1、實驗報 告實驗課程名稱：模式識別姓名 :王宇班級 : 2 110813學(xué)號： 2011081 2實驗名稱規(guī)范程度原理敘述實驗過程實驗結(jié)果實驗成績圖像得貝葉斯分類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)楦黜椏偱c2、平均成績?nèi)「黜棇嶒炂骄煽?、折合成績按照教學(xué)大綱要求得百分比進行折合204 年 月實驗一、圖像得貝葉斯分類一、實驗?zāi)康脤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得基本方法，通過實驗加深對基本概念得理解。二、實驗儀器設(shè)備及軟件H D538 、MAT AB三、實驗原理概念 :閾值化分割

2、算法就是計算機視覺中得常用算法，對灰度圖象得閾值分割就就是先確定一個處于圖像灰度取值范圍內(nèi)得灰度閾值, 然后將圖像中每個像素得灰度值與這個閾值相比較。并根據(jù)比較得結(jié)果將對應(yīng)得像素劃分為兩類, 灰度值大于閾值得像素劃分為一類，小于閾值得劃分為另一類 , 等于閾值得可任意劃分到兩類中得任何一類。最常用得模型可描述如下：假設(shè)圖像由具有單峰灰度分布得目標與背景組成, 處于目標與背景內(nèi)部相鄰像素間得灰度值就是高度相關(guān)得，但處于目標與背景交界處兩邊得像素灰度值有較大差別， 此時，圖像得灰度直方圖基本上可瞧作就是由分別對應(yīng)于目標與背景得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 , 方

3、差足夠小 , 這種情況下直方圖呈現(xiàn)較明顯得雙峰。 類似地， 如果圖像中包含多個單峰灰度目標，則直方圖可能呈現(xiàn)較明顯得多峰。上述圖像模型只就是理想情況，有時圖像中目標與背景得灰度值有部分交錯。這時如用全局閾值進行分割必然會產(chǎn)生一定得誤差。分割誤差包括將目標分為背景與將背景分為目標兩大類. 實際應(yīng)用中應(yīng)盡量減小錯誤分割得概率, 常用得一種方法為選取最優(yōu)閾值。這里所謂得最優(yōu)閾值， 就就是指能使誤分割概率最小得分割閾值。圖像得直方圖可以瞧成就是對灰度值概率分布密度函數(shù)得一種近似。 如一幅圖像中只包含目標與背景兩類灰度區(qū)域，那么直方圖所代表得灰度值概率密度函數(shù)可以表示為目標與背景兩類灰度值概率密度函數(shù)得

4、加權(quán)與。如果概率密度函數(shù)形式已知，就有可能計算出使目標與背景兩類誤分割概率最小得最優(yōu)閾值。假設(shè)目標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，上述分類問題可以使用模式識別中得最小錯分概率貝葉斯分類器來解決. 以與分別表示目標與背景得灰度分布概率密度函數(shù) , 與分別表示兩類得先驗概率，則圖像得混合概率密度函數(shù)可用下式表示為式中與分別為、就是針對背景與目標兩類區(qū)域灰度均值與得標準差。若假定目標得灰度較亮為, 背景得灰度較暗 , 其灰度均值為 , 因此有, 其灰度均值現(xiàn)若規(guī)定一門限值對圖像進行分割，勢必會產(chǎn)生將目標劃分為背景與將背景劃分為目標這兩類錯誤。通過適當選擇閾值，可令這兩類錯誤概率為最

5、小，則該閾值即為最佳閾值.把目標錯分為背景得概率可表示為把背景錯分為目標得概率可表示為總得誤差概率為為求得使誤差概率最小得閾值, 可將對求導(dǎo)并令導(dǎo)數(shù)為零，可得代換后，可得此時，若設(shè) , 則有若還有得條件，則這時得最優(yōu)閾值就就是兩類區(qū)域灰度均值與得平均值。上面得推導(dǎo)就是針對圖像灰度值服從正態(tài)分布時得情況， 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?？杉俣ɑ叶戎捣恼龖B(tài)分布。在實際使用最優(yōu)閾值進行分割得過程中 , 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)圖像上各點得噪聲相互獨立 , 且具有零均值，如果通

6、過閾值分割將圖像分為目標與背景兩部分 , 則每一部分仍然有噪聲點隨機作用于其上，于就是，目標與可表示為迭代過程中，會多次地對與求均值，則可見，隨著迭代次數(shù)得增加, 目標與背景得平均灰度都趨向于真實值。因此 , 用迭代算法求得得最佳閾值不受噪聲干擾得影響。四、實驗步驟及程序1、實驗步驟( ）確定一個初始閾值，可取為式中，與為圖像灰度得最小值與最大值.(2) 利用第 k 次迭代得到得閾值將圖像分為目標與背景兩大區(qū)域，其中(3) 計算區(qū)域與得灰度均值與。（ 4) 計算新得閾值 , 其中（ 5）如果小于允許得誤差 , 則結(jié)束 , 否則 , 轉(zhuǎn)步驟 (2 ） .2、實驗源程序I= m e d （ 1 、

7、 jpg ）；Im=rgb2g y( ) ；ubplot（ 21） , m is （ Im) ； tit（ ? ?)Z a = x （ ma (I ） ) ；ZMi min(m n(I）；T =(Z x+ZMin） ;Cal 1;i ize=s ze(I）；wh e（ bCal)iF reground=0； Background=0; oreg ound m 0; Backgro ndSum=0; or =1:i i ( ） or = :i i e（ ) tmp= ( ， j);i （ p =T ） Foregr undiF regro n +1 ；Foregr n um= oreground

8、Sum+ o b e （ tm ) ； seiBa kgro nd iB ck ou d+1;B c gro ndSum= a k ro n Sum+doub e(tmp)； ndenden Z=Foreg ndSum/iFoeground；ZB=B c gr un Sum/iBackgrou d;TKT p=doubl（ZO+）/2） ;if( KTmp K)bC l=0 ；elseTK=TKTmp ；endndi p （ st cat( o ?D?，on m2 t（K) ）)；n wI=im2bw(I,d bplot（ 21) ble(TK ， imshow） /（ I ）55);tite

9、 （ ?- ? ） u lot （ 122 ）， im h w（ newI) ti le( ?o ? ?)五、實驗結(jié)果與分析1、實驗結(jié)果直 方 圖1200原 圖 像100080060040020000100200圖原圖像以及其灰度直方圖原 圖 像分 割 后 的 圖 像圖原圖像以及分割后圖像、實驗結(jié)果分析迭代后得閾值：94、806實驗中將大于閾值得部分設(shè)置為目標, 小于閾值得部分設(shè)置為背景，分割結(jié)果大體上滿足要求。實際過程中在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得分割， 雖然這種方法利用了圖像中所有像素點得信息，但當光照不均勻時，圖像中部分區(qū)域得灰度值可能差距較

10、大, 造成計算出得最優(yōu)閾值分割效果不理想。具體得改進措施分為以下兩方面: 一方面，在選取圖片時，該圖片得兩個獨立得峰值不夠明顯，因此在分割后產(chǎn)生誤差, 應(yīng)改進選擇得圖片得背景與物體得對比度, 使得分割得效果更好另一方面，實驗程序中未涉及計算最優(yōu)閾值時得迭代次數(shù)，無法直觀得檢測, 應(yīng)在實驗程序中加入此項 , 便于分析。;實驗二、 K 均值聚類算法一、實驗?zāi)康脤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得基本方法,通過實驗加深對基本概念得理解。二、實驗儀器設(shè)備及軟件H 38、 MAT AB、 I 三、實驗原理均值聚類法分為三個步驟：初始化聚類中心1、根據(jù)具體問題，憑經(jīng)驗

11、從樣本集中選出C 個比較合適得樣本作為初始聚類中心。2、用前個樣本作為初始聚類中心。、將全部樣本隨機地分成類，計算每類得樣本均值, 將樣本均值作為初始聚類中心。初始聚類1、按就近原則將樣本歸入各聚類中心所代表得類中.、取一樣本，將其歸入與其最近得聚類中心得那一類中, 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。判斷聚類就是否合理1、采用誤差平方與準則函數(shù)判斷聚類就是否合理，不合理則修改分類. 循環(huán)進行判斷、 修改直至達到算法終止條件.2、聚類準則函數(shù)誤差平方與準則函數(shù)（最小平方差劃分)3、單樣本改進：每調(diào)整一個樣本得類別就重新計算一次聚類得中心i=1,

12、2 ，、只調(diào)整一個樣本四、實驗步驟及程序1、實驗步驟理解 K 均值算法基本原理，編寫程序?qū)崿F(xiàn)對自選圖像得分類, 并將所得結(jié)果與WIT 處理結(jié)果進行對比。K 均值算法步驟:1、給定類別數(shù)與允許誤差,2、初始化聚類中心3、修正0 其她i=， 2，、， c; =1，2, 、 N4、修正聚類中心5、計算誤差如果則結(jié)束，否則轉(zhuǎn)(3 ）2、實驗源程序c c clea tiR mre （ aterlilies、j img rg ay （ RG）； ,n = i (img） ;subplt(2,2， ) ， ms ow （ i g ）；s bplot( ,2 ， 2) ， imhist( mg); t e(

13、) ；%? ?le( ? ? 。 ?） ?t ? 。 ? ? ? ? ?）hold ff；img=double（im ）；fori=： 00 1 （ 1)= 5;c ( )=1 5；c （ 1 ） =200; ? y?3? ? ?DD? r=abs(i g 1（ ); =abs （ m -c (i ） ; bs(img 3( ）； ? ? ?DD?r_g r-g；g_ =g b ；r b=r ； _r=fin（ r_ =0& _b g_b 0) ；? ? ?D? ? ? ?DD? n_ fi d( _b 0 r_ 0) ； ? ? ? ? ?DD?i i+1 ； 1( )=sum(img( _

14、r)/leng h(n ) ；? D ? ? ? o ? ? ?a? ? ? ? ?DD?c2（ i ） =sum （ im ( _g ） /len th（ n_g) ； %? D ?o ? ? ?a?D?DD?c3( )= m（ g(n_b） )/l n h （ n_b ）； ? D ? ? ? o ? ? ?a? ? ? ?DD? (i) ab (c1(i)-c1（ i-） ) ；d2(i） abs(c2（） c (i1) ） ;d3(i） = bs(c3(） - 3(i1 ） ) ；if 1(i） =0 、 00 & d (i） =0 、 00 &d3 （ i) =0 、 001R=c1

15、（）；G c2 （ i)；B=c3（ );k=i；break；edndRBimg int8( m）；img （find（ img R） )=0;m (fi d(im R&imgG ） ) 255 ；tocsu plsubplot (2 （2,2， 2， 3 ）， imsho， 4) ， mh st（ imgmg) ； tit）； title( e （ ? y ? o ? ?） ? ? o ? ? ?）?五、實驗結(jié)果與分析1、 W結(jié)果圖 3 WIT 聚類分析系統(tǒng)分析界面圖 4I 聚類分析系統(tǒng)分析結(jié)果聚類類別數(shù)3聚類中心R=18、870=93、 3122B=1 0、 678迭代次數(shù)2 6運行時間6

16、0 、 1 9m、 K 均值聚類結(jié)果圖 一 原 圖 像圖 三 聚 類 后 的 圖 像圖 二 原 圖 像 的 灰 度 直 方 圖8000600040002000001002004圖 四 聚 類 后 的 圖 像 直 方 圖x 104200100200圖 K 均值聚類分析結(jié)果聚類類別數(shù)聚類中心R =1、 94 3G =94、 4 4B 192、 32迭代次數(shù)8運行時間2 、 27493secon小結(jié) :K 均值聚類方法與 WIT系統(tǒng)操作后對應(yīng)得聚類中心誤差較小，分別就是1、9483 、 414 192、 330 與18、8709 93、 122 19、 67。說明 K均值聚類分析方法誤差較小，但就是

17、相較于W T 系統(tǒng)分析得時間,K 均值聚類時間較長，迭代次數(shù)較多。實驗三、神經(jīng)網(wǎng)絡(luò)模式識別一、實驗?zāi)康谜莆绽酶兄髋cBP 網(wǎng)進行模式識別得基本方法，通過實驗加深對基本概念得理解。二、實驗儀器設(shè)備及軟件HPD538、 MA L B三、實驗原理設(shè)計線性可分實驗線性分類器原理：已知一樣本集,如果有一個線性分類器能把每個樣本正確分類,則稱這組樣本集為線性可分得，否則稱為線性不可分得。如果樣本集就是線性可分得，則必然存在一個線性分類器能把每個樣本正確分類。貝葉斯分類器就是在錯誤率或風(fēng)險下為最優(yōu)得分類器。線性分類器針對錯誤率或者風(fēng)險就是“次優(yōu)”得，但對于所采用得準則函數(shù)就是最優(yōu)得。線性分類器得設(shè)計步驟：

18、1、有一已知類別得樣本集H2、確定一準則函數(shù)J3、利用最優(yōu)化技術(shù)求出準則函數(shù)極值解設(shè)計線性分類器對線性可分樣本集進行分類，樣本數(shù)目0 個以上，訓(xùn)練及分類步驟齊全，記錄分類器訓(xùn)練得迭代次數(shù)與訓(xùn)練時間。奇異樣本對網(wǎng)絡(luò)訓(xùn)練得影響奇異樣本 :該樣本向量同其她樣本向量比較起來特別大或特別小時，網(wǎng)絡(luò)訓(xùn)練所花費得時間將很長。設(shè)計實驗考察奇異樣本對感知機訓(xùn)練得影響，比較有無奇異點時得訓(xùn)練時間及迭代次數(shù)，設(shè)計解決此問題得方案并實驗驗證。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)。B法分類原理：根據(jù)樣本希望輸出與實際輸出之間得平方誤差最小，利用梯度下降法修正權(quán)系數(shù) .一般為三

19、層前饋神經(jīng)網(wǎng)絡(luò)，激勵函數(shù)為Sigmoid 函數(shù)。,從輸出層開始，逐層前向傳播階段：輸入層 輸入節(jié)點 :圖像特征分量值輸出節(jié)點：隱層 輸入節(jié)點 :輸出節(jié)點：輸出層 輸入節(jié)點：輸出節(jié)點：反向傳播階段：利用梯度下降法令誤差函數(shù)最小激勵函數(shù) f 得導(dǎo)數(shù)：利用反向傳播使某一隱層節(jié)點受所有輸出層節(jié)點影響1、 P 采用 S 函數(shù)，輸出不宜設(shè)為或0,可設(shè)為、9 或 0、 1。2、權(quán)系數(shù)初始化：不應(yīng)將初始值設(shè)為相同，否則在學(xué)習(xí)過程中始終不變,可設(shè)為隨機值。、步長得選擇：應(yīng)設(shè)為可變步長,以防止震蕩 .4、局部最小問題：BP 算法就是非線性優(yōu)化算法，初始值設(shè)置不當，可能陷入局部極小。、前饋網(wǎng)絡(luò)結(jié)構(gòu)：輸入節(jié)點數(shù)為模式

20、維數(shù)，輸出節(jié)點數(shù)一般為類別數(shù),隱層節(jié)點數(shù)尚無明確方法，實驗確定。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)并作對比。四、實驗步驟及程序、實驗步驟感知器實驗：、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)練得影響3、以線性不可分樣本集訓(xùn)練分類器P 網(wǎng)實驗 :利用 BP 網(wǎng)對上述線性不可分樣本集進行分類2、實驗源程序（ ) 感知器loseall；cl ar;lc;tic； P?a?P 5 7 41 0 2 2 4 4 31 ;0 4 2 4 1 4 1- 3 1 7 3 -5；%?a? ?T=10 1 1 01 100 1 0 0 1 ; i ure ， plotp

21、 （ P， T ） ; ?y? y?Y?net=new （ minmax （ P ） ,1) ；% ? ?D?a? ?- ? lineh ndle= lotpc （ ne 、 IW 1 ,net 、b1 ）；E1;n= ； ? ?D?a? ?。 ?while（ se( ) ） n t,y,E adap （ e， P， T ） ;n= +1 ；perf（ n） =sse （ E）；l eha dle= lotp ( t 、 IW 1,ne 、 ,l n and e ） ;d n w;endtoc ?2?figure， o (perf); ? 2? ? ? ?(2) 奇異點clear；clc;ic

22、; P?a?P= 3 1 5 2 4 1 4 13； 5 41 - 3 2 - 5 6 ；%T?a? ?T=1 1 1 1 0 0 0 g re ， pl t v(Pnet=ew ( in ax(Plinehan e=plotpc(net0 0 ；， T ）； ?y? y?Y?）， 1) ； % ? ?D?a? ?. ?、 IW 1 ，ne 、 b1 ）； 1;n=0;%? ?D?a? 。? ? h l ( s （ E)，,E = dapt(net， P, );n=n+ ;pe（n) se(E)；li handle=plot ( e 、 IW 1， net、 b ， lineh nd e) ；

23、rawnow;endtoc ?2?i ur ， plot（ erf)；?2?(3)BP 網(wǎng)絡(luò)clos ll ；c e r ；lc;t；%P?a ? ? ?P= 5 - 0 5 42 -21 4 3 1 -2 ； 42 1 4 1-13 - 7- -3 5 5;%T?a? ?T 1 00 1 1 01 1 0 0 1 0;f g re ， p otpv(， ); ? y ? y?Y ?net=nwff （ minmax（ P） ,5,5,tan ig ， ure in ,logsig ， tainlm ) ； ? ?2? ?o?D?inputWeiht = et 、 I 1 ， 1；inputbia ne 、 b 1;% ? ?2? ? o ?D?a eight =ne 、 LW，；layerbias=et 、 ；% ? 2?y et 、 trainP am、show=300 ； t、trainPar、 =、 0；net、 t Param、 =0、 9；net、 traiP am、 epoc s=100 ;net、 traiParam、 oal 1 -；tic?TRA N M? ?BP?net,tr =tra n（ net， T);t c = m（ n ， P） ; E= A;