情境图像分类

情境图像分类是计算机视觉中模式识别的一个主题，是一种基于图像中情境信息的分类方法。上下文是指这种方法关注附近像素的关系，这也被称为邻域。这种方法的目标是通过使用上下文信息对图像进行分类。

与处理语言相似，除非提供上下文，否则一个词可能有多种含义，而句子中的模式是我们xxx关心的信息段。对于图像来说，其原理是一样的，找出模式并将适当的含义与之联系起来。

正如图片所示，如果只显示图片的一小部分，就很难知道图片的内容。即使尝试图片的另一部分，仍然很难对图片进行分类。

然而，如果我们增加图像的上下文，那么它的识别就更有意义了。正如完整图像所示，几乎每个人都可以很容易地将其分类。

在分割的过程中，不使用上下文信息的方法对噪声和变化很敏感，因此分割的结果会包含大量的错误分类区域，而且这些区域往往很小（例如一个像素）。与其他技术相比，这种方法对噪声和大幅度的变化是稳健的，因为它考虑到了片段的连续性。

作为标记图像的后处理过滤器的功能这种方法对由噪声引起的小区域非常有效。这些小区域通常由几个像素或一个像素组成。最有可能的标签被分配给这些区域。然而，这种方法有一个缺点。这种方法在遥感应用中被广泛使用。

这是一个两阶段的分类过程。对于每个像素，为其贴上标签并形成一个新的特征向量。使用新的特征向量并结合上下文信息，为其分配最终的标签合并前面阶段的像素不使用单个像素，可以将相邻的像素合并成得益于上下文信息的同质区域。并将这些区域提供给分类器。

原始光谱数据可以通过添加邻域像素所携带的背景信息来丰富，甚至在某些情况下被替换。这种预处理方法被广泛用于纹理图像的识别。典型的方法包括均值、方差、纹理描述等。

分类器使用灰度等级和像素邻域（上下文信息）来给像素分配标签。在这种情况下，信息是光谱和空间信息的结合。

图像数据的上下文分类是基于贝叶斯最小误差分类器（也被称为天真贝叶斯分类器）。呈现像素。{displaystyleN(x_{0})}中的像素的标签（分类）以向量形式呈现。呈现为一个向量{displaystyle{hat{theta}}=left(theta_{1},theta_{2},ldots,theta_{k}right)}。邻域：邻域的大小。对尺寸没有限制，但对于每个像素来说，它被认为是比较小的。{displaystylex_{0}}被标记为红色并置于中心。被标记为红色并置于中心位置）。