贝叶斯图像分类

输入（X）：图像数据，假设这里为10*10的斑马图像。

输出（Y）：图像类别，假设为0或者1，可以理解为不是斑马和是斑马两类。

目标：后验概率的最大化，在这里后验概率为P(Y|X)，即输入一副10*10的图像，比较P(0|X)与P(1|X)的大小。

如何计算：

假设训练集里有200张图像，为了直观表示，可以列出一个200*（100 + 1）的表格，其中200代表图像数量，100代表10*10是图像的特征，1代表图像的类别。

首先将10*10图像展开为1*100维度，然后计算以下两个公式，这两个公式值比较大即是图像的类别：

这两个公式什么意思呢，P(0)指的是先验概率，意思就是我猜他不是斑马的概率，这个应该在数据里面体现，假如说数据里面有150张图像不是斑马，那么这个P(0) 就是0.75。

P(Xi|0)是似然概率，似然概率可以理解为假设我已知这个不是斑马，那我看看我的特征到底在训练集里面是个什么情况，到底像不像训练数据中的斑马特征。假设X1为第一个像素的灰度值且值为255，那么可以知道P(X1|0)就是指在训练集中，在不是斑马的图像中，第一个像素为255的概率。当然这里很难出现相等，因此可以引入灰度距离度量，反正怎么做都可以。

当然这里的特征直接就使用了灰度特征，实际操作也可以使用其他特征，这个就需要思考了。