贝叶斯图像处理算法

‘壹’ 贝叶斯算法能做什么 python

贝叶斯分类算法的设计与实现 求源码 最好能处理图像型垃圾邮件

‘贰’ 有哪些办法将图形转化为声音

有这样的设备，这种新的设备能够将图像转换成声音，引导盲人通过听觉 “看到” 周围的世界，解释事物、人物甚至是表情。这个设备叫vOICe，看起来像一副墨镜，但它实际上是一个头戴式摄像头，捕捉盲人周围图像，然后由图像处理算法提取边缘、形状、色彩等信息，将多维的图像转换成一维线型的声音信号，成为盲人可以明白的 "音乐"。音量和音调的变化，主要取决于周围场景的亮度、颜色和对比度。当然，图像是多维数据，声音是一维数据，这两者之间的映射，本来就没有确定的关系，所以映射函数其实是见仁见智的，没有一定之规。唯一的原则，大约就是转化出来的音乐要有一定旋律和美感，不能成为噪音。基本思想就是讲图像pixel-level的一些属性（brightness, saturation, hue, color variation etc.) 映射到音乐空间的一些属性（melody，chord，ration，tempo etc.）, 具体映射方式，应该他有一套自己定义的函数。然后播放的方式，是raster-scan 所有的像素。还有一些用line-scan的：Photosounder.com；SonicPhoto - Convert pictures to sounds!上面两个的demo是youtube上的，可能需要翻墙。之前还看到过以色列一个科学家，把一些简单图片（数字，字母）转换成不同的声音，之后培训盲人，让盲人能够分辨不同的声音对应不同数字图片，最后盲人也就基本能读懂我们正常人看的书了。这个牵涉到人类视觉感知和听觉感知的转换，特别是视觉感情和音乐感情的映射。感觉想要做好，需要了解一些认知科学，脑科学和心理学的一些知识。想法挺有意思的。

‘叁’ 请写出贝叶斯公式并简述利用贝叶斯公式进行图像分割的原理和过程

定理：设A1,A2,…,An为样本空间Ω的一个划分,且P(Ai)>0(i=1,2,…,n),则对于任何一事件B ( P(B)>0), 有于是 (j=1,2,…,n).事实上,由条件概率的定义及全概率公式
应用：
(1) 如果试验E有两个相关的试验E1,E2复合而成,E1有若干种可能的结果,E2在E1的基础上也有若干种可能的结果,如果已知和E2的结果有关某事件发生了,求和试验E1的结果有关事件的概率,可以用贝叶斯公式.试验E1的几种可能的结果就构成了完备事件组.
(2) 如果把样本空间的一个划分A1, A2, …, An看作是导致事件B发生的各种原因,如果B发生了,求P(Aj|B)可以用贝叶斯公式.

‘肆’ 用C++完成贝叶斯分类算法的设计与实现 求源码 最好能处理图像型垃圾邮件

VFGVD

‘伍’ 遥感图像分类法

图像分类是与图像信息提取和增强不同的遥感图像处理中另一重要的方面，与图像增强后仍需人为解译不同，它企图用计算机做出定量的决定来代替人为视觉判译步骤。因此，分类处理后输出的是一幅专题图像。在此图像中，原来图像中的每一个象元依据不同的统计决定准则被划归为不同的地表覆盖类，由于是一种统计决定，必然伴随着某种错误的概率。因此，在逻辑上的合理要求是，对每一个象元所做的决定，应是使整个被分类面积即对大量单个象元的分类的某个错误判据为最小。

以下是几种常用的遥感图像分类方法：

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

最大似然分类是一种基于贝叶斯判别准则的非线性监督分类方法，需要知道已知的或确定的训练样区典型标准的先验概率P（w_i）和条件概率密度函数P（w_i，x）。P（w_i）通常根据各种先验知识给出或假定它们相等：P（w_ix）则是首先确定其分布形式，然后利用训练样本估计其参数。一般假设为正态分布，或通过数学方法化为正态分布。其判别函数集为：

D_i（x）=P（w_ix），i=1，2，…，m （2-2）

如果D_i（x）≥ D_j（x），则x属于w_i类。其中，j≠i，j=1，2，…，m。m为类别数。

从上述最大似然分类的说明看，其关键就在于已知类别的定义，先验概率的确定，参与分类的变量的好坏和结果误差评价。直到现在，最大似然分类至少还有两个缺点：一是事先大量人力已知光谱类的选择和定义：二是需要长时间的计算机分类计算时间。实际上这也使得最大似然分类法遥感应用受到了限制，因此许多人专门研究改进算法以便解决和缩减图像分类的时间，提高分类的精度。Solst和Lillesand（1991）为了解决已知类别定义消耗大量人力的缺点，发展了半自动训练法进行已知光谱类的定义。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非参数分类器计算出各已知类训练集的先验概率，然后将它们插入常规的最大似然分类过程中进行分类。该方法融合了非参数和参数分类过程的优点，提高了分类的精度。

通常情况下，地形会影响到训练集数据，这样训练集光谱数据就偏离了最大似然分类的假设条件正态分布，从而常规的最大似然分类法在地形起伏较大的地区效果并不太好。为了解决这一问题，C.Conese和G.Maracchi和F.Maselli（1993）提出了一种改进的最大似然分类算法，即去掉每一类数据集中与第一主成分相关的信息（地形信息）然后再进行分类。通过试验，这种方法是有效的，分类精度得到了提高。

K.Arai（1993）用光谱和空间信息进行分类改进了最大似然分类方法。该方法简单易行，大大提高了正确分类的概率。C.Conese和Fabio Maselli（1992）用误差矩阵提高最大似然分类面积估计的精度。Irina Kerl（1996）加最大似然分类精度的一种方法，即多概率比较法。他对同一遥感数据的原始波段、主成分和植被指数的22种组合进行了最大似然分类，发现没有一种波段组合的分类能给出图像中所有土地利用类型的精确分类，每一波段组合仅对图像中的一两类土地利用类型分类有效。因此他提出将能有效区分出所要决定的土地利用类型的几个波段组合的分类结果进行组合来进行图像分类，并称这种方法为多概率比较法，这种方法的基础就是图像数据不同波段组合的分类结果之间分类概率大小的比较。应用这种方法提高了分类的精度。

2.最小距离分类（minimum distance classification）

最小距离分类是一种线性判别监督分类方法，也需要对训练区模式样本进行统计分析，是大似然分类法中的一种极为重要的特殊情况。最小距离分类在算法上比较简单，首先需选出要区分类别的训练样区，并且从图像数据中求出各类训练样区各个波段的均值和标准差，然后再计算图像中其他各个象元的灰度值向量到各已知类训练样区均值向量之间的距离。如果距离小于指定的阈值（一般取标准差的倍数），且与某一类的距离最近，就将该象元划归为某类。因此称为最小距离分类。该方法的精度主要取决于已知类训练样区的多少和样本区的统计精度。另外，距离度量的方法不同，分类的结果也不相同，常见的有：

（1）明氏距离（minkowski distance）

中亚地区高光谱遥感地物蚀变信息识别与提取

式中T_ij=-T_ij。

③经过①②步后，随机象元X被划归为正确的类。

另外，通过对参与计算变量的排序和部分一总和逻辑的考虑，可大大降低该算法计算的时间。与最小距离（欧氏距离）和最大似然分类器相比，整体平均分类器所用时间最少，分类精度与最小距离大致相同，对像农田面积和森林这样的名义类型的分类十分有效。

Haluk Cetin（1996）提出了一种分类方法：类间距离频率分布法（interclass distance frequency dis-tribution），这是多光谱数据非参数分类方法的一种。类间距离频率分布过程简单，是一种有力的可视化技术，它图形地显示多光谱数据和类分布。首先选择感兴趣的类，这些类的统计信息从典型的训练样区可获得。利用类的平均测量矢量计算多光谱数据中每个象元的距离，并存放在一个两维数据分布数组中。选择其他类的训练区，训练区数据的分布通过距离计算可获得。通过可视化地检查结果，建立分类查询表（look-up table），然后利用分类查询表进行多光谱图像数据的分类，具体细节请参见原文。

H.N.Srikanta Prakash等（1996）改进了遥感数据凝聚聚类分析，这是一种基于相互近邻概念，用来进行多光谱数据分类的非参数、层次、凝聚聚类分析算法。该方法定义了围绕象元的感兴趣区域（area of interest around each pixel），然后在它内部寻找分类时初始合并操作需要的k最近邻，将象元的特征值、波段值和象元的相对位置值一起考虑，提出了改进的距离量度，这样，大大减少了计算的时间和内存的需求，降低了分类的误差概率。

Steven E.Franklin和Bradley A.Wilson（1992）设计了3阶段分类器进行遥感图像的分类，它由一个基于四叉树的分割算子、一个高斯最小距离均值测试和一个包括辅助地理网数据和光谱曲线测量的最终测试构成。与最大似然分类技术相比，3阶段分类器的总体分类精度得到了提高，减少计算时间，另外仅需最少的训练样区数据（它们在复杂地形区很难获得）。