模式识别试验报告

本文格式为Word版，下载可任意编辑——模式识别试验报告WORD格式整理

.

实验报告

试验课程名称：

模式识别

姓名：王宇班级：20230813学号：2023081325

试验名称

图像的贝叶斯分类K均值聚类算法神经网络模式识别

规范程度原理表达试验过程试验结果试验成绩

平均成绩折合成绩

注：1、每个试验中各项成绩依照

5分制评定，试验成绩为各项总和

2、平均成绩取各项试验平均成绩

3、折合成绩依照教学大纲要求的百分比进行折合

专业资料

WORD格式整理

2023年6月

专业资料

WORD格式整理

试验一、图像的贝叶斯分类

一、试验目的

将模式识别方法与图像处理技术相结合，

把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，通过试验加深对基本概念的理解。二、试验仪器设备及软件HPD538、MATLAB三、试验原理概念：

阈值化分割算法是计算机视觉中的常用算法，像灰度取值范围内的灰度阈值，

对灰度图象的阈值分割就是先确定一个处于图

并根据

然后将图像中每个像素的灰度值与这个阈值相比较。

灰度值大于阈值的像素划分为一类，

比较的结果将对应的像素划分为两类，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，景内部相邻像素间的灰度值是高度相关的，

处于目标和背

但处于目标和背景交界处两边的像素灰度值有较

大区别，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，这种状况下直方图浮现较明显的双峰。类似地，假使图像中包含多个单峰灰度目标，的多峰。

上述图像模型只是理想状况，有时图像中目标和背景的灰度值有部分交织。

这时如用全局阈

则直方图可能浮现较明显

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

那么直方图所代

假使概

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，

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。率密度函数形式已知，就有可能计算出访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听从正态分布且混有加性高斯噪声，式识别中的最小错分概率贝叶斯分类器来解决。

上述分类问题可以使用模

以p1与p2分别表示目标与背景的灰度分布

概率密度函数，PP2分别表示两类的先验概率，则图像的混合概率密度函数可用下式表1与示为

专业资料

WORD格式整理

p(x)Pp(x)Pp(x)

11

2

2

式中p1和p2分别为

1

p(x)

1

(x)

12

2

e2

1

2

1

1

p(x)

2

(x)

22

2

e2

2

2

2

P1P21

1、

2是针对背景和目标两类区域灰度均值

1与

2的标准差。若假定目标的灰度较亮，

其灰度均值为

2，背景的灰度较暗，其灰度均值为1，因此有

12

现若规定一门限值

T对图像进行分割，势必会产生将目标划分为背景和将背景划分为目标这

T，可令这两类错误概率为最小，则该阈值

T即为最正确阈值。

两类错误。通过适选中择阈值

把目标错分为背景的概率可表示为

T

E1(T)

把背景错分为目标的概率可表示为

p2(x)dx

E2(T)

T

p1(x)dx

总的误差概率为

E(T)PE(T)PE(T)

2

1

1

2

为求得使误差概率最小的阈值

T，可将E(T)对T求导并令导数为零，可得

P1p1(T)

P2p2(T)

代换后，可得

lnP

1

22

(T

2

)

12

(T2

)

221

P

2

1

2

1

此时，若设

12

，则有

专业资料