基于朴素贝叶斯分类法的图像分割

贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。通俗来说，就好比这么个道理，你在街上看到一个黑人，我问你你猜这哥们哪里来的，你十有八九猜非洲。为什么呢？因为黑人中非洲人的比率最高，当然人家也可能是美洲人或亚洲人，但在没有其它可用信息下，我们会选择条件概率最大的类别，这就是朴素贝叶斯的思想基础。

%基于贝叶斯分类算法的图像阈值分割 
clear 
clc; 
Init = imread（‘01.jpg‘）; 
r=Init（::1）;
g=Init（::2）;
b=Init（::3）;
Im=r-g;
subplot（131）imhist（Im）title（‘直方图‘） 
subplot（132）imshow（Im） 
title（‘原始图像‘） 
[xy]=size（Im）;                    % 求出图象大小 
b=double（Im）;                   
zd=double（max（Im））                  % 求出图象中最大的灰度 
zx=double（min（Im））                % 最小的灰度  
T=double（（zd+zx））/2;                     % T赋初值，为最大值和最小值的平均值 
 
count=double（0）;                         % 记录几次循环 
while 1                   % 迭代最佳阈值分割算法 
    count=count+1; 
    S0=0.0; n0=0.0;                   %为计算灰度大于阈值的元素的灰度总值、个数赋值 
    S1=0.0; n1=0.0;                   %为计算灰度小于阈值的元素的灰度总值、个数赋值 
    for i=1:x
        for j=1:y
            if double（Im（ij））>=T
                S1=S1+double（Im（ij））;  %大于阈域值图像点灰度值累加
                n1=n1+1;                %大于阈域值图像点个数累加
            else
                S0=S0+double（Im（ij））;  %小于阈域值图像点灰度值累加
                n0=n0+1;                %小于阀域值图像点个数累加
            end 
        end 
    end  
    T0=S0/n0; %求小于阀域值均值
    T1=S1/n1; %求大于阀域值均值
    if abs（T-（（T0+T1）/2））<0.1     %迭代至 前后两次阀域值相差几乎为0时 停止迭代。
        break;
    else
       T=（T0+T1）/2;                 %在阈值T下，迭代阈值的计算过程 
   end 
end 
 
count                                %显示运行次数
T
i1=im2bw（ImT/255）;               % 图像在最佳阈值下二值化 
subplot（133）imshow（i1） 
title（‘实验结果‘） 

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       1627  2016-09-21 00:43  基于朴素贝叶斯分类法的图像分割\bys.m

     文件      80613  2016-07-13 22:21  基于朴素贝叶斯分类法的图像分割\test.jpg

     文件    2572366  2016-07-13 22:21  基于朴素贝叶斯分类法的图像分割\02.jpg

     文件    2624939  2016-07-13 22:21  基于朴素贝叶斯分类法的图像分割\01.jpg

     目录          0  2016-09-20 01:55  基于朴素贝叶斯分类法的图像分割

----------- ---------  ---------- -----  ----

              5279545                    5