模式識(shí)別實(shí)驗(yàn)資料.doc

實(shí)驗(yàn)1 圖像的貝葉斯分類1.1 實(shí)驗(yàn)?zāi)康膶⒛Ｊ阶R(shí)別方法與圖像處理技術(shù)相結(jié)合，掌握利用最小錯(cuò)分概率貝葉斯分類器進(jìn)行圖像分類的基本方法，通過(guò)實(shí)驗(yàn)加深對(duì)基本概念的理解。1.2 實(shí)驗(yàn)儀器設(shè)備及軟件HP D538、MATLAB1.3 實(shí)驗(yàn)原理1.3.1 基本原理閾值化分割算法是計(jì)算機(jī)視覺中的常用算法，對(duì)灰度圖象的閾值分割就是先確定一個(gè)處于圖像灰度取值范圍內(nèi)的灰度閾值，然后將圖像中每個(gè)像素的灰度值與這個(gè)閾值相比較。并根據(jù)比較的結(jié)果將對(duì)應(yīng)的像素劃分為兩類，灰度值大于閾值的像素劃分為一類，小于閾值的劃分為另一類，等于閾值的可任意劃分到兩類中的任何一類。此過(guò)程中，確定閾值是分割的關(guān)鍵。 對(duì)一般的圖像進(jìn)行分割處理通常對(duì)圖像的灰度分布有一定的假設(shè)，或者說(shuō)是基于一定的圖像模型。最常用的模型可描述如下：假設(shè)圖像由具有單峰灰度分布的目標(biāo)和背景組成，處于目標(biāo)和背景內(nèi)部相鄰像素間的灰度值是高度相關(guān)的，但處于目標(biāo)和背景交界處兩邊的像素灰度值有較大差別，此時(shí)，圖像的灰度直方圖基本上可看作是由分別對(duì)應(yīng)于目標(biāo)和背景的兩個(gè)單峰直方圖混合構(gòu)成。而且這兩個(gè)分布應(yīng)大小接近，且均值足夠遠(yuǎn)，方差足夠小，這種情況下直方圖呈現(xiàn)較明顯的雙峰。類似地，如果圖像中包含多個(gè)單峰灰度目標(biāo)，則直方圖可能呈現(xiàn)較明顯的多峰。 上述圖像模型只是理想情況，有時(shí)圖像中目標(biāo)和背景的灰度值有部分交錯(cuò)。這時(shí)如用全局閾值進(jìn)行分割必然會(huì)產(chǎn)生一定的誤差。分割誤差包括將目標(biāo)分為背景和將背景分為目標(biāo)兩大類。實(shí)際應(yīng)用中應(yīng)盡量減小錯(cuò)誤分割的概率，常用的一種方法為選取最優(yōu)閾值。這里所謂的最優(yōu)閾值，就是指能使誤分割概率最小的分割閾值。圖像的直方圖可以看成是對(duì)灰度值概率分布密度函數(shù)的一種近似。如一幅圖像中只包含目標(biāo)和背景兩類灰度區(qū)域，那么直方圖所代表的灰度值概率密度函數(shù)可以表示為目標(biāo)和背景兩類灰度值概率密度函數(shù)的加權(quán)和。如果概率密度函數(shù)形式已知，就有可能計(jì)算出使目標(biāo)和背景兩類誤分割概率最小的最優(yōu)閾值。 假設(shè)目標(biāo)與背景兩類像素值均服從正態(tài)分布且混有加性高斯噪聲，上述分類問題可以使用模式識(shí)別中的最小錯(cuò)分概率貝葉斯分類器來(lái)解決。以與分別表示目標(biāo)與背景的灰度分布概率密度函數(shù)，與分別表示兩類的先驗(yàn)概率，則圖像的混合概率密度函數(shù)可用下式表示 式中和分別為 、是針對(duì)背景和目標(biāo)兩類區(qū)域灰度均值與的標(biāo)準(zhǔn)差。若假定目標(biāo)的灰度較亮，其灰度均值為，背景的灰度較暗，其灰度均值為，因此有 現(xiàn)若規(guī)定一門限值對(duì)圖像進(jìn)行分割，勢(shì)必會(huì)產(chǎn)生將目標(biāo)劃分為背景和將背景劃分為目標(biāo)這兩類錯(cuò)誤。通過(guò)適當(dāng)選擇閾值，可令這兩類錯(cuò)誤概率為最小，則該閾值即為最佳閾值。 把目標(biāo)錯(cuò)分為背景的概率可表示為 把背景錯(cuò)分為目標(biāo)的概率可表示為 總的誤差概率為 為求得使誤差概率最小的閾值，可將對(duì)求導(dǎo)并令導(dǎo)數(shù)為零，可得 代換后，可得 此時(shí)，若設(shè)，則有 若還有的條件，則 這時(shí)的最優(yōu)閾值就是兩類區(qū)域灰度均值與的平均值。上面的推導(dǎo)是針對(duì)圖像灰度值服從正態(tài)分布時(shí)的情況，如果灰度值服從其它分布，依理也可求出最優(yōu)閾值來(lái)。一般情況下，在不清楚灰度值分布時(shí)，通?？杉俣ɑ叶戎捣恼龖B(tài)分布。因此，本課題中亦可使用此方法來(lái)求得最優(yōu)閾值，來(lái)對(duì)實(shí)驗(yàn)圖像進(jìn)行分割。1.3.2 最優(yōu)閾值的迭代算法 在實(shí)際使用最優(yōu)閾值進(jìn)行分割的過(guò)程中，需要利用迭代算法來(lái)求得最優(yōu)閾值。設(shè)有一幅數(shù)字圖像，混有加性高斯噪聲，可表示為 此處假設(shè)圖像上各點(diǎn)的噪聲相互獨(dú)立，且具有零均值，如果通過(guò)閾值分割將圖像分為目標(biāo)與背景兩部分，則每一部分仍然有噪聲點(diǎn)隨機(jī)作用于其上，于是，目標(biāo)和可表示為 迭代過(guò)程中，會(huì)多次地對(duì)和求均值，則 可見，隨著迭代次數(shù)的增加，目標(biāo)和背景的平均灰度都趨向于真實(shí)值。因此，用迭代算法求得的最佳閾值不受噪聲干擾的影響。 利用最優(yōu)閾值對(duì)實(shí)驗(yàn)圖像進(jìn)行分割的迭代步驟為： （1）確定一個(gè)初始閾值，可取為 式中，和為圖像灰度的最小值和最大值。 （2）利用第k次迭代得到的閾值將圖像分為目標(biāo)和背景兩大區(qū)域，其中 （3）計(jì)算區(qū)域和的灰度均值和。 （4）計(jì)算新的閾值，其中 （5）如果小于允許的誤差，則結(jié)束，否則，轉(zhuǎn)步驟（2）。 利用迭代法求得最優(yōu)閾值后，仍需進(jìn)行一些人工調(diào)整才能將此閾值用于實(shí)驗(yàn)圖像的分割，這是因?yàn)椋@種最優(yōu)閾值仍然屬于全局閾值，它利用了圖像中所有像素點(diǎn)的信息，但當(dāng)光照不均勻時(shí)，圖像中部分區(qū)域的灰度值可能差距較大，造成計(jì)算出的最優(yōu)閾值分割效果不理想，此時(shí)，可設(shè)一人工經(jīng)驗(yàn)因子進(jìn)行校正。 四、實(shí)驗(yàn)步驟及程序理解最優(yōu)閾值迭代算法，設(shè)計(jì)程序?qū)崿F(xiàn)對(duì)自選圖像的最優(yōu)閾值分割。a=imread(d:/lena.bmp);figure(1)imshow(a)b=a(:);Smax=max(b);Smin=min(b);T0=(Smax+Smin)/2;delta=1;while delta=0.1 clear R1 R2 m=1; l=1; for n=1:65536; if b(n)=T0 c(n,m)=1; else c(n,m)=0; end endendfigure(2)imshow(c)五、實(shí)驗(yàn)結(jié)果與分析要求寫明實(shí)驗(yàn)得到的分割閾值，附分割效果圖。對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，說(shuō)明實(shí)驗(yàn)結(jié)果好或者不好的原因，提出改進(jìn)措施R = 68.3649G = 129.3456B = 181.5449k = 7inputWeights = 0.9264 -0.1707 -0.8576 0.5523 0.3208 1.3147 -0.0310 1.3992 0.7972 0.7280 0.5873 -1.0881 -0.3912 -1.2711 -0.6922 0.9391 0.5699 1.1088layerWeights = Columns 1 through 7 -0.1868 0.2161 0.7207 0.0059 -0.7268 0.3017 0.7047 0.8827 -0.5108 0.0564 0.4697 0.4438 0.7130 0.1526 -0.9206 -0.6272 -0.6192 -0.1481 -0.2533 0.3336 -0.2698 -0.3104 -1.0226 0.3632 -0.4122 0.7595 -0.3334 0.4277 0.6212 0.4895 0.6707 -0.6156 0.7015 -0.4171 0.0924 -1.0597 -0.1187 -1.0385 -0.6628 0.2023 -0.3433 -0.1192 -0.8866 1.0602 0.4451 0.4474 -0.0085 0.0837 0.4777 -0.7430 -0.0850 -0.3012 -0.4930 0.9993 0.5677 0.3032 -0.6521 -0.1761 0.7182 0.0902 0.6962 -0.4128 0.6382 Columns 8 through 9 0.9510 -0.7567 0.0507 -1.0948 0.7916 0.8202 -0.6900 -0.6347 0.9516 -0.3992 -0.4941 0.3490 -0.6081 -0.5293 0.9392 -0.0769 0.5137 -0.9420outputWeights = Columns 1 through 7 0.9767 -0.1530 -0.3321 -0.5481 0.5207 0.2811 -0.2404 0.1656 0.0310 -0.1342 0.1596 0.0596 -0.5819 0.5667 Columns 8 through 9 0.3617 0.1357 -0.0778 0.5884TRAINLM, Epoch 0/100, MSE 4.37095/0.01, Gradient 94.9572/1e-010TRAINLM, Epoch 3/100, MSE 0.00892984/0.01, Gradient 1.30856/1e-010TRAINLM, Performance goal met.Elapsed time is 4.060925 seconds.A = Columns 1 through 6 1.0415 0.9667 0.9916 0.