《概率图模型剖析》由会员分享，可在线阅读，更多相关《概率图模型剖析（18页珍藏版）》请在金锄头文库上搜索。
1、概率图模型 概率图模型是一类用图形模式表达基于概率相关 关系的模型的总称。目前在图像和视频智能信息处理 领域已有应用，基本的概率图模型包括贝叶斯网络、 马尔科夫网络和隐马儿科夫网络。 遥感多/高光谱图象与视频图象的特点有很大的区 别，我们的研究目标就是建立一套适合遥感图象处理 的概率图模型理论。基本构想是用概率图来描述不同 尺度“基元”（像元、体元、目标元等）及其“谱”（包 括像元谱、基础要素谱和专题要素谱）特征之间形成 的一种空间结构关系。实现“图-谱”的真正紧耦合，以 便对海量遥感数据的快速、高效、准确的计算分析和 解译。 高分遥感 数据特点 一般是单纯从光谱特性或者从图 像特征出发进行分
2、析处理的，并没有 将两者紧密的结合起来 传统多/高 光谱遥感信 息处理方式 高分辨率遥感数据提供了更加细致的“ 图-谱”信息，同时具备亚米级的空间 分辨率以及纳米级的光谱分辨率 研究目标 建立一种新的“图-谱”紧耦合的分析 处理理论框架 研究手段 构建不同层次、不同尺度的概率图模 型 研究策略 建立不同尺度“基元”及其“谱”特征形 成的一种空间紧支结构关系 高分辨率遥感图像处理 aviris的Moffett Field高光谱图像光谱（ 50，27，17波段）的伪彩合成图 草坪光谱曲线 跑道光谱曲线 机场目标的主要 构成为水泥地跑 道、航站楼和草 坪。 aviris的Moffett Field高
3、光谱图像光谱（ 50，27，17波段）的伪彩合成图 草坪光谱曲线 跑道光谱曲线 像元谱概率图 模型 基础要素谱谱 概率图模型 专题要素谱概 率图模型 像元级 体元级 目标级 分层概率图模型关系图 不同基元之间关系图 像元 体元 像元 像元 像元 像元 像元 像元 像元 像元像元 体元 体元 体元 目标元 目标元 像元像元 像元 像元之间的连线表示了像 元之间的关系，这种关系 既包括空间关系，又包括 像元的光谱关系。 体元由同类像元构成，体 元之间的连线表示了体元 之间的空间和谱关系 目标元是由构成某种专题要素 的不同体元组成，目标元之间 的连线表达了目标之间的关系 贝叶斯基本框架贝叶斯基本框架
4、 后验概率 似然函数 先验概率 第i类 标准化因子 观测 问题描述 观测 结论 （分类或预测） 贝叶斯规则 概率图基本理论概率图基本理论 节点表示随机变量节点表示随机变量/ /状态状态 缺失的边代表条件独立假设缺失的边代表条件独立假设 图结构表示分解（图结构表示分解（The graph structure impliesThe graph structure implies thethe decompositiondecomposition） 有向概率图（贝叶斯网） 无向图模型（马儿可夫随机域） Probability Probability DistributionDistribution
5、概率分布概率分布 Definition of Joint Probability Distribution Check: RepresentationRepresentation表示表示 Graphical models represent joint probability distributions more economically, using a set of “local” relationships among variables. 用图模式来表示联合概率分布是经济 的，利用了变量之间一组“局部”关系。 Undirected PGM (MRFUndirected PGM (MRF
6、) ) 无向图模型（马儿可夫随机域）无向图模型（马儿可夫随机域） Representation Conditional Independence Probability DistributionQueries Implementation Interpretation Probability Distribution(1Probability Distribution(1) ) 概率分布概率分布 CliqueClique A clique of a graph is a A clique of a graph is a fully-connectedfully-connected subset
7、 of nodes. subset of nodes. Local functionsLocal functions should not be defined on domains of nodes that extend should not be defined on domains of nodes that extend beyond the boundaries of cliques.beyond the boundaries of cliques. Maximal cliquesMaximal cliques The maximal cliques of a graph are
8、the cliques that The maximal cliques of a graph are the cliques that cannot be extended to cannot be extended to include additional nodesinclude additional nodes without losing the probability of being fully without losing the probability of being fully connected.connected. We restrict ourselves to
9、maximal cliques without loss of generality, as We restrict ourselves to maximal cliques without loss of generality, as it it captures all possible dependenciescaptures all possible dependencies. . Potential function (Potential function (locallocal parameterization) parameterization) : potential func
10、tion on the possible realizations of the maximal : potential function on the possible realizations of the maximal clique clique Probability Distribution(2)Probability Distribution(2) Maximal cliques Probability Distribution(3)Probability Distribution(3) Joint probability distributionJoint probability distribution Normalization factorNormalization factor Boltzman distribution Conditional IndependenceConditional Independence Its a “reachability” problem in graph theory. RepresentationRepresentation 像元 像元 像元 像元 像元 像元 像元 像元 像元 像元 像元 像元 像元 像元 像元 像元 像元 像元 不同波段序列 图象 空间 波段1 波段2 波段3
