貝葉斯圖像處理演算法

『壹』 貝葉斯演算法能做什麼 python

貝葉斯分類演算法的設計與實現 求源碼 最好能處理圖像型垃圾郵件

『貳』 有哪些辦法將圖形轉化為聲音

有這樣的設備，這種新的設備能夠將圖像轉換成聲音，引導盲人通過聽覺 「看到」 周圍的世界，解釋事物、人物甚至是表情。這個設備叫vOICe，看起來像一副墨鏡，但它實際上是一個頭戴式攝像頭，捕捉盲人周圍圖像，然後由圖像處理演算法提取邊緣、形狀、色彩等信息，將多維的圖像轉換成一維線型的聲音信號，成為盲人可以明白的 "音樂"。音量和音調的變化，主要取決於周圍場景的亮度、顏色和對比度。當然，圖像是多維數據，聲音是一維數據，這兩者之間的映射，本來就沒有確定的關系，所以映射函數其實是見仁見智的，沒有一定之規。唯一的原則，大約就是轉化出來的音樂要有一定旋律和美感，不能成為噪音。基本思想就是講圖像pixel-level的一些屬性（brightness, saturation, hue, color variation etc.) 映射到音樂空間的一些屬性（melody，chord，ration，tempo etc.）, 具體映射方式，應該他有一套自己定義的函數。然後播放的方式，是raster-scan 所有的像素。還有一些用line-scan的：Photosounder.com；SonicPhoto - Convert pictures to sounds!上面兩個的demo是youtube上的，可能需要翻牆。之前還看到過以色列一個科學家，把一些簡單圖片（數字，字母）轉換成不同的聲音，之後培訓盲人，讓盲人能夠分辨不同的聲音對應不同數字圖片，最後盲人也就基本能讀懂我們正常人看的書了。這個牽涉到人類視覺感知和聽覺感知的轉換，特別是視覺感情和音樂感情的映射。感覺想要做好，需要了解一些認知科學，腦科學和心理學的一些知識。想法挺有意思的。

『叄』 請寫出貝葉斯公式並簡述利用貝葉斯公式進行圖像分割的原理和過程

定理：設A1,A2,…,An為樣本空間Ω的一個劃分,且P(Ai)>0(i=1,2,…,n),則對於任何一事件B ( P(B)>0), 有於是 (j=1,2,…,n).事實上,由條件概率的定義及全概率公式
應用：
(1) 如果試驗E有兩個相關的試驗E1,E2復合而成,E1有若干種可能的結果,E2在E1的基礎上也有若干種可能的結果,如果已知和E2的結果有關某事件發生了,求和試驗E1的結果有關事件的概率,可以用貝葉斯公式.試驗E1的幾種可能的結果就構成了完備事件組.
(2) 如果把樣本空間的一個劃分A1, A2, …, An看作是導致事件B發生的各種原因,如果B發生了,求P(Aj|B)可以用貝葉斯公式.

『肆』 用C++完成貝葉斯分類演算法的設計與實現 求源碼 最好能處理圖像型垃圾郵件

VFGVD

『伍』 遙感圖像分類法

圖像分類是與圖像信息提取和增強不同的遙感圖像處理中另一重要的方面，與圖像增強後仍需人為解譯不同，它企圖用計算機做出定量的決定來代替人為視覺判譯步驟。因此，分類處理後輸出的是一幅專題圖像。在此圖像中，原來圖像中的每一個象元依據不同的統計決定準則被劃歸為不同的地表覆蓋類，由於是一種統計決定，必然伴隨著某種錯誤的概率。因此，在邏輯上的合理要求是，對每一個象元所做的決定，應是使整個被分類面積即對大量單個象元的分類的某個錯誤判據為最小。

以下是幾種常用的遙感圖像分類方法：

1.最大似然分類（maximum likelihood classification）

最大似然分類是一種基於貝葉斯判別准則的非線性監督分類方法，需要知道已知的或確定的訓練樣區典型標準的先驗概率P（w_i）和條件概率密度函數P（w_i，x）。P（w_i）通常根據各種先驗知識給出或假定它們相等：P（w_ix）則是首先確定其分布形式，然後利用訓練樣本估計其參數。一般假設為正態分布，或通過數學方法化為正態分布。其判別函數集為：

D_i（x）=P（w_ix），i=1，2，…，m （2-2）

如果D_i（x）≥ D_j（x），則x屬於w_i類。其中，j≠i，j=1，2，…，m。m為類別數。

從上述最大似然分類的說明看，其關鍵就在於已知類別的定義，先驗概率的確定，參與分類的變數的好壞和結果誤差評價。直到現在，最大似然分類至少還有兩個缺點：一是事先大量人力已知光譜類的選擇和定義：二是需要長時間的計算機分類計算時間。實際上這也使得最大似然分類法遙感應用受到了限制，因此許多人專門研究改進演算法以便解決和縮減圖像分類的時間，提高分類的精度。Solst和Lillesand（1991）為了解決已知類別定義消耗大量人力的缺點，發展了半自動訓練法進行已知光譜類的定義。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非參數分類器計算出各已知類訓練集的先驗概率，然後將它們插入常規的最大似然分類過程中進行分類。該方法融合了非參數和參數分類過程的優點，提高了分類的精度。

通常情況下，地形會影響到訓練集數據，這樣訓練集光譜數據就偏離了最大似然分類的假設條件正態分布，從而常規的最大似然分類法在地形起伏較大的地區效果並不太好。為了解決這一問題，C.Conese和G.Maracchi和F.Maselli（1993）提出了一種改進的最大似然分類演算法，即去掉每一類數據集中與第一主成分相關的信息（地形信息）然後再進行分類。通過試驗，這種方法是有效的，分類精度得到了提高。

K.Arai（1993）用光譜和空間信息進行分類改進了最大似然分類方法。該方法簡單易行，大大提高了正確分類的概率。C.Conese和Fabio Maselli（1992）用誤差矩陣提高最大似然分類面積估計的精度。Irina Kerl（1996）加最大似然分類精度的一種方法，即多概率比較法。他對同一遙感數據的原始波段、主成分和植被指數的22種組合進行了最大似然分類，發現沒有一種波段組合的分類能給出圖像中所有土地利用類型的精確分類，每一波段組合僅對圖像中的一兩類土地利用類型分類有效。因此他提出將能有效區分出所要決定的土地利用類型的幾個波段組合的分類結果進行組合來進行圖像分類，並稱這種方法為多概率比較法，這種方法的基礎就是圖像數據不同波段組合的分類結果之間分類概率大小的比較。應用這種方法提高了分類的精度。

2.最小距離分類（minimum distance classification）

最小距離分類是一種線性判別監督分類方法，也需要對訓練區模式樣本進行統計分析，是大似然分類法中的一種極為重要的特殊情況。最小距離分類在演算法上比較簡單，首先需選出要區分類別的訓練樣區，並且從圖像數據中求出各類訓練樣區各個波段的均值和標准差，然後再計算圖像中其他各個象元的灰度值向量到各已知類訓練樣區均值向量之間的距離。如果距離小於指定的閾值（一般取標准差的倍數），且與某一類的距離最近，就將該象元劃歸為某類。因此稱為最小距離分類。該方法的精度主要取決於已知類訓練樣區的多少和樣本區的統計精度。另外，距離度量的方法不同，分類的結果也不相同，常見的有：

（1）明氏距離（minkowski distance）

中亞地區高光譜遙感地物蝕變信息識別與提取

式中T_ij=-T_ij。

③經過①②步後，隨機象元X被劃歸為正確的類。

另外，通過對參與計算變數的排序和部分一總和邏輯的考慮，可大大降低該演算法計算的時間。與最小距離（歐氏距離）和最大似然分類器相比，整體平均分類器所用時間最少，分類精度與最小距離大致相同，對像農田面積和森林這樣的名義類型的分類十分有效。

Haluk Cetin（1996）提出了一種分類方法：類間距離頻率分布法（interclass distance frequency dis-tribution），這是多光譜數據非參數分類方法的一種。類間距離頻率分布過程簡單，是一種有力的可視化技術，它圖形地顯示多光譜數據和類分布。首先選擇感興趣的類，這些類的統計信息從典型的訓練樣區可獲得。利用類的平均測量矢量計算多光譜數據中每個象元的距離，並存放在一個兩維數據分布數組中。選擇其他類的訓練區，訓練區數據的分布通過距離計算可獲得。通過可視化地檢查結果，建立分類查詢表（look-up table），然後利用分類查詢表進行多光譜圖像數據的分類，具體細節請參見原文。

H.N.Srikanta Prakash等（1996）改進了遙感數據凝聚聚類分析，這是一種基於相互近鄰概念，用來進行多光譜數據分類的非參數、層次、凝聚聚類分析演算法。該方法定義了圍繞象元的感興趣區域（area of interest around each pixel），然後在它內部尋找分類時初始合並操作需要的k最近鄰，將象元的特徵值、波段值和象元的相對位置值一起考慮，提出了改進的距離量度，這樣，大大減少了計算的時間和內存的需求，降低了分類的誤差概率。

Steven E.Franklin和Bradley A.Wilson（1992）設計了3階段分類器進行遙感圖像的分類，它由一個基於四叉樹的分割運算元、一個高斯最小距離均值測試和一個包括輔助地理網數據和光譜曲線測量的最終測試構成。與最大似然分類技術相比，3階段分類器的總體分類精度得到了提高，減少計算時間，另外僅需最少的訓練樣區數據（它們在復雜地形區很難獲得）。