图像dct变换matlab代码-statistical-learning-image-classification:最大似然估计...

图像dct变换matlab代码统计学习图像分类 客观的 目标是将“猎豹”图像（如左下方所示）细分为两个部分，即猎豹（前身为FG）和草皮（背景为BG） 测试图片 测试图像地面真相 数据预处理 要将其表述为模式识别问题，我们需要确定一个观察空间。 在此，将8×8图像块的空间用作obs。 空间，即每个图像被视为8×8块的集合。 对于每个块，计算离散余弦变换（MATLAB中的dct2函数），并获得8×8频率系数的数组。 由于猎豹和草具有不同的质地，且具有不同的频率分解，因此应在频域中更好地分离这两个类别。 文件data / train / TrainingSamplesDCT_8.mat包含从每个类别的相似图像（存储为矩阵，每行是一个训练向量）获得的向量训练集合。 有两种矩阵，分别用于前景样本和背景样本的TrainsampleDCT BG和TrainsampleDCT FG 算法和方法： 1.最大似然估计 1.1类条件和边际分布 这两个类别是前景（猎豹）和背景（草）。 [x = x1，x2，...，xm]是特征矩阵X中的m个特征，其中每个m是特征的数量并且等于64。每个x是样本的锯齿形和dct