模式识别实习报告

1、、贝叶斯估计做分类【问题描述】实习题目一：用贝叶斯估计做分类。问题描述：给出试验区裸土加水田的 tif 图像，要求通过贝叶斯估计算法对房屋、水田及植 被进行分类。问题分析：首先通过目视解译法对图像进行分类，获取裸土、水田和植被的 DN 值，在此 基础上， 通过该部分各个类别的面积计算先验概率，然后带入公式进行计算， 从而对整个图像进行分类。【模型方法】与分布有关的统计分类方法主要有最大似然 / 贝叶斯分类。 最大似然分类是图像处理中 最常用的一种监督分类方法 ,它利用了遥感数据的统计特征 ,假定各类的分布函数为正态分布 在多变量空间中形成椭圆或椭球分布 ,也就是和中个方向上散布情况不同 ,按正

2、态分布规律用 最大似然判别规则进行判决 ,得到较高准确率的分类结果。否则 ,用平行六面体或最小距离分 类效果会更好。【方案设计】 确定需要分类的地区和使用的波段和特征分类数,检查所用各波段或特征分量是否相互已经位置配准； 根据已掌握的典型地区的地面情况 ,在图像上选择训练区； 计算参数 ,根据选出的各类训练区的图像数据 ,计算和确定先验概率； 分类 ,将训练区以外的图像像元逐个逐类代入公式 ,对于每个像元 ,分几类就计算几次 , 最后比较大小 ,选择最大值得出类别； 产生分类图，给每一类别规定一个值，如果分10类,就定每一类分别为1 ,2 10,分类后的像元值便用类别值代替,最后得到的分类图像

3、就是专题图像. 由于最大灰阶值等于类别数 ,在监视器上显示时需要给各类加上不同的彩色； 检验结果 ,如果分类中错误较多 ,需要重新选择训练区再作以上各步,直到结果满意为止。【结果讨论】如图所示，通过贝叶斯算法，较好地对图像完成了分类，裸土、植被和水田三个类别清晰地判别出来。在计算先验概率时， 选择何种数据成为困扰我的一个问题。既有ENVI自身提供的精确的先验概率值，也可以自己通过计算各个类别的面积，从而获取大致的先验概率值。最后，在田老师的讲解下，我知道了虽然数据可能不太精确，但是，计算先验概率时，总体的倾向是致的，所以在最后判别时，因此而引起的误差是微乎其微的，所以，一定要弄清楚算法原理,

4、才能让自己的每一步工作都有理可循。Ciati LenihLfiian Matr-KOrerU Uerr UM卅虫“利叶 ?2 14加境 疋沖占 Cd#f f aeLear * D. S3B4i lvJ CLagc 1 W I CL 1Shuu Trut Hi:竹匸嘴i I j rlft2Lb 10 027 7 im “D i.伽幵Dt!7 nmi 輻胡aJ4J3 13575M474Ictalc 臨彎7即 冇M討 ”和廿CE.alUElAVtl f Ls iCL*t* JCLASS 1-mnd rath.7ac.La3ftif i.ed；帕sriBnt )0 OQW 72D a o ao a g

5、亡 liua 3Q 04D2 4214 dC83 31loo oaIctal6 oo7747 It 2t ns ioc ocClanCLn )CL-B-S4 2H啣LCniiMiOa PWowt a 9 42 U刃41Xbowiimiefi (FiaaU) ns 0巧? Ld79amu4 哄mi衲阿OniMicin(tipvlvC6J i 1(10575 丄曲兀 l74/!$4474CLanMcLl t LdCLttbS iCL.V JCLass 1rr-nd tec：Pi*.伽计iPi*r Aoc-G H57. SBdl0*aIC1M4 10)1WL199S J0)I9TekIa 1Q|7I

6、4I10 7C?C3CJLb 1TotelVn=Li ido.o a0 OO0 Clas 1D.DD100 ocido ao100 atClaw 30 JQCMt M05TdI10.00loo.oi100 Mloo.ciiC L MBorMmioinrwi h icn(Fvrevnt bFnewnlVhL*MLt i*dfi.ODB Oflo-tClass 115i|.aa3C75Z/L3Z89SClfean 300100 0Q口 “P1g * ib&ePrM lesJIIU J9552 Z?D24 l苗IK T忡盯 U1*H in.dlHan A讷叫1V&r.汕IL4 y TQiizk-&d

7、. TrLth.4 Fi.Mll UKltMl 11*4Clw 2C14W CIm 1TvtJDQHu申為E钻iftllsart31UIQ02210ISQOSIK 29；3屮1Z7?Qi164411I4&750umrK423A叶琵 t t & T.Gfrfcd IWIl!rMCUn 2C4* 3riH 1T5VdUE.di.-m E isdD IDo onQ.DQ1I.QB.CCln140 CO10Q 0Qifli QiIU CO以上是精度评价，由于 K均值聚类中心较为简单，所以评价精度较高，达到了既定目的。总结通过本次上机，我对模式识别这门课程有了更深层次的理解。首先是学习并使用Envi,对

8、这个图像处理软件有了初步的掌握。在目视解译时，由于经验不足， 错误率较高，以后有 待加强。在设计算法时， 由于写代码的能力不是很强，所以一些关键代码无法写出来，只能够简单化处理，勉强达到题目的要求。但是，在短短的几次上机中，我收获了很多知识， Bayes 二类判别， Fisher 判别准则， K 均值聚类分析， 对这些算法的思路有所了解并加以应用， 获益良多。 遇到问题时， 在同学、 学长和老师的帮助下，我一步步攻坚克难，最终完成了老师的要求，比较满意。先说说最大似然估计和贝叶斯估计： 这两种方法的前提条件是各类别的条件概率密度的 形式已知， 而参数类未知。在此情况下， 对现有的样本进行参数估

9、计。 参数估计在统计学中 是很经典的算法， 而最大似然估计和贝叶斯估计也是参数估计中常用的方法。 最大似然估计 是把待估参数看作确定性的量， 只是其取值未知， 最大似然估计方法所寻找的是能最好解释 训练样本的那个参数值，贝叶斯估计把待估参数看作是符合某种先验概率分布的随机变量， 而训练样本的作用就是把先验概率转化为后验概率。 实际生活中， 用的更多的还是最大似然 估计，因为此方法更容易实现，而且样本数据充足的情况下，得到的分类器效果比较好。再说说 Fisher 判别分析法： Fisher 判别分析法的基本原理是将多维空间样本点分布的 图像投影到二维或者一维， 投影方向选择的原则是使两类样本点尽可能分开。 求投影方向得 到两类