模式识别实验报告
立即下载
一腔诗意喂了狗
2025-05-06
图像
目标
灰度
背景
阈值
分割
概率
直方图
灰度值
实验
1.1 MB
word 文档 可自由复制编辑
实验 1 图像的贝叶斯分类
1.1 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。
1.2 实验仪器设备及软件
HP D538、MATLAB
1.3 实验原理
1.3.1 基本原理
阈值化分割算法是计算机视觉中的常用算法， 对灰度图象的阈值分割就是先
确定一个处于图像灰度取值范围内的灰度阈值， 然后将图像中每个像素的灰度值
与这个阈值相比较。 并根据比较的结果将对应的像素划分为两类， 灰度值大于阈
值的像素划分为一类， 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。此过程中，确定阈值是分割的关键。
对一般的图像进行分割处理通常对图像的灰度分布有一定的假设， 或者说是
基于一定的图像模型。 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， 处于目标和背景内部相邻像素间的灰度值是高度相关的， 但
处于目标和背景交界处两边的像素灰度值有较大差别， 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， 这种情况下直方图呈现较明显
的双峰。类似地，如果图像中包含多个单峰灰度目标， 则直方图可能呈现较明显
的多峰。
上述图像模型只是理想情况，有时图像中目标和背景的灰度值有部分交错。
这时如用全局阈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
word 文档 可自由复制编辑
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， 那么直方图所代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。 如果概率密度函
数形式已知，就有可能计算出使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服从正态分布且混有加性高斯噪声， 上述分类
问题可以使用模式识别中的最小错分概率贝叶斯分类器来解决。以 1p
图像/目标/灰度/背景/阈值/分割/概率/直方图/灰度值/实验/
图像/目标/灰度/背景/阈值/分割/概率/直方图/灰度值/实验/
-->