(10)

(11)

 

i

 Pr(ω)

R

G

B

IR

z

i

 

ii

i

ω  if  Pr(ω) Pr(ω) > Pr(ω) Pr(ω), 

    for all  jk









kk

k

j

j

zz

z

 

 .................................(13) 

59 

i

i

i

i

i

=

R

G

z

B

IR



















 ....................................(8) 

(13)

(14)

(15) 

ii

i

k

ik

g() =lnPr(ω) Pr(ω)

ln Pr(ω) + ln Pr(ω)

















k

k

zz

z

....................(14) 

R

i

i

G

i

i

B

i

i

IR

i

i

 

ii

j

i

ω if  g() > g() ,  for all   jk









kk

zz

z

.......(15) 

i

g(z) 

k



(Dis-

criminate Function) (Richards and Jia., 2006) 
2.3.3 

(Multivariable Normal 

Class Models) 

S

k



k

i

z

i



k

(9)

 

i

z

i

ω

i

Pr(ω

), k=1,2,...,

k

z



S...................................(9) 

i

ii

 Pr(ω)

z



(Lillesand and Kiefer, 

2000)

y

(band)

i

 Pr

 

(ω)

k

z



i

z

i

z

i



k

(10)

 

ω

k

1/2

/2

ii

1

ii

 Pr(ω) = (2)

1

exp

(

)

(

)

2

































y

k

t

kk

k

z

zm

zm



 

i

i

i

 

ω  if  Pr(ω

) > Pr(ω

), for all  jk

kk

j

zz

z









 

 ..................................(10) 

 .................................(16) 

(9)

i

)

 Pr(ω

k

z



(Bayes’ 

Theorem)

 

ii

k

 Pr(ω

) = Pr(ω) Pr(ω)/ Pr()

k

k

zz



i

z



.........(11) 

k

m



k

(mean vector)

k

(covariance 

matrix)

(16)

(14)

(17) 

k



ik

1

i

1

 g()=ln Pr (ω) - 

2

1

()

(

)

2



















k

k

t

ki

k

k

z

zm

z

m

.......(17) 

k

 Pr(ωz



i

)

i

z

i

ω

k

i

 Pr(ω

z



)

k

i

)

z



 

k

(prior 

probability)

i

z

i

 

 Pr(ω)

k

 Pr(

ii

1

 Pr() = 

Pr(ω) Pr(ω







S

k

k

zz

)

k

.....................(12) 

k

(Richards and Jia., 2006)

(17)

(Discriminant  

 Pr(ω)

k

 Pr(ω)

k