实验项目 图像的贝叶斯分类
需积分: 18 2 浏览量
2023-03-20
17:44:24
上传
评论 1
收藏 206KB DOCX 举报
实验三、 图像的贝叶斯分类
一、实验目的
将模式识别方法与图像处理技术相结合，掌握利用最小错分概率贝叶斯分类器进行图像分类
的基本方法，通过实验加深对基本概念的理解。
二、实验仪器设备及软件
MATLAB
三、实验原理
概念：
阈值化分割算法是计算机视觉中的常用算法，对灰度图象的阈值分割就是先确定一个处于图
像灰度取值范围内的灰度阈值，然后将图像中每个像素的灰度值与这个阈值相比较。并根据
比较的结果将对应的像素划分为两类，灰度值大于阈值的像素划分为一类，小于阈值的划分
为另一类，等于阈值的可任意划分到两类中的任何一类。
最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，处于目标和背
景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素灰度值有较
大差别，此时，图像的灰度直方图基本上可看作是由分别对应于目标和背景的两个单峰直方
图混合构成。而且这两个分布应大小接近，且均值足够远，方差足够小，这种情况下直方图
呈现较明显的双峰。类似地，如果图像中包含多个单峰灰度目标，则直方图可能呈现较明显
的多峰。
上述图像模型只是理想情况，有时图像中目标和背景的灰度值有部分交错。这时如用全局阈
值进行分割必然会产生一定的误差。分割误差包括将目标分为背景和将背景分为目标两大类。
实际应用中应尽量减小错误分割的概率，常用的一种方法为选取最优阈值。这里所谓的最优
阈值，就是指能使误分割概率最小的分割阈值。图像的直方图可以看成是对灰度值概率分布
密度函数的一种近似。如一幅图像中只包含目标和背景两类灰度区域，那么直方图所代表的
灰度值概率密度函数可以表示为目标和背景两类灰度值概率密度函数的加权和。如果概率密
度函数形式已知，就有可能计算出使目标和背景两类误分割概率最小的最优阈值。
假设目标与背景两类像素值均服从正态分布且混有加性高斯噪声，上述分类问题可以使用模
式识别中的最小错分概率贝叶斯分类器来解决。以
1
p
与
2
p
分别表示目标与背景的灰度分布
资源评论
