概率图模型介绍.ppt

概率概率图模型是一模型是一类用用图形模式表达基于概率相关形模式表达基于概率相关关系的模型的关系的模型的总称。目前在称。目前在图像和像和视频智能信息智能信息处理理领域已有域已有应用，基本的概率用，基本的概率图模型包括模型包括贝叶斯网叶斯网络、马尔科夫网科夫网络和和隐马儿科夫网儿科夫网络。遥感多遥感多/高光高光谱图象与象与视频图象的特点有很大的区象的特点有很大的区别，我，我们的研究目的研究目标就是建立一套适合遥感就是建立一套适合遥感图象象处理理的概率的概率图模型理模型理论。基本构想是用概率。基本构想是用概率图来描述不同来描述不同尺度尺度“基元基元”（像元、体元、目（像元、体元、目标元等）及其元等）及其“谱”（包括像元（包括像元谱、基、基础要素要素谱和和专题要素要素谱）特征之特征之间形成的一种空形成的一种空间结构关系。构关系。实现“图-谱”的真正的真正紧耦合，以便耦合，以便对海量遥感数据的快速、高效、准确的海量遥感数据的快速、高效、准确的计算分析和解算分析和解译。1 1.高分遥感高分遥感数据特点数据特点 一般是一般是单纯从光从光谱特性或者从特性或者从图像特征出像特征出发进行分析行分析处理的，并没有理的，并没有将两者将两者紧密的密的结合起来合起来传统多多/高高光光谱遥感信遥感信息息处理方式理方式高分辨率遥感数据提供了更加高分辨率遥感数据提供了更加细致的致的“图-谱”信息，同信息，同时具具备亚米米级的空的空间分辨率以及分辨率以及纳米米级的光的光谱分辨率分辨率研究目研究目标建立一种新的建立一种新的“图-谱”紧耦合的分耦合的分析析处理理理理论框架框架研究手段研究手段构建不同构建不同层次、不同尺度的概率次、不同尺度的概率图模模型型研究策略研究策略建立不同尺度建立不同尺度“基元基元”及其及其“谱”特特征形成的一种空征形成的一种空间紧支支结构关系构关系高分辨率遥感高分辨率遥感图像像处理理2 2.avirisaviris的的Moffett FieldMoffett Field高光高光谱图像光像光谱（5050，2727，1717波段）的波段）的伪彩合成彩合成图草坪光草坪光谱曲曲线跑道光跑道光谱曲曲线3 3.机机场目目标的主要的主要构成构成为水泥地跑水泥地跑道、航站楼和草道、航站楼和草坪。坪。avirisaviris的的Moffett FieldMoffett Field高光高光谱图像光像光谱（5050，2727，1717波段）的波段）的伪彩合成彩合成图草坪光草坪光谱曲曲线跑道光跑道光谱曲曲线4 4.像元像元谱概率概率图模型模型基基础要素要素谱谱概率概率图模型模型专题要素要素谱概概率率图模型模型像元像元级体元体元级目目标级分分层概率概率图模型关系模型关系图5 5.不同基元之不同基元之间关系关系图像元像元体元体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像元体元体元体元体元体元体元目目标元元目目标元元像元像元像元像元像元像元像元之像元之间的的连线表示了像表示了像元之元之间的关系，的关系，这种关系种关系既包括空既包括空间关系，又包括关系，又包括像元的光像元的光谱关系。关系。体元由同体元由同类像元构成，体像元构成，体元之元之间的的连线表示了体元表示了体元之之间的空的空间和和谱关系关系目目标元是由构成某种元是由构成某种专题要素要素的不同体元的不同体元组成，目成，目标元之元之间的的连线表达了目表达了目标之之间的关系的关系6 6.贝叶斯基本框架后后验概率概率似然函数似然函数先先验概率概率第第i i类标准化因子准化因子观测问题描述描述 观测 结论 （分（分类或或预测）贝叶斯叶斯规则7 7.概率图基本理论节节点表示随机点表示随机变变量量/状状态态 缺失的缺失的边边代表条件独立假代表条件独立假设设图结图结构表示分解（构表示分解（The graph structure impliesThe graph structure implies thethe decompositiondecomposition）有向概率有向概率图（贝叶斯网）叶斯网）无向无向图模型（模型（马儿可夫随机域）儿可夫随机域）8 8.Probability Distribution概率分布概率分布Definition of Joint Probability DistributionCheck:9 9.Representation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。1010.Undirected PGM(MRF)无向无向图图模型（模型（马马儿可夫随机域）儿可夫随机域）RepresentationConditional IndependenceProbability DistributionQueriesImplementationInterpretation1111.Probability Distribution(1)概率分布概率分布概率分布概率分布CliqueClique A clique of a graph is a A clique of a graph is a fully-connectedfully-connected subset 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 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 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 function on the possible realizations of the maximal :potential function on the possible realizations of the maximal clique clique 1212.Probability Distribution(2)Maximal cliques1313.Probability Distribution(3)Joint probability distributionJoint probability distribution Normalization factorNormalization factorBoltzman distribution1414.Conditional IndependenceIts a“reachability”problem in graph theory.1515.Representation1616.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不同波段序列图象象空空间波段波段1 1波段波段2 2波段波段3 31717.