图像识别与处理学习笔记（四）贝叶斯决策和概率密度估计

最新推荐文章于 2023-12-31 01:46:04 发布
最新推荐文章于 2023-12-31 01:46:04 发布
阅读量839 收藏 3
点赞数
分类专栏： 图像识别与处理 文章标签： 学习 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zerokingwang/article/details/126806978
版权

目录


这一部分有大量的公式推导和概念，我没学懂，只是先记录下了，等以后加深理解再不断更新笔记内容

课程链接: 【北交】图像处理与机器学习

贝叶斯决策

在这里插入图片描述
如何确定分类的映射函数？？？什么才是最好的分类？？？

在这里插入图片描述
一个表示x发生的情况下w发生的概率，下面哪个表示w的情况下x发生的概率

最小错误率决策

在这里插入图片描述
简单说就是该特征在哪个类别的概率最大就分到该类。
在这里插入图片描述
在这里插入图片描述

最小风险决策

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

例题：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

0-1损失函数

当预测错误时，损失函数值为1，预测正确时，损失函数值为0。该损失函数不考虑预测值和真实值的误差程度，也就是只要预测错误，预测错误差一点和差很多是一样的。
在这里插入图片描述

判别函数

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

高斯概率密度下的判别函数

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

case1

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

case2

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

case3

在这里插入图片描述
在这里插入图片描述
例子：
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
这部分没看懂，先记录下来，再不断研究吧

概率密度估计

在这里插入图片描述

参数法

极大似然估计

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

贝叶斯估计

在这里插入图片描述
在这里插入图片描述

非参数法

在这里插入图片描述
在这里插入图片描述

Parzen Window

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

K-nearest Neighbor

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

贾saisai
关注
专栏目录
贝叶斯定理实现图像识别
HCCH030的博客
09-02 1786
数学公式：贝叶斯定理 上篇文章我讲到了利用高中数学知识实现数字识别，但因为算法比较简单，所以精度也是比较低的。这次我们利用概率论中的数学公式来实现智能图像识别，精度也有明显提升。我们来讲一下关于贝叶斯定理。 这就是著名的贝叶斯分类公示了，看起来有点奇怪。P(A|B)表示在B情况下A发生的概率，我们换一种角度来看。 这样看起来就容易懂很多了。这里的特征可以是每个像素点的颜色值，类别表示数字0-9。那知道了算法就直接代入公式运算即可。 直接上源码 public class watch implements Ac
无人车“看世界”的底层逻辑——概率密度与贝叶斯法则
slampai的博客
11-14 589
紧接上一篇，在讨论概率的含义后，讨论概率密度的含义，并引出贝叶斯法则。文章最后，在无人车运动模型和测量模型里，讨论贝叶斯法则的组成及各部分的含义。
贝叶斯算法深度学习手动画图识别_bayes_
10-01
在画板上手写数字，数字会保存为图片，成为数据集。然后作为为训练集学习，学习完后，在画板上写数字识别，产生对应数据。
机器学习之贝叶斯算法图像分类
热门推荐
baidu_28342107的博客
10-10 1万+
数据集：数据集采用Sort_1000pics数据集。数据集包含1000张图片，总共分为10类。分别是人(0)，沙滩（1），建筑（2），大卡车（3），恐龙（4），大象（5），花朵（6），马（7），山峰（8），食品（9）十类，每类100张，（数据集可以到网上下载）。 ubuntu16.04虚拟操作系统，在分配内存4G,处理器为1个CPU下的环境下运行。 将所得到的图片至“./photo目录下”，（...
VGG-Bayes图像识别，基于贝叶斯定理
qq_36605134的博客
06-19 445
通常，事件A在事件B(发生)的条件下的概率，与事件B在事件A的条件下的概率是不一样的；然而，这两者是有确定的关系,贝叶斯法则就是这种关系的陈述。作为一个规范的原理，贝叶斯法则对于所有概率的解释是有效的；然而，频率主义者和贝叶斯主义者对于在应用中概率如何被赋值有着不同的看法：频率主义者根据随机事件发生的频率，或者总体样本里面的个数来赋值概率；贝叶斯主义者要根据未知的命题来赋值概率。一个结果就是，贝叶斯主义者有更多的机会使用贝叶斯法则。贝叶斯法则是关于随机事件A和B的条件概率和边缘概率的。其中P(A|B)是在B
模式识别学习笔记——第2章 统计学习方法-2.2最小错误率贝叶斯决策
HS_Jack_ZZZ的博客
07-29 2950
可以看到，左边的黄线代表的是在晴天条件下降雨概率的分布；这两条线分表代表的含义仅仅是，在不同天气条件下降雨量的关系。表示观察到的状态为阴天。我们通过过往的天气预报可以统计在一年内，晴天的降雨量和阴天的降雨量，再经过计算得到它们的概率。特征下是晴天的概率，反之则是阴天的概率。最小风险决策的分界线是途中的蓝色虚线。为了更加直观的理解这一过程，用实例和图像来解释这一过程。从最小错误率出发，利用概率论中的贝叶斯公式，得出使错误率最小的分类决策。中但属于晴天的概率就是错误的概率。的维度为1，即将特征写成标量的形式。.
模式识别学习笔记（3）——高斯概率密度
Carol__Deng的博客
01-13 6310
概率密度估计方法 参数法：只需将均值和协方差矩阵保存下来，就可知道其分布。 半参数法：GM通过解析求解；期望最大化是极大似然估计的特例，多次迭代才能求得 高斯密度函数 牢记密度函数公式！！！ 把协方差矩阵对角化，即将其变为对角矩阵，除主对角线上的元素外其余元素全为0. 马氏距离相等的点构成的是等密度点轨迹. 白化变换参考：https:/
数据挖掘：理论与算法学习笔记
m0_52899614的博客
12-28 1994
后剪枝则是先从训练集中生成一棵完整的决策树，然后自底向上的考察每一个非叶结点，和预剪枝相反，如果将该结点对应的子树替换为叶结点能给决策树带来性能上的提升，则将该子树替换为叶结点。原理：根据特征的先验概率（训练样本分析得到的概率），利用贝叶斯公式计算出其后验概率（要分类对象特征的条件概率），选择概率值最大的类作为该特征所属的类。信息增益越大越好，即该属性的效能越高，越有区分度。Elman Network：此算法有一定的记忆性，通过之前的输入推出答案，输出不仅仅取决于当前的输入，还取决于之前的输入。
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（9）：无监督学习技术
Morganfs的博客
05-09 1239
3万字长文，主要介绍聚类、无监督和半监督技术。
深度学习课堂笔记
synthesis_30的博客
03-02 1741
第1章 深度学习简介 1.1 课程简介 1.2
贝叶斯图像处理matlab程序
01-27
该文件夹包含贝叶斯算法的matlab实现，以及使用贝叶斯算法对图像进行分类。
基于贝叶斯决策的物体识别 MATLAB
12-20
基于贝叶斯决策的物体识别，根据物体的颜色来进行物体识别
基于bayes的图像分类
04-07
这是通过贝叶斯进行图像分类的代码，老师给的图片集共1000张，最终通过贝叶斯算法对图片训练预测分类，并输出混淆矩阵，召回率，F1，精确率。相关图片文件路径需自行修改。
基于贝叶斯估计的NLM改进型算法
05-13
在非局域均值滤波基础上，基于贝叶斯估计进行的改进；重点是基于贝叶斯估计改进了非局域均值滤波中判定相似块的方法
【图像识别】基于贝叶斯分类器实现柑橘识别matlab源码
m0_60703264的博客
06-29 565
贝叶斯决策论： 贝叶斯决策论考虑如何基于已知的概率和误判损失来选择最优的类别标记。 先验概率(prior probability)： 是指根据以往经验和分析得到的概率。即没有考虑原因，在获得数据和依据之前就对概率进行了猜测，得到了概率。 似然函数(likelihood function)： 似然用来描述已知随机变量输出结果时，未知参数的可能取值。似然函数关注的是由已知的结果和某固有属性的关系，而...
连续型贝叶斯在图像识别中的进展
最新发布
AI天才研究院
12-31 856
1.背景介绍 图像识别是计算机视觉领域的一个重要分支，它旨在识别图像中的对象、场景和特征。随着数据量的增加和计算能力的提高，图像识别技术已经取得了显著的进展。然而，传统的图像识别方法仍然存在一些局限性，如对于大规模、高维度的数据处理能力有限，以及对于不同类别的图像识别准确性较低等问题。 连续型贝叶斯方法在图像识别领域具有很大的潜力，因为它可以处理高维度数据，并且可以在有限的计算资源下实现高效的...
概率密度函数的参数估计：最大似然估计、贝叶斯估计与贝叶斯学习
zfoox的摘记
04-07 4378
问题描述 1. 最大似然估计 2. 贝叶斯参数估计 3. 顺序(sequential)贝叶斯学习
二值图像形状识别的密度分布特征法
dadaadao的专栏
03-22 4997
<br /><br />1 形心定位和区域划分<br /> <br />     一般对于一幅二值图像f ( x, y)来说,由于目标只占了其中的部分区域, 因而在计算距离时,形心的选取很重要。一般选取图像的重心点( .x, .y)作为形心。<br />图像重心坐标为：（（横坐标乘以像素强度）之和/像素强度之和，（纵坐标乘以像素强度）之和/像素强度之和），对于二值图像各像素强度为0或1。<br />在得到形心后，先计算图像中各目标像素点到形心的距离，并找出最大距离Dmax，然后采用圆形划分法对图像进行分块，
MATLAB入门：数字图像处理学习笔记与基础操作
本资源是一份关于数字图像处理的MATLAB学习笔记，涵盖了MATLAB基础操作和部分图像处理算法的讲解。首先，笔记强调了MATLAB编程的一些基本常识，如使用分号表示不显示运行结果、多行注释的快捷键以及取消注释的使用。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值