哈工程模式識(shí)別實(shí)驗(yàn)

實(shí)驗(yàn)一、圖像的貝葉斯分類實(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)行圖像分類的根本方法，通過(guò)實(shí)驗(yàn)加深對(duì)根本概念的理解。實(shí)驗(yàn)儀器設(shè)備及軟件HPD538、MATLAB實(shí)驗(yàn)原理閾值化分割算法是計(jì)算機(jī)視覺(jué)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(guò)程中，確定閾值是分割的關(guān)鍵。對(duì)一般的圖像進(jìn)行分割處理通常對(duì)圖像的灰度分布有一定的假設(shè)，或者說(shuō)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)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錯(cuò)。這時(shí)如用全局閾值進(jìn)行分割必然會(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(wèn)題可以使用模式識(shí)別中的最小錯(cuò)分概率貝葉斯分類器來(lái)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)可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)行分割，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)誤。通過(guò)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(lái)。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(lái)求得最優(yōu)閾值，來(lái)對(duì)實(shí)驗(yàn)圖像進(jìn)行分割。最優(yōu)閾值的迭代算法在實(shí)際使用最優(yōu)閾值進(jìn)行分割的過(guò)程中，需要利用迭代算法來(lái)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(guò)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(guò)程中，會(huì)屢次地對(duì)和求均值，那么可見(jiàn)，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)行分割的迭代步驟為：〔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)算新的閾值，其中〔5〕如果小于允許的誤差，那么結(jié)束，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)行一些人工調(diào)整才能將此閾值用于實(shí)驗(yàn)圖像的分割，這是因?yàn)椋@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)驗(yàn)因子進(jìn)行校正。四實(shí)驗(yàn)步驟及程序?qū)嶒?yàn)程序：I=imread('peppers.bmp');ZMax=max(max(I));ZMin=min(min(I));TK=(ZMax+ZMin)/2;bCal=1;iSize=size(I);while(bCal)iForeground=0;iBackground=0;ForegroundSum=0;BackgroundSum=0;fori=1:iSize(1)forj=1:iSize(2)tmp=I(i,j);if(tmp>=TK)iForeground=iForeground+1;ForegroundSum=ForegroundSum+double(tmp);elseiBackground=iBackground+1;BackgroundSum=BackgroundSum+double(tmp);endendendZO=ForegroundSum/iForeground;ZB=BackgroundSum/iBackground;TKTmp=double((ZO+ZB)/2);if(TKTmp==TK)bCal=0;elseTK=TKTmp;endenddisp(strcat('μü′úoóμ??D?μ￡o',num2str(TK)));newI=im2bw(I,double(TK)/255);subplot(121),imshow(I)title('?-í???')subplot(122),imshow(newI)title('·???oóμ?í???')五實(shí)驗(yàn)結(jié)果與分析圖1-1迭代后的閾值：102.3649遙感：%%ày12.2?à?×êy?Yμ?±′ò??1·?àà(??ê?á?′í?óμ?)clcclearf1=imread('Fig1125(a)(WashingtonDC_Band1_512).tif');f2=imread('Fig1125(b)(WashingtonDC_Band2_512).tif');f3=imread('Fig1125(c)(WashingtonDC_Band3_512).tif');f4=imread('Fig1125(d)(WashingtonDC_Band4_512).tif');B1=roipoly(f1);B2=roipoly(f1);B3=roipoly(f1);B=B1|B2|B3;imshow(B)stack=cat(3,f1,f2,f3,f4);[X1,R1]=imstack2vectors(stack,B1);[X2,R2]=imstack2vectors(stack,B2);[X3,R3]=imstack2vectors(stack,B3);Y1=X1(1:2:end,:);Y2=X2(1:2:end,:);Y3=X3(1:2:end,:);[C1,m1]=covmatrix(Y1);[C2,m2]=covmatrix(Y2);[C3,m3]=covmatrix(Y3);CA=cat(3,C1,C2,C3);MA=cat(2,m1,m2,m3);dY{1}=bayesgauss(Y1,CA,MA);dY{2}=bayesgauss(Y2,CA,MA);dY{3}=bayesgauss(Y3,CA,MA);IY{1}=find(dY{1}~=1);IY{2}=find(dY{2}~=2);IY{3}=find(dY{3}~=3);%------------------------------------?μá·?￡ê?QQ_training=zeros(3,5);fori=1:3QQ_training(i,4)=length(dY{i});forj=1:3QQ_training(i,j)=length(find(dY{i}==j));endQQ_training(i,5)=100*(1-length(IY{i})/length(dY{i}));end%%------------------------------------?àá￠?￡ê?%Y1=X1(2:2:end,:);%Y2=X2(2:2:end,:);%Y3=X3(2:2:end,:);%%dY{1}=bayesgauss(Y1,CA,MA);%dY{2}=bayesgauss(Y2,CA,MA);%dY{3}=bayesgauss(Y3,CA,MA);%%IY{1}=find(dY{1}~=1);%IY{2}=find(dY{2}~=2);%IY{3}=find(dY{3}~=3);%%QQ_test=zeros(3,5);%%fori=1:3%QQ_test(i,4)=length(dY{i});%forj=1:3%QQ_test(i,j)=length(find(dY{i}==j));%end%QQ_test(i,5)=100*(1-length(IY{i})/length(dY{i}));%endwww1=R1(IY{1},:);fori=1:length(www1)B(www1(i,1),www1(i,2))=0;endwww2=R2(IY{2},:);fori=1:length(www2)B(www2(i,1),www2(i,2))=0;endwww3=R3(IY{3},:);fori=1:length(www3)B(www3(i,1),www3(i,2))=0;endimshow(B)圖1-2QQ_training=6800681000150015010000128128100實(shí)驗(yàn)2K均值聚類算法實(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K均值聚類算法進(jìn)行圖像分類的根本方法，通過(guò)實(shí)驗(yàn)加深對(duì)根本概念的理解。實(shí)驗(yàn)儀器設(shè)備及軟件HPD538、MATLAB、WIT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(wèn)題，憑經(jīng)驗(yàn)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)行判斷、修改直至到達(dá)算法終止條件。實(shí)驗(yàn)步驟及程序clear;clc;tic;%A=imread('lena.bmp');A=imread('lena.bmp');figure,imshow(A),title('?-ê?í???');figure,imhist(A)A=double(A);fori=1:200c1(1)=25;c2(1)=75;c3(1)=120;c4(1)=200;%è·?¨????3?ê???àà?DD?r=abs(A-c1(i));g=abs(A-c2(i));b=abs(A-c3(i));y=abs(A-c4(i));%?????÷μ?ó???àà?DD?μ??àà?r_g=r-g;g_b=g-b;r_b=r-b;b_y=b-y;r_y=r-y;g_y=g-y;%?÷μ?μ?2?í???àà?DD?μ??àà???2?n_r=find(r_g<=0&r_b<=0&r_y<=0);n_g=find(r_g>0&g_b<=0&g_y<=0);n_b=find(g_b>0&r_b>0&b_y<=0);%??ê?óú2?í???àà?DD?μ??a????ààn_y=find(r_y>0&g_y>0&b_y>0);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);%?ó?÷ààμ????ù?μ×÷?aD?μ???àà?DD?d1(i)=sqrt(abs(c1(i)-c1(i-1)));d2(i)=sqrt(abs(c2(i)-c2(i-1)));d3(i)=sqrt(abs(c3(i)-c3(i-1)));d4(i)=sqrt(abs(c4(i)-c4(i-1)));ifd1(i)<=0.001&&d2(i)<=0.001&&d3(i)<=0.001&&d4(i)<=0.001%?ì?éê?·??ú×?ì??tR=c1(i);G=c2(i);B=c3(i);Y=c4(i);k=i;break;endendkRGBY%ê?3?μ???????àà?DD??μA=uint8(A);A(find(A<(R+G)/2))=0;A(find(A>(R+G)/2&A<(G+B)/2))=75;A(find(A>(G+B)/2&A<(Y+B)/2))=150;A(find(A>(B+Y)/2))=255;%??í???·?3é??ààê?3?tocfigure,imshow(A),title('??ààoóí???');figure,imhist(A)實(shí)驗(yàn)結(jié)果與分析以MATLAB和WIT分別實(shí)現(xiàn)K均值圖像聚類算法，寫明聚類類別數(shù)、聚類中心、迭代次數(shù)、運(yùn)行時(shí)間，附原始圖像和分類結(jié)果圖像，并做實(shí)驗(yàn)分析?！擦砥鹨豁?yè)〕圖2-1k=15R=61.2919G=106.2023B=145.2944Y=191.7226Elapsedtimeis4.338524seconds.實(shí)驗(yàn)3神經(jīng)網(wǎng)絡(luò)模式識(shí)別實(shí)驗(yàn)?zāi)康恼莆绽酶兄骱虰P網(wǎng)進(jìn)行模式識(shí)別的根本方法，通過(guò)實(shí)驗(yàn)加深對(duì)根本概念的理解。實(shí)驗(yàn)儀器設(shè)備及軟件HPD538、MATLAB實(shí)驗(yàn)原理設(shè)計(jì)線性可分實(shí)驗(yàn)線性分類器原理見(jiàn)教材。設(shè)計(jì)線性分類器對(duì)線性可分樣本集進(jìn)行分類，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(lái)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(zhǎng)。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(wú)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(wèn)題的方案并實(shí)驗(yàn)驗(yàn)證。三、分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)行分類，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)行分類，考察訓(xùn)練時(shí)間及迭代次數(shù)并作比照。實(shí)驗(yàn)步驟及程序感知器實(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)行分類實(shí)驗(yàn)結(jié)果與分析寫明迭代次數(shù)、訓(xùn)練時(shí)間，附分類界面效果圖，并討論奇異樣本對(duì)分類器訓(xùn)練的影響感知器：closeall;clear;clc;tic;%P?aê?è?ê?á?P=[-5-7-4-10-542-4-214431-2;0-542-4141-1-3-17-2-35-5];%T?a??±êê?á?T=[1011011010010010];figure,plotpv(P,T);%????′y·?ààêy?Yμ?í?net=newp(minmax(P),1);%′′?¨?D?a?÷é??-í???linehandle=plotpc(net.IW{1},net.b{1});E=1;n=0;%?μá·?D?a?÷é??-í???while(sse(E))[net,y,E]=adapt(net,P,T);n=n+1;perf(n)=sse(E);linehandle=plotpc(net.IW{1},net.b{1},linehandle);drawnow;endntoc%?????ó2??ú??figure,plot(perf);%?????ó2?±??ˉ?ú??1/線形可分：closeall;clear;clc;tic;%P?aê?è?ê?á?P=[-5-7-4-10-542-4-214431-2;0-542-4141-1-3-17-2-35-5];%T?a??±êê?á?T=[1011011010010010];figure,plotpv(P,T);%????′y·?ààêy?Yμ?í?net=newp(minmax(P),1);%′′?¨?D?a?÷é??-í???linehandle=plotpc(net.IW{1},net.b{1});E=1;n=0;%?μá·?D?a?÷é??-í???while(sse(E))[net,y,E]=adapt(net,P,T);n=n+1;perf(n)=sse(E);linehandle=plotpc(net.IW{1},net.b{1},linehandle);drawnow;endntoc%?????ó2??ú??figure,plot(perf);%?????ó2?±??ˉ?ú??迭代次數(shù)：n=3運(yùn)行時(shí)間：Elapsedtimeis0.903571seconds.奇異樣本：closeall;clear;clc;tic;%P?aê?è?ê?á?P=[-5-7-4-10-542-4-214431-2;10-542-41141-1-3-117-2-315-5];%T?a??±êê?á?T=[1011011010010010];figure,plotpv(P,T);%????′y·?ààêy?Yμ?í?net=newp(minmax(P),1);%′′?¨?D?a?÷é??-í???linehandle=plotpc(net.IW{1},net.b{1});E=1;n=0;%?μá·?D?a?÷é??-í???while(sse(E))[net,y,E]=adapt(net,P,T);n=n+1;perf(n)=sse(E);linehandle=plotpc(net.IW{1},net.b{1},linehandle);drawnow;endntoc%?????ó2??ú??figure,plot(perf);%?????ó2?±??ˉ?ú??迭代次數(shù)：n=8運(yùn)行時(shí)間：Elapsedtimeis2.064337seconds.3/線形不可分closeall;clear;clc;tic;%P?aê?è?ê?á?P=[-5-7-4-10-542-4-214431-2;0-242-4141-1-3-17-2-35-5];%T?a??±êê?á?T=[1011011010010010];figure,plotpv(P,T);%????′y·?ààêy?Yμ?í?net=newp(minmax(P),1);%′′?¨?D?a?÷é??-í???linehandle=plotpc(net.IW{1},net.b{1});E=1;n=0;%?μá·?D?a?÷é??-í???while(sse(E))[net,y,E]=adapt(net,P,T);n=n+1;