模糊Bayes理论在遥感影像变化检测中的应用

针对传统基于Bayes决策规则的遥感影像变化检测方法中参数估计的不足以及分类过程中的硬划分问题,采用动态更新变化和未变化两类像元模糊子集的方法,实现对两类像元模糊子集中参数的动态更新,利用估计参数获得各子集的后验概率函数,再将后验概率函数转化为模糊子集的模糊隶属函数,从而获得各子集的指标函数,根据指标函数对影像中未分类的像元值进行判断,实现遥感影像的变化区域提取。实验结果表明:与现有的基于Bayes决策规则的遥感影像变化检测方法及ERDAS软件生成结果相比,提出的方法具有更好的变化检测精度。

温室黄瓜果实的模式识别与分割——利用Bayes分类判别模型

利用黄瓜果实与其果梗叶片在颜色深度上的差异,采用在自然背景下的黄瓜图像为训练样本,分别提取出黄瓜果实与背景的RGB颜色分量信息,计算出各自的分类判别函数,利用Bayes分类判别模型对自然背景下的黄瓜果实进行判别。试验表明:利用Bayes模式识别能够较好地实现对成熟黄瓜果实与背景的分离;在识别后对图像进行腐蚀,膨胀,区域标记及特征提取等处理,能够较为准确地提取出成熟黄瓜果实及其重心位置。

融合人脸轮廓和区域信息改进人脸检测

基于人脸轮廓信息和面部区域信息的互补性 ,提出了一种新颖的基于融合算法的轮廓 区域人脸检测器 :采用一种新的特征提取方法有效地刻画人脸轮廓模式 ;基于支持向量机分别训练人脸轮廓分类器和面部区域分类器 ;基于最小错误率Bayes决策规则融合人脸轮廓和面部区域分类器 .该文分别在标准头部图像库、BioID人脸图像库 (灰度人脸图像库 )和彩色人脸图像库上测试了轮廓 区域人脸检测器 .大量的实验结果表明了所提出的轮廓 区域人脸检测器通过引入轮廓信息有效地提高了人脸检测算法的精度 .

基于类标感知的KNN分类算法

许多传统分类算法都以训练数据和测试数据具有相同或至少非常相似的分布为前提,但是在实际应用中,该前提很难得到保证,这降低支持向量机等传统分类算法的分类精度.因此,文中提出基于类标感知的KNN分类算法(CA-KNN).CA-KNN给出稀疏表示模型,基于任何测试数据都可使用训练数据集进行稀疏表示的假设.CA-KNN可有效利用数据集上的类标信息,提升稀疏表示的准确性.引入KNN的最近邻分类思想,进一步提升CA-KNN的泛化能力,并且从理论上证明CA-KNN分类器与最小误差的Bayes决策规则关联.实验和理论分析的结果表明,CA-KNN具有较好的分类性能.