哈爾濱工程大學(xué)-模式識別實驗報告

實驗報告實驗課程名稱：模式識別姓名：班級：20230811學(xué)號：實驗名稱標(biāo)準(zhǔn)程度原理表達(dá)實驗過程實驗結(jié)果實驗成績圖像的貝葉斯分類K均值聚類算法神經(jīng)網(wǎng)絡(luò)模式識別平均成績折合成績注：1、每個實驗中各項成績按照5分制評定，實驗成績?yōu)楦黜椏偤?、平均成績?nèi)「黜棇嶒炂骄煽?、折合成績按照教學(xué)大綱要求的百分比進行折合2023年4月實驗1圖像的貝葉斯分類1.1實驗?zāi)康膶⒛Ｊ阶R別方法與圖像處理技術(shù)相結(jié)合，掌握利用最小錯分概率貝葉斯分類器進行圖像分類的根本方法，通過實驗加深對根本概念的理解。1.2實驗儀器設(shè)備及軟件HPD538、MATLAB1.3實驗原理1.3.1根本原理閾值化分割算法是計算機視覺中的常用算法，對灰度圖象的閾值分割就是先確定一個處于圖像灰度取值范圍內(nèi)的灰度閾值，然后將圖像中每個像素的灰度值與這個閾值相比擬。并根據(jù)比擬的結(jié)果將對應(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。對一般的圖像進行分割處理通常對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，圖像的灰度直方圖根本上可看作是由分別對應(yīng)于目標(biāo)和背景的兩個單峰直方圖混合構(gòu)成。而且這兩個分布應(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，有時圖像中目標(biāo)和背景的灰度值有局部交錯。這時如用全局閾值進行分割必然會產(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。實際應(yīng)用中應(yīng)盡量減小錯誤分割的概率，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別中的最小錯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)定一門限值對圖像進行分割，勢必會產(chǎn)生將目標(biāo)劃分為背景和將背景劃分為目標(biāo)這兩類錯誤。通過適中選擇閾值，可令這兩類錯誤概率為最小，那么該閾值即為最正確閾值。把目標(biāo)錯分為背景的概率可表示為把背景錯分為目標(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，可將對求導(dǎo)并令導(dǎo)數(shù)為零，可得代換后，可得此時，假設(shè)設(shè)，那么有假設(shè)還有的條件，那么這時的最優(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)是針對圖像灰度值服從正態(tài)分布時的情況，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，通常可假定灰度值服從正態(tài)分布。因此，本課題中亦可使用此方法來求得最優(yōu)閾值，來對實驗圖像進行分割。最優(yōu)閾值的迭代算法在實際使用最優(yōu)閾值進行分割的過程中，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)圖像上各點的噪聲相互獨立，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隨機作用于其上，于是，目標(biāo)和可表示為迭代過程中，會屢次地對和求均值，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)閾值對實驗圖像進行分割的迭代步驟為：〔1〕確定一個初始閾值，可取為式中，和為圖像灰度的最小值和最大值?！?〕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〕計算區(qū)域和的灰度均值和?！?〕計算新的閾值，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，仍需進行一些人工調(diào)整才能將此閾值用于實驗圖像的分割，這是因為，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的信息，但當(dāng)光照不均勻時，圖像中局部區(qū)域的灰度值可能差距較大，造成計算出的最優(yōu)閾值分割效果不理想，此時，可設(shè)一人工經(jīng)驗因子進行校正。1.4、實驗步驟及程序?qū)嶒灢襟E：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)域的像素點數(shù)增加1，該點灰度值需計入有效區(qū)域的灰度總值。反之，背景的像素點增加1，該點灰度值需計入背景的灰度值。3、所有的矩陣因子都比擬完以后，計算有效區(qū)域的像素平均灰度值和背景的平均灰度值。取這兩個平均值的平均，記為B，假設(shè)A=B,那么循環(huán)結(jié)束，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)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)域的像素點數(shù)增加1，該點灰度值需計入有效區(qū)域的灰度總值背景的像素點增加1，該點灰度值需計入背景的灰度值計算有效區(qū)域的像素平均灰度值和背景的平均灰度值。取這兩個平均值的平均，記為B比擬完畢？A-B<允許誤差?A值為最正確閾值結(jié)束開始NYYN圖1.4.1程序流程圖Y令A(yù)=BN實驗程序：I=imread('blood.jpg');Picgray=rgb2gray(I);imhist(Picgray);figureSMax=max(max(I));SMin=min(min(I));TK=(SMax+SMin)/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('diedaihoudeyuzhi￡o',num2str(TK)));newI=im2bw(I,double(TK)/255);imshow(I)figureimshow(newI)1.5、實驗結(jié)果與分析實驗得到的迭代后的分割閾值：94.8064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驗分析：對灰度圖象的閾值分割就是先確定一個處于圖像灰度取值范圍內(nèi)的灰度閾值，然后將圖像中每個像素的灰度值與這個閾值相比擬。并根據(jù)比擬的結(jié)果將對應(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。它將會影響到迭代的次數(shù)和結(jié)果精度。實驗2K均值聚類算法2.1實驗?zāi)康膶⒛Ｊ阶R別方法與圖像處理技術(shù)相結(jié)合，掌握利用K均值聚類算法進行圖像分類的根本方法，通過實驗加深對根本概念的理解。2.2實驗儀器設(shè)備及軟件HPD538、MATLAB、WIT2.3實驗原理K均值聚類法分為如下幾個步驟：初始化聚類中心根據(jù)具體問題，憑經(jīng)驗從樣本集中選出C個比擬適宜的樣本作為初始聚類中心。用前C個樣本作為初始聚類中心。將全部樣本隨機地分成C類，計算每類的樣本均值，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)進行判斷、修改直至到達(dá)算法終止條件。2.4實驗步驟及程序?qū)嶒灢襟E：1、讀取原始圖像，確定四個初始聚類中心。2、計算各點與聚類中心的距離，以及各點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，檢驗是否滿足精度條件。4、輸出的四個聚類中心值，將圖像分成四類輸出。開始開始讀取原始圖像，確定四個初始聚類中心計算各點與聚類中心的距離，以及各點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結(jié)束圖2.4.1實驗程序流程圖實驗程序：clccleartic%A=imread('peppers.jpg');A=imread('N:模式識別實驗資料\實驗圖片\peppers.bmp');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));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))/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)<=0.001&&d2(i)<=0.001&&d3(i)<=0.001&&d4(i)<=0.001R=c1(i);G=c2(i);B=c3(i);Y=c4(i);k=i;break;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)2.5實驗結(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R=19.0109，G=66.1286，B=132.6709，Y=175.5442，迭代次數(shù)9次、運行時間0.323323s。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、運行時間27.265ms。圖2.5.5witDemo運行界面圖圖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運行次數(shù)和時間結(jié)果圖2.5.10聚類中心實驗分析：初始的聚類中心的不同，對聚類的結(jié)果沒有很大的影響，但是對迭代次數(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，但是對最后的聚類結(jié)果沒有太大的影響。witDemo中迭代次數(shù)是實驗者設(shè)定的，而MATLAB中那么是根據(jù)精度要求自動完成迭代的。實驗3神經(jīng)網(wǎng)絡(luò)模式識別3.1實驗?zāi)康恼莆绽酶兄骱虰P網(wǎng)進行模式識別的根本方法，通過實驗加深對根本概念的理解。3.2實驗儀器與設(shè)備HPD538、MATLAB3.3實驗原理一、設(shè)計線性可分實驗線性分類器原理見教材。設(shè)計線性分類器對線性可分樣本集進行分類，樣本數(shù)目10個以上，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)練時間。二、奇異樣本對網(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，網(wǎng)絡(luò)訓(xùn)練所花費的時間將很長。設(shè)計實驗考察奇異樣本對感知機訓(xùn)練的影響，比擬有無奇異點時的訓(xùn)練時間及迭代次數(shù)，設(shè)計解決此問題的方案并實驗驗證。三、分類線性不可分樣本利用線性分類器對線性不可分樣本進行分類，考察訓(xùn)練時間及迭代次數(shù)。利用BP網(wǎng)對該樣本集進行分類，考察訓(xùn)練時間及迭代次數(shù)并作比照。3.4實驗步驟及程序?qū)嶒灢襟E：感知器實驗：1、設(shè)計線性可分實驗，要求訓(xùn)練樣本10個以上2、奇異樣本對網(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)實驗：利用BP網(wǎng)對上述線性不可分樣本集進行分類線性可分實驗程序：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=plotpc(net.IW{1},net.b{1});E=1;n=0;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;endtocdisp(strcat('迭代次數(shù)',num2str(n)));figure,plot(perf);奇異樣本對網(wǎng)絡(luò)訓(xùn)練的影響實驗程序：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=plotpc(net.IW{1},net.b{1});E=1;n=0;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;endtocdisp(strcat('迭代次數(shù)',num2str(n)));figure,plot(perf);以線性不可分樣本集訓(xùn)練分類器實驗程序：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=plotpc(net.IW{1},net.b{1});E=1;n=0;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;endtocdisp(strcat('迭代次數(shù)',num2str(n)));figure,plot(perf);BP網(wǎng)實驗程序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'