贝叶斯图像分类实验

 

贝叶斯分类器

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 实验原理

贝叶斯图像分类的设计是基于贝叶斯决策理论的。贝叶斯决策理论是统计模式识别的基本理论，其假设第一，各类别总体的概率分布是已知的；第二:要决策分类的类别数是一定的。贝叶斯决策理论研究了模式类的概率结构完全知道的理想情况。这种情况实际中极少出现，但提供了一个对比其它分类器的依据，即“最优”分类器。

常用的决策分类器主要有以下几种。最小错误率的贝叶斯决策规则，最小风险决策规则，NP决策规则以及极小极大决策规则。本次实验运用的主要是基于最小错误率的贝叶斯分类器。基于最小错误率的贝叶斯分类器的主要思想是：利用贝叶斯公式使得错误率最小。贝叶斯分类以贝叶斯定理为基础，通过训练大量样本来估计后验概率。

贝叶斯公式通过类条件概率密度形式的观察值，将先验概率转化为后验概率。

图像阈值分割是一种广泛应用的分割技术，利用图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。本次实验利用最小错误率贝叶斯分类方法确定图像分割阈值。

  图像中目标与背景有一定的交错，会产生将目标错分为背景与将背景错分为目标两类错误，通过Bayes最小错误率分类器求取“最优阈值”可令总的错误率最小。

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，分类问题可以使用最小错分概率贝叶斯分类器来解决。

图像的混合概率密度函数可用下式表示；