基于贝叶斯分类器图像分类技术.docxVIP

基于贝叶斯分类器的图像分类技术 摘　要：分类的目的就是根据现有的图像特征建立一个分类器，能够对未知的图像类型进行预测。在现有众多分类算法中，贝叶斯分类器由于其坚实的数学理论基础并能综合先验信息和数据样本信息，成为当前机器学习和数据挖掘的研究热点之一。本文论述了内容图像检索中基于贝叶斯分类器的图像分类技术。介绍了贝叶斯分类器，叙述了利用贝叶斯分类器进行图像分类的方法，以及图像特征的分布假定。最后通过对分类器的探讨，总结了贝叶斯估计分类的不足。 关键字：基于内容的图像检索；贝叶斯分类器；图像分类 Abstract：The aim of classification is to establish a classifier on the basis of the image features， and forecast the unknown image type. Among the lots of current methods， Bayesian classifier becomes one of the hot problems studied about machine learning and data mining， because of its basis of mathematics and the integrationg of a prior information and data sample information. The technology of image classification on Bayesian classifier was discussed， which based on content-based image retrieval. Bayesian classifier was first introduced， and then the method of image classification using Bayesian classifier and the distributing assumption of image feature were summarized. Finally summarized the lack of Bayesian estimate through the discuss of classifier. Key words：content-based image retrieval(CBIR)；Bayesian classifier；image classification 基于内容的图像检索技术（Content Based ImageRetrieval， CBIR）逐渐成为人们研究的热点。目前，一大批研究性或商用图像检索系统被建立起来，如QBIC、Virage、RetrievalWare、Photobook、VisualSEEK 和WebSEEK 等。随着研究的深入，为了将人和计算机有机地结合，利用用户的反馈信息来调整查询向量，相关反馈技术被引入到图像检索中。 在相关反馈过程中，用户需要指出几幅相关图像，之后便涉及到一个问题：系统如何根据用户指出的相关图像，将数据库的大量图像划分为相关图像和不相关图像。如果将这些图像看作两类即相关图像类和不相关图像类，那么便可以通过图像分类的思想对图像进行类别划分。近年来已有很多分类算法被提出，其中贝叶斯分类器由于具有坚实的数学理论基础并能综合先验信息和数据样本信息，成为当前机器学习和数据挖掘的研究热点之一。 1 贝叶斯分类器 贝叶斯分类以贝叶斯定理为基础，通过训练大量样本来估算后验概率。采用贝叶斯分类器必须满足下面两个条件［2］： （1）要决策分类的类别数是一定的； （2）各类别总体的概率分布是已知的。 在条件（1）中，假设要研究的分类问题有个模式类，分别用ωi(i=1,2,……c) 表示。在条件（2）中，假设待识别客体的特征向量值所对应的状态后验概率P(ωi|x) 是已知的；或者，对应于各个类别出现的先验概率P(ωi) 和类条件概率密度函数P（x|ωi）是已知的。 对于两类分类问题，最小错误率贝叶斯分类的指导思想是这样的：对于模式，如果它属于模式类1的概率大于属于模式类2的概率，则决策模式属于模式类1；反之，决策模式属于模式类ω2。用数学语言描述为： 若P(ωi|x)P(ω2|x),则X∈ω1ω2 其中，条件概率P(ωi|x) 成为状态的后验概率。 由贝叶斯公式 P(ωi|x)=PxωiP(ωi)P(x) 同时考虑到P（x）0，则上面的决策规则可改写为： P（x|ωi）P(ωi) P(x|ω2)P(ω2)，则X∈ω1ω2 另一种是类条件概率密度形式：