bayesian-sgm 1.0.0

提出了一种基于朴素贝叶斯分类器的彩色图像分割方法，在其统计模型中采用了两类数据：皮肤和非皮肤。这就是你如何寻找一种准确度和速度都足以应用于个人电脑实时拍摄的分色算法。

先决条件

• 巨蟒3.5.5
• opencv 3.1.0或更高版本
• numpy 1.14.3或更高版本

安装

安装前提条件后，可以使用以下命令通过python包存储库安装分段器：

示例

训练图像及其二进制版本应使用相同的文件名组织，但在不同的文件夹中。在下面的示例中，彩色图像位于文件夹n/dataset中，二进制分类位于c/dataset中。 啊！

script.py文件根据提供的数据集执行培训，并将分段器应用于网络摄像头捕获的视频。

理论基础

简介

将与人体皮肤相对应的区域分离成数字图像，对于解决计算机视觉中的人脸检测、手势检测和内容分类等问题具有重要意义。此类应用采用分割算法，目的是在图像中划定感兴趣的区域，以缩小要处理的信息范围并获得性能增益。

分割图像涉及到不同的技术，如K-均值和其他形式的模式识别。然而，由于其物理特性和独特的与光的相互作用方式，人类皮肤具有区别于无机元素的视觉特性，这为基于颜色的方法带来了优势。即使考虑到种族差异，人类皮肤的色调范围也相对有限。

然后，问题是根据颜色来确定一组给定的像素是否属于人类皮肤的一个区域，在这种情况下，选择最适合人类皮肤铅笔的颜色空间，以及使用一个统计模型来分析以前分类的图像集可以是一个有效的解决方案。这些选择与分割算法对不利的光照条件和遮挡等问题的敏感性有着内在的联系。

方法论

贝耶斯定理以他的理想主义者托马斯·贝耶斯（1701-1761）的名字命名，它建立了一个数学关系，用以计算条件避免的事件的概率。预览。假设对附件B进行了观察，则事件发生的概率描述如下：

这一原理在统计推断领域有许多应用，在需要从一组样本的分析中推断信息的问题上。垃圾邮件过滤器，例如，分析用户分类为垃圾邮件和非垃圾邮件的各种电子邮件的文本，并根据上述公式确定放置新样本的类别。

这种假设虽然可能会损害模型与数据之间实际发生的关系之间的一致性，但能够将误差水平接近更稳健方法的样本分类。

该数学模型可作为两类像素分类技术应用于图像分割：皮肤和非皮肤。例如，对于在3通道彩色空间中描绘的图像，事件a被认为表示像素属于皮肤区域的事实。b对应于给定通道中像素假定的数值。因此，首先需要获取< BR> 图1：手动分类集合图像的示例。

从一组图像（如图1）中，可以计算应用bayes定理所需的概率a priori。在图像编辑器的帮助下分析预分类集中的所有图像后，每个通道的概率值存储在参考表中。

当接收到一幅前所未有的图像时，该算法根据通道的值（即颜色）在表中以相应的概率搜索每个像素，然后根据需要将获得的值相乘，得到最终的分类。因此，图像成为值介于0和1之间的推断概率矩阵。然后确定阈值

其中

参考文献

• 离子安德鲁索普洛斯，约翰·库提亚斯，康斯坦丁诺斯诉钱德里诺斯，乔治·帕里亚斯和康斯坦丁·德斯皮罗普洛斯。Naive Bayesiannti垃圾邮件过滤评估。ARXIV预印本CS/00060132000。

• 在>詹姆斯贝兹德克，洛霍尔，和lp克拉克。回顾使用模式识别的mr图像分割技术。医学物理学，20（4）：1033-10481992。

• 玛格丽特M弗莱克、大卫A福赛斯和克里斯布莱格勒寻找裸体人士欧洲计算机视觉会议，第593-602页。斯普林格，1996年。

• 刘连旭，莫塔勒布先生和贾因先生。彩色图像中的人脸检测模式分析和机器智能的ieee交易，24（5）：696-7062002年5月。

• 林峰、布泽杜姆和柴道格拉斯。使用颜色像素分类的皮肤分割：分析和比较。《模式分析与机器智能电子交易》，27（1）：148-1542005。