处理与模式识别实验手册

图像处理与模式识别 实验手册 统计与计算科学系 2012年2月

实验一Matlab图像处理工具箱 实验目的与要求： 1. 回顾Matlab开发环境； 2. 初步熟悉Matlab图像处理工具箱函数。 作业： 在6.28.22:22/download/图像素材下载图像，熟悉图像工具箱中各命令并能完成matlab的基本编程。 实验二BMP位图的读写 实验目的与要求： 1. 初步熟悉VC＋＋6.0开发环境； 2. 了解VC＋＋6.0环境下BMP图像的读写过程，进而了 解BMP图像的文件结构。 作业： 在 6.28.22:22/download/图像素材下载图像，在VC＋＋6.0中读入BMP图像，熟悉其全部过程，将上面读入的图像进行反色等常用图像处理操作后保存。 实验三图像的几何变换 实验目的与要求：

1. 熟悉Matlab图像处理工具箱中有关几何变换的函数； 2. 通过具体的应用实例进一步理解和熟悉图像的几何变换。 作业： 在6.28.22:22/download/图像素材下载图像，自己编写算法完成图像的平移、旋转、放大和缩小，并与图像工具箱命令结果作比较。 实验四图像的频域变换 实验目的与要求： 1. 通过实例熟悉和理解图像的傅立叶变换和逆变换； 2. 通过实例熟悉和理解图像的离散余弦变换和逆变换。 作业： 在6.28.22:22/download/图像素材下载图像，自己编写算法完成图像的Fourier变换、反变换快速、Fourier变换和其他可分离变换算法，并与图像工具箱命令结果作比较。 1237a63231126edb6f1a103a.html 实验五图像增强与平滑 实验目的与要求： 1. 熟悉图像的直方图，了解图像的直方图均衡化；

模式识别及其在图像处理中的应用

武汉理工大学 模式识别及其在图像处理中的应用 学院（系）：自动化学院 课程名称：模式识别原理 专业班级：控制科学与工程1603班 任课教师：张素文 学生姓名：王红刚 2017年1月3日

模式识别及其在图像处理中的应用 摘要:随着计算机和人工智能技术的发展,模式识别在图像处理中的应用日益广泛。综述了模式识别在图像处理中特征提取、主要的识别方法(统计决策法、句法识别、模糊识别、神经网络)及其存在的问题, 并且对近年来模式识别的新进展———支持向量机与仿生模式识别做了分析和总结, 最后讨论了模式识别亟待解决的问题并对其发展进行了展望。 关键词:模式识别;图像处理;特征提取;识别方法 Pattern Recognition and Its Application in Image Processing Abstract:With the development of computer and artificial intelli-gence , pattern recognition is w idely used in the image processing in-creasingly .T he feature extraction and the main methods of pattern recognition in the image processing , w hich include statistical deci-sion, structural method , fuzzy method , artificial neural netw ork aresummarized.T he support vector and bionic pattern recognition w hich are the new developments of the pattern recognition are also analyzed .At last, the problems to be solved and development trends are discussed. Key words:pattern recognition ;image processing ;feature extrac-tion;recognition methods

模式识别及其在图像处理中的应用

模式识别及其在图像处理中的应用 摘要：随着计算机和人工智能技术的发展，模式识别在图像处理中的应用日益广泛。综述了模式识别在图像处理中特征提取、主要的识别方法（统计决策法、句法识别、模糊识别、神经网络）及其存在的问题，并且对近年来模式识别的新进展——支持向量机与仿生模式识别做了分析和总结，最后讨论了模式识别亟待解决的问题并对其发展进行了展望。 关键词：模式识别；图像处理；特征提取；识别方法

模式识别诞生于20世纪20年代，随着计算机的出现和人工智能的发展，模式识别在60年代初迅速发展成一门学科。它所研究的理论和方法在很多学科和领域中得到广泛的重视，推动了人工智能系统的发展，扩大了计算机应用的可能性。图像处理就是模式识别方法的一个重要领域，目前广泛应用的文字识别（ MNO）就是模式识别在图像处理中的一个典型应用。 1.模式识别的基本框架 模式识别在不同的文献中给出的定义不同。一般认为，模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息，模式所属的类别或同一类中模式的总体称为模式类，其中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动地（或者人为进行少量干预）将待识别的模式分配到各个模式类中的技术。模式识别的基本框架如图1所示。 根据有无标准样本，模式识别可分为监督识别方法和非监督识别方法。监督识别方法是在已知训练样本所属类别的条件下设计分类器，通过该分类器对待识样本进行识别的方法。如图1，标准样本集中的样本经过预处理、选择与提取特征后设计分类器，分类器的性能与样本集的大小、分布等有关。待检样本经过预处理、选择与提取特征后进入分类器，得到分类结果或识别结果。非监督模式识别方法是在没有样本所属类别信息的情况下直接根据某种规则进行分类决策。应用于图像处理中的模式识别方法大多为有监督模式识别法，例如人脸检测、车牌识别等。无监督的模式识别方法主要用于图像分割、图像压缩、遥感图像的识别等。

中国50年的图像处理和模式识别发展

中国50年的图像处理和模式识别发展我们感知的信息超过80％来自于我们的视野。随着需求和信息可用性的日益增加，执行图像分析和理解也就更为紧迫。因此，图像识别，已演变成人工智能的一个重要分支。它涉及分析、描述、认识和解释模式，对象或嵌入图像中的行为。在中国，图像识别研究开始在20世纪60年代（一个图像识别的历史一般概述，请参见侧栏的“一个图像识别的历史概述”）。在其早期阶段，在美国普渡大学教授国王孙富，在他的资助下发展很大。20世纪80年代，中国著名学者，如蔡资兴、戴汝为、徐光佑下工作富asvisiting学者。1981年，中国成为国际协会模式识别（IAPR）的正式成员，并举行了第一次模式识别和机器情报全国会议。1984年，中国的研究人员着手建立模式识别国家重点实验室。中国出版模式识别与人工智能的第一个问题是在1987年出版。从那时起，中国许多关于物体识别和模式分析的教科书出版，大大提高了中国人的图像识别研究。例子包括民德程图像识别、模式识别、圻扁和他的的同事们;计算机视觉与模式识别，郑南宁计算机视觉松德马云和他的的同事们。中国研究人员赶上国际同行仍然有很长的路要走。然而，在过去的50年，中国取

得了许多进展，尤其在基础研究和实际应用方面。基础研究图像识别的基本理论来源于模式识别。在20世纪80年代，戴汝为和石青云在中国进行了综合统计和句法模式识别方法的研究。他们的研究已经使得模式识别在中国的研究普遍起来。在20世纪80年代中期，戴相龙介绍了人工神经网络知识和工程应用研究。运用人工神经网络的学习，模式识别、联想记忆和形象思维，他提出一个统一的模式描述和知识表示。此外，他提出了一个集成基于物理符号处理，定性物理，知识可视化，和人工神经网络的各种模型的知识系统设计。20世纪90年代以来，中国科研人员在高维数据判别分析方面已取得显著成效，尤其是小的数据集，包括线性判别分析（LDA）和判别分析的Kullback- Leibler距离（KLDA）。与此同时，中国研究人员在立体视觉摄像机标定和立体匹配问题方面取得重要进展。此外，2DPCA（主成分分析）和2DLDA2D功能，如提取方法在中国起源于本世纪初。一些研究人员很快就适应了这些方法。在2002年，在高维空间点分布分析，提出仿生模式识别。模式不同于传统的基于数据分区的识别，仿生模式识别集中模式的理解。 应用在图像识别的初期，中国这一领域的研究应用

图像模式识别方法

2.1图像模式识别的方法 图像模式识别的方法很多，从图像模式识别提取的特征对象来看，图像识别方法可分为以下几种：基于形状特征的识别技术、基于色彩特征的识别技术以及 基于纹理特征的识别技术。其中，基于形状特征的识别方法，其关键是找到图像中对象形状及对此进行描述，形成可视特征矢量，以完成不同图像的分类，常用来表示形状的变量有形状的周长、面积、圆形度、离心率等。基于色彩特征的识 别技术主要针对彩色图像，通过色彩直方图具有的简单且随图像的大小、旋转变换不敏感等特点进行分类识别。基于纹理特征的识别方法是通过对图像中非常具 有结构规律的特征加以分析或者则是对图像中的色彩强度的分布信息进行统计 来完成。 从模式特征选择及判别决策方法的不同可将图像模式识别方法大致归纳为 两类:统计模式(决策理论)识别方法和句法(结构)模式识别方法。此外，近些年随 着对模式识别技术研究的进一步深入，模糊模式识别方法和神经网络模式识别方 法也开始得到广泛的应用。在此将这四种方法进行一下说明。 2.1.1句法模式识别 对于较复杂的模式，如采用统计模式识别的方法，所面临的一个困难就是特 征提取的问题，它所要求的特征量十分巨大，要把某一个复杂模式准确分类很困难，从而很自然地就想到这样的一种设计，即努力地把一个复杂模式分化为若干 较简单子模式的组合，而子模式又分为若干基元，通过对基元的识别，进而识别子模式，最终识别该复杂模式。正如英文句子由一些短语，短语又由单词，单词 又由字母构成一样。用一组模式基元和它们的组成来描述模式的结构的语言，称为模式描述语言。支配基元组成模式的规则称为文法。当每个基元被识别后，利用句法分析就可以作出整个的模式识别。即以这个句子是否符合某特定文法，以判别它是否属于某一类别。这就是句法模式识别的基本思想。 句法模式识别系统主要由预处理、基元提取、句法分析和文法推断等几部 分组成。由预处理分割的模式，经基元提取形成描述模式的基元串（即字符串）。句法分析根据文法推理所推断的文法，判决有序字符串所描述的模式类别，得到判决结果。问题在于句法分析所依据的文法。不同的模式类对应着不同的文法， 描述不同的目标。为了得到于模式类相适应的文法，类似于统计模式识别的训练

模式识别—车牌号码识别-图像处理

车牌号码识别 第一部分引言 现代智能交通系统(ITS)中，车牌号码自动识别是计算机视觉与模式识别技术在智能交通领域应用的重要研究课题之一，是实现交通管理智能化的重要环节。车辆牌照识别技术可应用于道路交通监控、交通事故现场勘察、交通违章自动纪录、高速公路自动收费系统、停车场自动安全管理、小区智能化管理等方面，具有巨大的经济价。因此车牌号码自动识别技术已经得到了广泛应用。汽车牌照自动识别整个处理过程分为预处理、边缘提取、车牌定位、字符分割、字符识别五大模块，其中字符识别过程主要由以下3个部分组成：①正确地分割文字图像区域；②正确的分离单个文字；③正确识别单个字符。用MATLAB软件编程来实现每一个部分,最后识别出汽车牌照。在研究的同时对其中出现的问题进行了具体分析，处理。 第二部分对采集图像的预处理 数字图像处理（Digital Image Processing）又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变

换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。在以后的数字图像处理技术一般来讲,对图像进行处理(或加工、分析)的主要目的有三个方面： （1）提高图像的视感质量,如进行图像的亮度、彩色变换,增强、抑制某些成分,对图像进行几何变换等,以改善图像的质量。 （2）提取图像中所包含的某些特征或特殊信息,这些被提取的特征或信息往往为计算机分析图像提供便利。提取特征或信息的过程是模式识别或计算机视觉的预处理。提取的特征可以包括很多方面,如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。 （3）图像数据的变换、编码和压缩,以便于图像的存储和传输。图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。 1、图象的采集与转换（代码及截图） I=imread('car.jpg'); figure(1),imshow(I);title('原图') I1=rgb2gray(I); figure(2),subplot(1,2,1),imshow(I1);title('灰度图'); figure(2),subplot(1,2,2),imhist(I1);title('灰度图直方图');

模式识别及其在数字图像处理中的应用

模式识别及其在数字图像处理中的应用 摘要：模式识别是人工智能领域的基础，随着计算机和人工智能技术的发展，模式识别在图像处理中的应用日益广泛。近年来，模式识别也去的了很多让人瞩目的成就，有很多不可忽视的进展。数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像是人类获取和交换信息的主要来源，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。基于模式识别的图像处理随着当今计算机和人工智能技术的发展，已经成为了图像识别领域的踪影研究方向。本文首先介绍了图像模式识别的基本理论和基本方法，然后阐述了模式识别在图像处理中应用理论，最后举例说明了模式识别在图像处理中的具体应用。 关键字：模式识别；人工智能；图像处理；特征提取；识别方法 1 模式识别技术的基本理论 1.1 模式识别的基本框架 模式识别是通过计算机对信息进行处理、判别的一种分类过程，是信号处理与人工智能的一个重要分支。人工智能是专门研究用机器人模仿人的动作、感觉和思维过程与规律的一门学科，而模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。随着计算机技术和人工智能的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息（通过视觉器官来获得）和声学信息（通过听觉器官来获得）的识别。这是模式识别的两个重要方面。 在图像处理中，识别场景中的对象或区域是一个重要课题。图像模式识别的任务是从策略对象集的场景中识别对象。每个对象都是一种模式，并且策略值是模式的特征，同特征的相似对象集属于具体的模式类，测量特征的技术称为特征提取。模式识别的基本框架如图1所示： 图1 模式识别的基本框架 1.2 模式识别的方法