哈爾濱工程大學(xué)-模式識(shí)別實(shí)驗(yàn)報(bào)告模板

1、實(shí) 驗(yàn) 報(bào) 告實(shí)驗(yàn)課程名稱： 模式識(shí)別 姓名： 班級(jí)： 20210811 學(xué)號(hào)： 實(shí)驗(yàn)名稱標(biāo)準(zhǔn)程度原理表達(dá)實(shí)驗(yàn)過程實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)成績圖像的貝葉斯分類K均值聚類算法神經(jīng)網(wǎng)絡(luò)模式識(shí)別平均成績折合成績注：1、每個(gè)實(shí)驗(yàn)中各項(xiàng)成績按照5分制評(píng)定，實(shí)驗(yàn)成績?yōu)楦黜?xiàng)總和2、平均成績?nèi)「黜?xiàng)實(shí)驗(yàn)平均成績3、折合成績按照教學(xué)大綱要求的百分比進(jìn)展折合2021 年 4月實(shí)驗(yàn)1 圖像的貝葉斯分類1.1 實(shí)驗(yàn)?zāi)康膶⒛Ｊ阶R(shí)別方法與圖像處理技術(shù)相結(jié)合，掌握利用最小錯(cuò)分概率貝葉斯分類器進(jìn)展圖像分類的根本方法，通過實(shí)驗(yàn)加深對(duì)根本概念的理解。1.2 實(shí)驗(yàn)儀器設(shè)備及軟件HP D538、MATLAB1.3 實(shí)驗(yàn)原理閾值化分割算法是計(jì)算機(jī)視

2、覺中的常用算法，對(duì)灰度圖象的閾值分割就是先確定一個(gè)處于圖像灰度取值范圍內(nèi)的灰度閾值，然后將圖像中每個(gè)像素的灰度值與這個(gè)閾值相比擬。并根據(jù)比擬的結(jié)果將對(duì)應(yīng)的像素劃分為兩類，灰度值大于閾值的像素劃分為一類，小于閾值的劃分為另一類，等于閾值的可任意劃分到兩類中的任何一類。此過程中，確定閾值是分割的關(guān)鍵。 對(duì)一般的圖像進(jìn)展分割處理通常對(duì)圖像的灰度分布有一定的假設(shè)，或者說是基于一定的圖像模型。最常用的模型可描述如下：假設(shè)圖像由具有單峰灰度分布的目標(biāo)和背景組成，處于目標(biāo)和背景內(nèi)部相鄰像素間的灰度值是高度相關(guān)的，但處于目標(biāo)和背景交界處兩邊的像素灰度值有較大差異，此時(shí)，圖像的灰度直方圖根本上可看作是由分別對(duì)應(yīng)

3、于目標(biāo)和背景的兩個(gè)單峰直方圖混合構(gòu)成。而且這兩個(gè)分布應(yīng)大小接近，且均值足夠遠(yuǎn)，方差足夠小，這種情況下直方圖呈現(xiàn)較明顯的雙峰。類似地，如果圖像中包含多個(gè)單峰灰度目標(biāo)，那么直方圖可能呈現(xiàn)較明顯的多峰。 上述圖像模型只是理想情況，有時(shí)圖像中目標(biāo)和背景的灰度值有局部交織。這時(shí)如用全局閾值進(jìn)展分割必然會(huì)產(chǎn)生一定的誤差。分割誤差包括將目標(biāo)分為背景和將背景分為目標(biāo)兩大類。實(shí)際應(yīng)用中應(yīng)盡量減小錯(cuò)誤分割的概率，常用的一種方法為選取最優(yōu)閾值。這里所謂的最優(yōu)閾值，就是指能使誤分割概率最小的分割閾值。圖像的直方圖可以看成是對(duì)灰度值概率分布密度函數(shù)的一種近似。如一幅圖像中只包含目標(biāo)和背景兩類灰度區(qū)域，那么直方圖所代表的

4、灰度值概率密度函數(shù)可以表示為目標(biāo)和背景兩類灰度值概率密度函數(shù)的加權(quán)和。如果概率密度函數(shù)形式，就有可能計(jì)算出使目標(biāo)和背景兩類誤分割概率最小的最優(yōu)閾值。 假設(shè)目標(biāo)與背景兩類像素值均服從正態(tài)分布且混有加性高斯噪聲，上述分類問題可用模式識(shí)別中的最小錯(cuò)分概率貝葉斯分類器來解決。以與分別表示目標(biāo)與背景的灰度分布概率密度函數(shù)，與分別表示兩類的先驗(yàn)概率，那么圖像的混合概率密度函數(shù)用下式表示 式中和分別為 、是針對(duì)背景和目標(biāo)兩類區(qū)域灰度均值與的標(biāo)準(zhǔn)差。假設(shè)假定目標(biāo)的灰度較亮，其灰度均值為，背景的灰度較暗，其灰度均值為，因此有 現(xiàn)假設(shè)規(guī)定一門限值對(duì)圖像進(jìn)展分割，勢(shì)必會(huì)產(chǎn)生將目標(biāo)劃分為背景和將背景劃分為目標(biāo)這兩類錯(cuò)

5、誤。通過適中選擇閾值，可令這兩類錯(cuò)誤概率為最小，那么該閾值即為最正確閾值。 把目標(biāo)錯(cuò)分為背景的概率可表示為 把背景錯(cuò)分為目標(biāo)的概率可表示為 總的誤差概率為 為求得使誤差概率最小的閾值，可將對(duì)求導(dǎo)并令導(dǎo)數(shù)為零，可得 代換后，可得 此時(shí)，假設(shè)設(shè)，那么有 假設(shè)還有的條件，那么 這時(shí)的最優(yōu)閾值就是兩類區(qū)域灰度均值與的平均值。上面的推導(dǎo)是針對(duì)圖像灰度值服從正態(tài)分布時(shí)的情況，如果灰度值服從其它分布，依理也可求出最優(yōu)閾值來。一般情況下，在不清楚灰度值分布時(shí)，通?？杉俣ɑ叶戎捣恼龖B(tài)分布。因此，本課題中亦可使用此方法來求得最優(yōu)閾值，來對(duì)實(shí)驗(yàn)圖像進(jìn)展分割。 最優(yōu)閾值的迭代算法 在實(shí)際使用最優(yōu)閾值進(jìn)展分割的過程中

6、，需要利用迭代算法來求得最優(yōu)閾值。設(shè)有一幅數(shù)字圖像，混有加性高斯噪聲，可表示為 此處假設(shè)圖像上各點(diǎn)的噪聲相互獨(dú)立，且具有零均值，如果通過閾值分割將圖像分為目標(biāo)與背景兩局部，那么每一局部仍然有噪聲點(diǎn)隨機(jī)作用于其上，于是，目標(biāo)和可表示為 迭代過程中，會(huì)屢次地對(duì)和求均值，那么 可見，隨著迭代次數(shù)的增加，目標(biāo)和背景的平均灰度都趨向于真實(shí)值。因此，用迭代算法求得的最正確閾值不受噪聲干擾的影響。 利用最優(yōu)閾值對(duì)實(shí)驗(yàn)圖像進(jìn)展分割的迭代步驟為： 1確定一個(gè)初始閾值，可取為 式中，和為圖像灰度的最小值和最大值。 2利用第k次迭代得到的閾值將圖像分為目標(biāo)和背景兩大區(qū)域，其中 3計(jì)算區(qū)域和的灰度均值和。 4計(jì)算新的

7、閾值，其中 5如果小于允許的誤差，那么完畢，否那么，轉(zhuǎn)步驟2。 利用迭代法求得最優(yōu)閾值后，仍需進(jìn)展一些人工調(diào)整才能將此閾值用于實(shí)驗(yàn)圖像的分割，這是因?yàn)?，這種最優(yōu)閾值仍然屬于全局閾值，它利用了圖像中所有像素點(diǎn)的信息，但當(dāng)光照不均勻時(shí)，圖像中局部區(qū)域的灰度值可能差距較大，造成計(jì)算出的最優(yōu)閾值分割效果不理想，此時(shí)，可設(shè)一人工經(jīng)歷因子進(jìn)展校正。 、實(shí)驗(yàn)步驟及程序?qū)嶒?yàn)步驟：1、讀取指定圖像，取矩陣的最大值和最小值，并以最大值、最小值的平均值為初始閾值A(chǔ)。2、比擬所有的矩陣因子和初始閾值的大小，假設(shè)某矩陣因子較大，那么有效區(qū)域的像素點(diǎn)數(shù)增加1，該點(diǎn)灰度值需計(jì)入有效區(qū)域的灰度總值。反之，背景的像素點(diǎn)增加1，

8、該點(diǎn)灰度值需計(jì)入背景的灰度值。3、所有的矩陣因子都比擬完以后，計(jì)算有效區(qū)域的像素平均灰度值和背景的平均灰度值。取這兩個(gè)平均值的平均，記為B，假設(shè)A=B,那么循環(huán)完畢，該值為最優(yōu)閾值。否那么，令A(yù)=B，重復(fù)步驟2、3。 讀取指定圖像，取矩陣的最大值和最小值，并以最大值、最小值的平均值作為初始的閾值A(chǔ)矩陣因子A?有效區(qū)域的像素點(diǎn)數(shù)增加1，該點(diǎn)灰度值需計(jì)入有效區(qū)域的灰度總值背景的像素點(diǎn)增加1，該點(diǎn)灰度值需計(jì)入背景的灰度值計(jì)算有效區(qū)域的像素平均灰度值和背景的平均灰度值。取這兩個(gè)平均值的平均，記為B比擬完畢？A-B=TK) iForeground=iForeground+1; ForegroundSum

9、=ForegroundSum+double(tmp); else iBackground=iBackground+1; BackgroundSum=BackgroundSum+double(tmp); end end end ZO=ForegroundSum/iForeground; ZB=BackgroundSum/iBackground; TKTmp=double(ZO+ZB)/2); if(TKTmp=TK) bCal=0; else TK=TKTmp; endenddisp(strcat(diedaihoudeyuzhi,num2str(TK);newI=im2bw(I,double(

10、TK)/255);imshow(I)figureimshow(newI)、實(shí)驗(yàn)結(jié)果與分析分割效果圖如下所示。 圖1.5.1 原始圖像 圖1.5.2 分割后的圖像 圖1.5.3 原始圖像的灰度直方圖實(shí)驗(yàn)分析：對(duì)灰度圖象的閾值分割就是先確定一個(gè)處于圖像灰度取值范圍內(nèi)的灰度閾值，然后將圖像中每個(gè)像素的灰度值與這個(gè)閾值相比擬。并根據(jù)比擬的結(jié)果將對(duì)應(yīng)的像素劃分為兩類，灰度值大于閾值的像素劃分為一類，小于閾值的劃分為另一類，等于閾值的可任意劃分到兩類中的任何一類。其中確定閾值是分割的關(guān)鍵。最優(yōu)閾值的求得需要使用迭代算法。它將會(huì)影響到迭代的次數(shù)和結(jié)果精度。實(shí)驗(yàn)2 K均值聚類算法2.1 實(shí)驗(yàn)?zāi)康膶⒛Ｊ阶R(shí)別方法

11、與圖像處理技術(shù)相結(jié)合，掌握利用K均值聚類算法進(jìn)展圖像分類的根本方法，通過實(shí)驗(yàn)加深對(duì)根本概念的理解。2.2 實(shí)驗(yàn)儀器設(shè)備及軟件HP D538、MATLAB、WIT2.3 實(shí)驗(yàn)原理K均值聚類法分為如下幾個(gè)步驟：初始化聚類中心根據(jù)具體問題，憑經(jīng)歷從樣本集中選出C個(gè)比擬適宜的樣本作為初始聚類中心。用前C個(gè)樣本作為初始聚類中心。將全部樣本隨機(jī)地分成C類，計(jì)算每類的樣本均值，將樣本均值作為初始聚類中心。初始聚類按就近原那么將樣本歸入各聚類中心所代表的類中。取一樣本，將其歸入與其最近的聚類中心的那一類中，重新計(jì)算樣本均值，更新聚類中心。然后取下一樣本，重復(fù)操作，直至所有樣本歸入相應(yīng)類中。判斷聚類是否合理采用

12、誤差平方和準(zhǔn)那么函數(shù)判斷聚類是否合理，不合理那么修改分類。循環(huán)進(jìn)展判斷、修改直至到達(dá)算法終止條件。2.4 實(shí)驗(yàn)步驟及程序?qū)嶒?yàn)步驟：1、讀取原始圖像，確定四個(gè)初始聚類中心。2、計(jì)算各點(diǎn)與聚類中心的距離，以及各點(diǎn)到不同聚類中心的距離之差，選取距離最近的聚類中心作為該點(diǎn)的聚類中心，依據(jù)此原理將屬于不同聚類中心的元素聚類。3、求各類的平均值作為新的聚類中心，檢驗(yàn)是否滿足精度條件。4、輸出的四個(gè)聚類中心值，將圖像分成四類輸出。開場(chǎng)讀取原始圖像，確定四個(gè)初始聚類中心計(jì)算各點(diǎn)與聚類中心的距離，以及各點(diǎn)到不同聚類中心的距離之差，選取距離最近的聚類中心作為該點(diǎn)的聚類中心，據(jù)此原理將屬于不同聚類中心的元素聚類將各

13、類的平均值作為新的聚類中心滿足誤差條件？新的聚類中心即為最終結(jié)果NY完畢圖2.4.1 實(shí)驗(yàn)程序流程圖實(shí)驗(yàn)程序：clccleartic% A=imread(peppers.jpg);A=imread(N: 模式識(shí)別實(shí)驗(yàn)資料實(shí)驗(yàn)圖片peppers.bmp);figure,imshow(A)figure,imhist(A)A=double(A);for i=1:200 c1(1)=25; c2(1)=75; c3(1)=120; c4(1)=200; r=abs(A-c1(i); g=abs(A-c2(i); b=abs(A-c3(i); y=abs(A-c4(i); r_g=r-g; g_b=g-

14、b; r_b=r-b; b_y=b-y; r_y=r-y;g_y=g-y;n_r=find(r_g=0&r_b=0&r_y0&g_b=0&g_y0&r_b0&b_y0&g_y0&b_y0); i=i+1; c1(i)=sum(A(n_r)/length(n_r); c2(i)=sum(A(n_g)/length(n_g); c3(i)=sum(A(n_b)/length(n_b); c4(i)=sum(A(n_y)/length(n_y); d1(i)=sqrt(abs(c1(i)-c1(i-1); d2(i)=sqrt(abs(c2(i)-c2(i-1); d3(i)=sqrt(abs(c3

15、(i)-c3(i-1); d4(i)=sqrt(abs(c4(i)-c4(i-1); if R=c1(i); G=c2(i); B=c3(i); Y=c4(i); k=i; break; endendRGBYA=uint8(A);A(find(A(R+G)/2&A(G+B)/2&A(B+Y)/2)=255;tocfigure,imshow(A)figure,imhist(A)2.5 實(shí)驗(yàn)結(jié)果與分析 使用MATLAB所得結(jié)果：聚類類別數(shù)為4類，聚類中心 ，迭代次數(shù) 9次、運(yùn)行時(shí)間s。 圖2.5.1 原始圖像 圖2.5.2 原始圖像的灰度直方圖 圖2.5.3 聚類后的圖像 圖2.5.4 聚類后的灰

16、度直方圖使用witDemo所得結(jié)果：聚類類別數(shù)為4類，聚類中心 R = 17.9247，G =64.4222，B = 127.926，Y =172.09，迭代次數(shù) 7次、運(yùn)行時(shí)間27.265ms。 圖2.5.5 witDemo運(yùn)行界面圖圖2.5.6 原始圖像圖2.5.7 原始圖像的灰度直方圖圖2.5.8 聚類后的圖像圖2.5.9 運(yùn)行次數(shù)和時(shí)間結(jié)果圖2.5.10 聚類中心實(shí)驗(yàn)分析： 初始的聚類中心的不同，對(duì)聚類的結(jié)果沒有很大的影響，但是對(duì)迭代次數(shù)有明顯的影響。數(shù)據(jù)輸入順序的不同也是影響迭代次數(shù)的，但是對(duì)最后的聚類結(jié)果沒有太大的影響。witDemo中迭代次數(shù)是實(shí)驗(yàn)者設(shè)定的，而MATLAB中那么是

17、根據(jù)精度要求自動(dòng)完成迭代的。實(shí)驗(yàn)3 神經(jīng)網(wǎng)絡(luò)模式識(shí)別3.1 實(shí)驗(yàn)?zāi)康恼莆绽酶兄骱虰P網(wǎng)進(jìn)展模式識(shí)別的根本方法，通過實(shí)驗(yàn)加深對(duì)根本概念的理解。3.2 實(shí)驗(yàn)儀器與設(shè)備HP D538、MATLAB3.3 實(shí)驗(yàn)原理一、設(shè)計(jì)線性可分實(shí)驗(yàn)線性分類器原理見教材。設(shè)計(jì)線性分類器對(duì)線性可分樣本集進(jìn)展分類，樣本數(shù)目10個(gè)以上，訓(xùn)練及分類步驟齊全，記錄分類器訓(xùn)練的迭代次數(shù)和訓(xùn)練時(shí)間。二、奇異樣本對(duì)網(wǎng)絡(luò)訓(xùn)練的影響奇異樣本：該樣本向量同其他樣本向量比擬起來特別大或特別小時(shí)，網(wǎng)絡(luò)訓(xùn)練所花費(fèi)的時(shí)間將很長。設(shè)計(jì)實(shí)驗(yàn)考察奇異樣本對(duì)感知機(jī)訓(xùn)練的影響，比擬有無奇異點(diǎn)時(shí)的訓(xùn)練時(shí)間及迭代次數(shù)，設(shè)計(jì)解決此問題的方案并實(shí)驗(yàn)驗(yàn)證。三、分

18、類線性不可分樣本利用線性分類器對(duì)線性不可分樣本進(jìn)展分類，考察訓(xùn)練時(shí)間及迭代次數(shù)。利用BP網(wǎng)對(duì)該樣本集進(jìn)展分類，考察訓(xùn)練時(shí)間及迭代次數(shù)并作比照。3.4 實(shí)驗(yàn)步驟及程序?qū)嶒?yàn)步驟：感知器實(shí)驗(yàn)：1、設(shè)計(jì)線性可分實(shí)驗(yàn)，要求訓(xùn)練樣本10個(gè)以上 2、奇異樣本對(duì)網(wǎng)絡(luò)訓(xùn)練的影響 3、以線性不可分樣本集訓(xùn)練分類器BP網(wǎng)實(shí)驗(yàn)：利用BP網(wǎng)對(duì)上述線性不可分樣本集進(jìn)展分類線性可分實(shí)驗(yàn)程序：tic;P=-5 -7 -4 -1 0 -5 4 2 -4 -2 1 4 4 3 1 -2;0 -5 4 2 -4 1 4 1 -1 -3 -1 7 -2 -3 5 -5;T=1 0 1 1 0 1 1 0 1 0 0 1 0 0 1

19、0;figure,plotpv(P,T);net=newp(minmax(P),1);linehandle=plotpc(net.IW1,net.b1);E=1;n=0;while(sse(E) net,y,E=adapt(net,P,T); n=n+1; perf(n)=sse(E); linehandle=plotpc(net.IW1,net.b1,linehandle);drawnow;endtocdisp(strcat(迭代次數(shù) ,num2str(n);figure,plot(perf);奇異樣本對(duì)網(wǎng)絡(luò)訓(xùn)練的影響實(shí)驗(yàn)程序：tic;P=-5 -9 -4 -1 0 -5 11 2 -1 -

20、2 1 7 4 3 1 -2;0 -20 8 2 -4 1 4 1 -1 -3 -1 7 -2 -3 5 -5;T=1 0 1 0 0 1 1 0 1 0 0 1 1 1 1 0;figure,plotpv(P,T);net=newp(minmax(P),1);linehandle=plotpc(net.IW1,net.b1);E=1;n=0;while(sse(E) net,y,E=adapt(net,P,T); n=n+1; perf(n)=sse(E); linehandle=plotpc(net.IW1,net.b1,linehandle);drawnow;endtocdisp(str

21、cat(迭代次數(shù),num2str(n);figure,plot(perf);以線性不可分樣本集訓(xùn)練分類器實(shí)驗(yàn)程序：tic;P=-5 -3 -4 -1 0 -5 4 2 2 -2 1 4 -2 3 1 -2;0 12 4 2 -4 1 4 -8 -1 -3 -1 7 -2 -3 5 9;T=1 0 1 1 0 1 1 0 1 0 0 1 0 0 1 0;figure,plotpv(P,T);net=newp(minmax(P),1);linehandle=plotpc(net.IW1,net.b1);E=1;n=0;while(sse(E) net,y,E=adapt(net,P,T); n=n

22、+1; perf(n)=sse(E); linehandle=plotpc(net.IW1,net.b1,linehandle);drawnow;endtocdisp(strcat(迭代次數(shù),num2str(n);figure,plot(perf);BP網(wǎng)實(shí)驗(yàn)程序clear;tic;P=-5 -3 -4 -1 0 -5 4 2 2 -2 1 4 -2 3 1 -2;0 12 4 2 -4 1 4 -8 -1 -3 -1 7 -2 -3 5 9;T=1 0 1 0 0 1 1 0 1 0 0 1 0 0 1 0;figure,plotpv(P,T);net=newff(minmax(P),5,5,1,tansig,purelin,logsig,trainlm);inputWeights=