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

1、實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)課程名稱(chēng)：模式識(shí)別姓名：班級(jí)：學(xué)號(hào)：實(shí)驗(yàn)名稱(chēng)M程度原理敘述實(shí)驗(yàn)過(guò)程實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)成績(jī)圖像的貝葉斯分類(lèi)K均值聚類(lèi)算法神經(jīng)網(wǎng)絡(luò)模式識(shí)別平均成績(jī)折合成績(jī)注：1、每個(gè)實(shí)驗(yàn)中各項(xiàng)成績(jī)按照5分制評(píng)定，實(shí)驗(yàn)成績(jī)?yōu)楦黜?xiàng)總和2、平均成績(jī)?nèi)「黜?xiàng)實(shí)驗(yàn)平均成績(jī)3、折合成績(jī)按照教學(xué)大綱要求的百分比進(jìn)行折合2015年4月1圖像的貝葉斯分類(lèi)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(lèi)器進(jìn)行圖像分類(lèi)的基本方法，通過(guò)實(shí)驗(yàn)加深對(duì)基本概念的理解。實(shí)驗(yàn)儀器設(shè)備及軟件HPD538、MATLAB實(shí)驗(yàn)原理基本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

2、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)閾值相比較。并根據(jù)比較的結(jié)果將對(duì)應(yīng)的像素劃分為兩類(lèi)，灰度值大于閾值的像素劃分為一類(lèi)，小于閾值的劃分為另一類(lèi)，等于閾值的可任意劃分到兩類(lèi)中的任何一類(lèi)。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別，此時(shí)，圖像的灰度直方圖基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

3、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(lèi)似地，如果圖像中包含多個(gè)單峰灰度目標(biāo)，則直方圖可能呈現(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)和背景的灰度值有部分交錯(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(lèi)。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(lèi)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(lèi)灰度值概率密度函數(shù)的加權(quán)和。

4、如果概率密度函數(shù)形式已知，就有可能計(jì)算出使目標(biāo)和背景兩類(lèi)誤分割概率最小的最優(yōu)閾值。假設(shè)目標(biāo)與背景兩類(lèi)像素值均服從正態(tài)分布且混有加性高斯噪聲，上述分類(lèi)問(wèn)題可用模式識(shí)別中的最小錯(cuò)分概率貝葉斯分類(lèi)器來(lái)解決。以P1與p2分別表示目標(biāo)與背景的灰度分布概率密度函數(shù)，P1與P2分別表示兩類(lèi)的先驗(yàn)概率，則圖像的混合概率密度函數(shù)用下式表示P(x)PiPi(X)P2p2(x)式中Pl和P2分別為Pl(x). 2 ie(x i)22 i2(x2)2p2(x)222PiP212是針對(duì)背景和目標(biāo)兩類(lèi)區(qū)域灰度均值1與2的標(biāo)準(zhǔn)差。若假定目標(biāo)的灰度較亮,其灰度均值為2,背景的灰度較暗，其灰度均值為1,因此有現(xiàn)若規(guī)定一門(mén)限值T

5、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(lèi)錯(cuò)誤。通過(guò)適當(dāng)選擇閾值T,可令這兩類(lèi)錯(cuò)誤概率為最小，則該閾值T即為最佳閾值。把目標(biāo)錯(cuò)分為背景的概率可表示為T(mén)日（T）p2（x）dx把背景錯(cuò)分為目標(biāo)的概率可表示為E2（T）tp1（x）dx總的誤差概率為E(T)P?Ei(T)PE2(T)為求得使誤差概率最小的閾值T,可將E(T)XT求導(dǎo)并令導(dǎo)數(shù)為零，可得PlPl(T)P2p2(T)代換后，可得22lnP2(Ti)2(T2)2ln22P21212212此時(shí)，若設(shè)12,則有T2lnP2212P1若還有PP2的條件，則T22這時(shí)的最優(yōu)閾值就是兩類(lèi)區(qū)域灰度均值1與2的平均值。上面的推導(dǎo)是針

6、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f(x,y),混有加性高斯噪聲，可表示為g(x,y)f(x,y)n(x,y)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)與背景兩部分，則每一部分仍然有噪聲點(diǎn)隨機(jī)作用于其上，于是，目標(biāo)g1(x,y)和g2(x,y)可表示為g1(x,y)f1(x,y)n(

7、x,y)g2(x,y)f2(x,y)n(x,y)迭代過(guò)程中，會(huì)多次地對(duì)g1(x,y)和g2(x,y)求均值，則Egi(x,y)Efi(x,y)n(x,y)E"x,y)Eg2(x,y)Ef2(x,y)n(x,y)Ef2(x,y)因此，用迭代算法求可見(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。得的最佳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T0,T0可取為T(mén)oSminSmax2式中，Smin和Smax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)R1和背景R2兩大區(qū)域，其中Rif(x,y)|f(x

8、,y)TkR2f(x,y)|0f(x,y)Tk(3)計(jì)算區(qū)域R1和R2的灰度均值S1和S2。(4)計(jì)算新的閾值Tk1,其中SS2Tk12(5)如果|TkiTk|小于允許的誤差，則結(jié)束，否則kk1,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)?，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)，圖像中部分區(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。、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、比較

9、所有的矩陣因子和初始閾值的大小，若某矩陣因子較大，則有效區(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，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較完以后，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,若A=B,則循環(huán)結(jié)束，該值為最優(yōu)閾值。否則，令A(yù)=B,重復(fù)步驟2、3。開(kāi)始圖程序流程圖實(shí)驗(yàn)程序：I=imread('');Picgray=rgb2gray(I);imhist(Picgray);figureSMax=max(max(I);SMin=min(min(I);TK=(SMax+SMin)/2;

10、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=Foreg

11、roundSum/iForeground;ZB=BackgroundSum/iBackground;TKTmp=double(ZO+ZB)/2);if(TKTmp=TK)bCal=0;elseTK=TKTmp;endend,num2str(TK);disp(strcat('diedaihoudeyuzhi£onewI=im2bw(I,double(TK)/255);imshow(I)figureimshow(newI)、實(shí)驗(yàn)結(jié)果與分析實(shí)驗(yàn)得到的迭代后的分割閾值：分割效果圖如下所示。圖原始圖像第21-圖分割后的圖像圖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

12、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)閾值相比較。并根據(jù)比較的結(jié)果將對(duì)應(yīng)的像素劃分為兩類(lèi)，灰度值大于閾值的像素劃分為一類(lèi)，小于閾值的劃分為另一類(lèi)，等于閾值的可任意劃分到兩類(lèi)最優(yōu)閾值的求得需要使用迭代算法。它將會(huì)影中的任何一類(lèi)。其中確定閾值是分割的關(guān)鍵。響到迭代的次數(shù)和結(jié)果精度。2K均值聚類(lèi)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(lèi)算法進(jìn)行圖像分類(lèi)的基本方法，通過(guò)實(shí)驗(yàn)加深對(duì)基本概念的理解。實(shí)驗(yàn)儀器設(shè)備及軟件HPD538、MATLA、BWIT實(shí)驗(yàn)原理K均值聚類(lèi)法分為如下幾個(gè)步驟：一、初始化聚類(lèi)中心1、 根據(jù)具體問(wèn)題，憑經(jīng)驗(yàn)從樣本集中選出C個(gè)比

13、較合適的樣本作為初始聚類(lèi)中心。2、用前C個(gè)樣本作為初始聚類(lèi)中心。3、將全部樣本隨機(jī)地分成C類(lèi)，計(jì)算每類(lèi)的樣本均值，將樣本均值作為初始聚類(lèi)中心。二、初始聚類(lèi)1、 按就近原則將樣本歸入各聚類(lèi)中心所代表的類(lèi)中。2、 取一樣本，將其歸入與其最近的聚類(lèi)中心的那一類(lèi)中，重新計(jì)算樣本均值，更新聚類(lèi)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(lèi)中。三、判斷聚類(lèi)是否合理不合理則修改分類(lèi)。 循環(huán)進(jìn)行判斷、采用誤差平方和準(zhǔn)則函數(shù)判斷聚類(lèi)是否合理，修改直至達(dá)到算法終止條件。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(lèi)中心。2、計(jì)算各點(diǎn)與聚類(lèi)中心的距離，以及各點(diǎn)到不同聚類(lèi)中心的距離之差，選取距離最

14、近的聚類(lèi)中心作為該點(diǎn)的聚類(lèi)中心，依據(jù)此原理將屬于不同聚類(lèi)中心的元素聚類(lèi)。3、求各類(lèi)的平均值作為新的聚類(lèi)中心，檢驗(yàn)是否滿足精度條件。4、輸出的四個(gè)聚類(lèi)中心值，將圖像分成四類(lèi)輸出。實(shí)驗(yàn)程序:clc圖實(shí)驗(yàn)程序流程圖cleartic%A=imread('');A=imread('N:模式識(shí)別實(shí)驗(yàn)資料實(shí)驗(yàn)圖片')figure,imshow(A)figure,imhist(A)A=double(A);fori=1:200c1(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

15、);y=abs(A-c4(i);r_g=r-g;g_b=g-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_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);n_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

16、)/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(i)-c3(i-1);d4(i)=sqrt(abs(c4(i)-c4(i-1);ifd1(i)<=&&d2(i)<=&&d3(i)<=&&d4(i)<=R=c1(i);G=c2(i);B=c3(i);Y=c4(i);k=i;brea

17、k;endendRGBYA=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;tocfigure,imshow(A)figure,imhist(A)實(shí)驗(yàn)結(jié)果與分析使用MATLA的得結(jié)果：聚類(lèi)類(lèi)別數(shù)為4類(lèi)，聚類(lèi)中心R=,G=,B=,Y=次數(shù)9次、運(yùn)行時(shí)間。圖原始圖像3000圖原始圖像的灰度直方圖圖聚類(lèi)后的圖像4圖聚類(lèi)后的灰度直方圖使用witDemo所得結(jié)果：聚類(lèi)類(lèi)別數(shù)為

18、4類(lèi)，聚類(lèi)中心R=,G=,B=,Y=,迭代次數(shù)7次、運(yùn)行時(shí)間。FileEl:ti>razkh.Teels:EutK*J.p向鼻團(tuán)打帽閭初1副:當(dāng)后向同七回節(jié)HimId K Meanshr256uscHas：:ho"h?kMeansoseMtrassiane3二。nweltoadassbasedonnihelvaIuc.JnthisaKanplalinos2rriplaimagocontainsfourdistirtetpejk:inithi5bzgram.ThskMPns口口oratorctmibeaJducorraEpcridingtoBdrti西鼻k-mlhbslsthee

19、acnpikbIaccordingtowtiidipearitbekmosto.圖witDemo運(yùn)行界面圖圖原始圖像y-axisx-axis圖原始圖像的灰度直方圖圖聚類(lèi)后的圖像圖運(yùn)行次數(shù)和時(shí)間結(jié)果17,9247,64.4222,127,926,172.09圖聚類(lèi)中心實(shí)驗(yàn)分析：初始的聚類(lèi)中心的不同，對(duì)聚類(lèi)的結(jié)果沒(méi)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(lèi)結(jié)果沒(méi)有太大的影響。witDemo中迭代次數(shù)是實(shí)驗(yàn)者設(shè)定的，而MATLA訃則是根據(jù)精度要求自動(dòng)完成迭代的。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)別的基本方法，通過(guò)實(shí)驗(yàn)加深對(duì)

20、基本概念的理解。實(shí)驗(yàn)儀器與設(shè)備HPD538、MATLAB實(shí)驗(yàn)原理一、設(shè)計(jì)線性可分實(shí)驗(yàn)線性分類(lèi)器原理見(jiàn)教材。設(shè)計(jì)線性分類(lèi)器對(duì)線性可分樣本集進(jìn)行分類(lèi)，樣本數(shù)目10個(gè)以上，訓(xùn)練及分類(lèi)步驟齊全，記錄分類(lèi)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較起來(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，比較有無(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(lèi)線性不可分樣本利用線性分類(lèi)器對(duì)線性不可分樣本進(jìn)行分類(lèi)，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(lèi)，考察訓(xùn)練時(shí)間及迭代次數(shù)并作對(duì)比。實(shí)驗(yàn)

21、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、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(lèi)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(lèi)線性可分實(shí)驗(yàn)程序：tic;P=-5-7-4-10-542-4-214431-2;0-542-4141-1-3-17-2-35-5;T=1011011010010010;figure,plotpv(P,T);net=newp(minmax(P),1);linehandle=plotpc1,1);E=1;n=0;while(sse(E)net,y,E=adapt(net,P,T);n=n+1;perf(n)=sse

22、(E);linehandle=plotpc1,1,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=-5-9-4-10-5112-1-217431-2;0-2082-4141-1-3-17-2-35-5;T=1010011010011110;figure,plotpv(P,T);net=newp(minmax(P),1);linehandle=plotpc1,1);E=1;n=0;while(sse(E)net,y,E=adapt(ne

23、t,P,T);n=n+1;perf(n)=sse(E);linehandle=plotpc1,1,linehandle);drawnow;endtocdisp(strcat('迭代次數(shù)',num2str(n);figure,plot(perf);以線性不可分樣本集訓(xùn)練分類(lèi)器實(shí)驗(yàn)程序：tic;P=-5-3-4-10-5422-214-231-2;01242-414-8-1-3-17-2-359;T=1011011010010010;figure,plotpv(P,T);net=newp(minmax(P),1);linehandle=plotpc1,1);E=1;n=0;whil

24、e(sse(E)net,y,E=adapt(net,P,T);n=n+1;perf(n)=sse(E);linehandle=plotpc1,1,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=-5-3-4-10-5422-214-231-2;01242-414-8-1-3-17-2-359;T=1010011010010010;figure,plotpv(P,T););net=newff(minmax(P),5,5,1,'tansig','purelin','logsig','trainlminputWeights=1,1