第2章贝叶斯决策理论解析.ppt

2.7 实验1—图像的贝叶斯分类 最优阈值的迭代算法： 设有一幅数字图像f (x, y) ，混有0均值加性高斯噪声，可表示为 如果通过阈值分割将图像分为目标与背景两部分，则每一部分仍然有噪声点随机作用于其上，于是目标与背景可表示为 迭代过程中，会多次地对 和 求均值，则 可见，随着迭代次数的增加，目标和背景的平均灰度都趋向于真实值。因此，用迭代算法求得的最佳阈值不受噪声干扰的影响。 2.7 实验1—图像的贝叶斯分类 ， 和 利用最优阈值对实验图像进行分割的迭代步骤为： （1）确定一个初始阈值 可取为 式中， 为图像灰度的最小值和最大值。 （2）利用第k次迭代得到的阈值将图像分为目标 和背景 两大区域，其中 （3）计算区域 和 的灰度均值 和 （4）计算新的阈值 ，其中 （5）如果 小于允许的误差，则结束，否则 ，转步骤（2）。 2.7 实验1—图像的贝叶斯分类 分割范例 分割阈值120 2.7 实验1—图像的贝叶斯分类 实验步骤及程序 理解最优阈值迭代算法，设计程序实现对自选图像的最优阈值分割。 实验结果与分析 要求写明实验得到的分割阈值，附分割效果图。对实验结果进行分析，说明实验结果好或者不好的原因，提出改进措施。 2.7 实验1—图像的贝叶斯分类 实验报告撰写要求： 一、封皮的填写：实验课程名称 模式识别 二、实验名称：按顺序填写图像的贝叶斯分类、K均值聚类算法、神经网络 模式识别 三、年月：2013年4月 四、纸张要求：统一采用A4大小纸张，左侧装订，装订顺序与实验顺序一致。 五、书写要求： 报告可以手写也可以打印。实验图像及结果图像打印，图像均位于实验结果与分析部分，图像打印于纸张上部，下部为实验分析。报告中图要有图序及名称，表要有表序及名称，每个实验的图序和表序单独标号，具体格式参照毕业设计手册。不合格者扣除相应分数。每个实验均需另起一页书写。 六、关于雷同报告：报告上交后，如有雷同，则课程考核以不及格处理，不再另行通知修改。 2.7 实验1—图像的贝叶斯分类 实验一、 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 PC机、MATLAB （或C语言开发环境） 三、实验原理 以自己的语言结合课堂笔记进行总结，要求过程推导清晰明了。 四、实验步骤及程序 实验步骤、程序流程、实验源程序齐全。 五、实验结果与分析 要求写明实验得到的分割阈值，附分割效果图。对实验结果进行分析，说明实验结果好或者不好的原因，提出改进措施。（另起一页） 本章小结 贝叶斯决策规则 最小错误率决策规则、最小风险决策规则 分类器设计 正态分布情况的贝叶斯分类器 贝叶斯分类器应用于遥感图像分类 实验—图像的贝叶斯分类 2.3 分类器设计 分类器—软硬件机器 多类分类器的构成 2.3 分类器设计 两类情况： 判别函数 决策规则 判别函数形式 决策面方程 2.3 分类器设计 两类分类器的构成 2.3 分类器设计 例：写出最小错误率和最小风险例题的判别函数和决策面方程。 （1）最小错误率例题，利用两类形式（2） 形式（2） 判别函数 决策面方程 2.3 分类器设计 （2）针对最小风险例题 判别函数原形 代入数据 决策面方程 2.4正态分布时的统计决策 前述 是抽象的，此处代以正态分布 为什么使用正态分布？ （1）物理上的合理性 样本点较多地分布在均值附近，远离均值点较少，可用正态分布近似。 （2）数学上比较简便 如表征模型的参数较少，抽取样本点方便。 2.4正态分布时的统计决策 单变量正态分布 2.4正态分布时的统计决策 多元正态分布 边缘分布 2.4正态分布时的统计决策 d×1 1×d 对称阵，对角线元素为方差，非对角线为协方差 也叫相关矩，表示两个随机变量的相关程度 2.4正态分布时的统计决策 多元正态分布的性质 （1） 决定了分布 共有d+d(d+1)/2个参数， （2）等密度点轨迹——超椭球面 等密度点为指数项为常数时所取得的点，即 x到u的马氏距离的平方，构成超椭球面 2.4正态分布时的统计决策 区域中心由均值向量决定，大小由协方差矩阵决定 椭圆的长短轴方向由∑特征向量方向确定，长度由 确定 为特征值， 为马氏距离的平方。 2.4正态分布时的统计决策 多元正态分布的性质 （3）不相关等价于独立