【图像分割】贝叶斯图像分割【含Matlab源码 1677期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab图像处理仿真内容点击👇
①Matlab图像处理（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、贝叶斯图像分割简介（具体理论见参考文献）

针对海底鱼图像中鱼难以从背景中分割出来的问题，本文对贝叶斯决策中常用的两种方法进行了分析和研究，提出了一种基于最小错误率决策的海底鱼图像分割方法。具体的解决方法如下：首先，选择合适颜色的背景纸板，拍摄图片后，选择图像的蓝色通道来获得灰度图像；然后计算三个数据：根据前景和背景像素的灰度级频率直方图分布得到正态分布函数的参数；根据图像中的前景和背景所占的比例来计算先验概率；根据贝叶斯公式计算每个像素灰度级的后验概率。最后，根据后验概率判别函数将像素归入前景或者背景，从而达到图像分割的效果。经过试验，能够对图集中的其他桃蛀螟幼虫图像进行分割，并取得了较好的效果。
本文的方法和传统与经典OSTU算法对比， 能够避免OSTU法中某些像素的过度分割现象， 达到较好的分割效果。可以得出如下结论：图集中背景和前景
的蓝色通道的像素灰度级呈现正态随机分布；基于贝叶斯决策的决策方法，在图像像素灰度级呈现正态随机分布的情况下，通过取得最大后验概率，可进行图像分割，并可应用于同一图集的其他图像分割中。

⛄二、部分源代码

clc
clear all

%读入三种数据
image=imread(‘309.bmp’);
image_gray = rgb2gray(image);
s=load(‘array_sample’);
Mask=load(‘Mask.mat’);

[M,N]=size(image_gray);%灰度图像大小

%获得灰度小鱼
for i=1:M
for j=1:N
nemo_gray(i,j)=image_gray(i,j)*Mask.Mask(i,j);
end
end
%获得彩色小鱼
for k=1:3
for i=1:M
for j=1:N
nemo(i,j,k)=image(i,j,k)*Mask.Mask(i,j);
end
end
end

figure(‘NumberTitle’, ‘on’, ‘Name’, ‘小鱼肤色分割’),
subplot(2,2,1);imshow(image),title(‘image’);
subplot(2,2,2);imshow(image_gray),title(‘image_gray’);
subplot(2,2,3);imshow(nemo),title(‘nemo’);
subplot(2,2,4);imshow(nemo_gray),title(‘nemo_gray’);

[m,n]=size(s.array_sample);%样本矩阵大小

%提取两类灰度样本
j=1;
for i=1:m
if(s.array_sample(i,5)==1)
sample_gray1(i)=s.array_sample(i,1);
else
sample_gray2(j)=s.array_sample(i,1);
j=j+1;
end
end
lab_num1=length(sample_gray1);
lab_num2=length(sample_gray2);

%先验概率
w1=lab_num1/m;
w2=lab_num2/m;

[mu1,sigma1]=normfit(sample_gray1);
[mu2,sigma2]=normfit(sample_gray2);

figure(‘NumberTitle’, ‘on’, ‘Name’, ‘小鱼肤色分割’);
fplot(@(x)normpdf(x,mu1,sigma1),[0,1]),hold on
fplot(@(x)normpdf(x,mu2,sigma2),[0,1])
title ‘正态分布密度函数’;

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]廉世彬,朱晓冬,翟海茹,闫俊君.基于贝叶斯决策的果树害虫图像分割研究[J].农业网络信息. 2016,(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合