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
    https://www.zhihu.com/question/19725590/answer/241988854 （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
    详见：https://zhuanlan.zhihu.com/p/43488853 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）
    降维的原因：在机器学习中，如果特征值即维度过多，会引发维度灾难。维度灾难最直接的后果就是过拟合现象，进而导致分类识别的错误，因此我们需要对所提的特征进行降维处理。
    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？
    （3）降维后对分类识别效果有多大影响？
    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。