模式识别实验报告

1、实验报 告实验课程名称：模式识别姓名 :王宇班级 : 2 110813学号： 2011081 2实验名称规范程度原理叙述实验过程实验结果实验成绩图像得贝叶斯分类K 均值聚类算法神经网络模式识别平均成绩折合成绩注： 1、每个实验中各项成绩按照5 分制评定，实验成绩为各项总与2、平均成绩取各项实验平均成绩3、折合成绩按照教学大纲要求得百分比进行折合204 年 月实验一、图像得贝叶斯分类一、实验目得将模式识别方法与图像处理技术相结合, 掌握利用最小错分概率贝叶斯分类器进行图像分类得基本方法，通过实验加深对基本概念得理解。二、实验仪器设备及软件H D538 、MAT AB三、实验原理概念 :阈值化分割

2、算法就是计算机视觉中得常用算法，对灰度图象得阈值分割就就是先确定一个处于图像灰度取值范围内得灰度阈值, 然后将图像中每个像素得灰度值与这个阈值相比较。并根据比较得结果将对应得像素划分为两类, 灰度值大于阈值得像素划分为一类，小于阈值得划分为另一类 , 等于阈值得可任意划分到两类中得任何一类。最常用得模型可描述如下：假设图像由具有单峰灰度分布得目标与背景组成, 处于目标与背景内部相邻像素间得灰度值就是高度相关得，但处于目标与背景交界处两边得像素灰度值有较大差别， 此时，图像得灰度直方图基本上可瞧作就是由分别对应于目标与背景得两个单峰直方图混合构成。 而且这两个分布应大小接近，且均值足够远 , 方

3、差足够小 , 这种情况下直方图呈现较明显得双峰。 类似地， 如果图像中包含多个单峰灰度目标，则直方图可能呈现较明显得多峰。上述图像模型只就是理想情况，有时图像中目标与背景得灰度值有部分交错。这时如用全局阈值进行分割必然会产生一定得误差。分割误差包括将目标分为背景与将背景分为目标两大类. 实际应用中应尽量减小错误分割得概率, 常用得一种方法为选取最优阈值。这里所谓得最优阈值， 就就是指能使误分割概率最小得分割阈值。图像得直方图可以瞧成就是对灰度值概率分布密度函数得一种近似。 如一幅图像中只包含目标与背景两类灰度区域，那么直方图所代表得灰度值概率密度函数可以表示为目标与背景两类灰度值概率密度函数得

4、加权与。如果概率密度函数形式已知，就有可能计算出使目标与背景两类误分割概率最小得最优阈值。假设目标与背景两类像素值均服从正态分布且混有加性高斯噪声，上述分类问题可以使用模式识别中得最小错分概率贝叶斯分类器来解决. 以与分别表示目标与背景得灰度分布概率密度函数 , 与分别表示两类得先验概率，则图像得混合概率密度函数可用下式表示为式中与分别为、就是针对背景与目标两类区域灰度均值与得标准差。若假定目标得灰度较亮为, 背景得灰度较暗 , 其灰度均值为 , 因此有, 其灰度均值现若规定一门限值对图像进行分割，势必会产生将目标划分为背景与将背景划分为目标这两类错误。通过适当选择阈值，可令这两类错误概率为最

5、小，则该阈值即为最佳阈值.把目标错分为背景得概率可表示为把背景错分为目标得概率可表示为总得误差概率为为求得使误差概率最小得阈值, 可将对求导并令导数为零，可得代换后，可得此时，若设 , 则有若还有得条件，则这时得最优阈值就就是两类区域灰度均值与得平均值。上面得推导就是针对图像灰度值服从正态分布时得情况， 如果灰度值服从其它分布， 依理也可求出最优阈值来。 一般情况下， 在不清楚灰度值分布时， 通常可假定灰度值服从正态分布。在实际使用最优阈值进行分割得过程中 , 需要利用迭代算法来求得最优阈值。设有一幅数字图像，混有加性高斯噪声，可表示为此处假设图像上各点得噪声相互独立 , 且具有零均值，如果通

6、过阈值分割将图像分为目标与背景两部分 , 则每一部分仍然有噪声点随机作用于其上，于就是，目标与可表示为迭代过程中，会多次地对与求均值，则可见，随着迭代次数得增加, 目标与背景得平均灰度都趋向于真实值。因此 , 用迭代算法求得得最佳阈值不受噪声干扰得影响。四、实验步骤及程序1、实验步骤( ）确定一个初始阈值，可取为式中，与为图像灰度得最小值与最大值.(2) 利用第 k 次迭代得到得阈值将图像分为目标与背景两大区域，其中(3) 计算区域与得灰度均值与。（ 4) 计算新得阈值 , 其中（ 5）如果小于允许得误差 , 则结束 , 否则 , 转步骤 (2 ） .2、实验源程序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、实验结果与分析1、实验结果直 方 图1200原 图 像100080060040020000100200图原图像以及其灰度直方图原 图 像分 割 后 的 图 像图原图像以及分割后图像、实验结果分析迭代后得阈值：94、806实验中将大于阈值得部分设置为目标, 小于阈值得部分设置为背景，分割结果大体上满足要求。实际过程中在利用迭代法求得最优阈值后，仍需进行一些人工调整才能将此阈值用于实验图像得分割， 虽然这种方法利用了图像中所有像素点得信息，但当光照不均匀时，图像中部分区域得灰度值可能差距较

10、大, 造成计算出得最优阈值分割效果不理想。具体得改进措施分为以下两方面: 一方面，在选取图片时，该图片得两个独立得峰值不够明显，因此在分割后产生误差, 应改进选择得图片得背景与物体得对比度, 使得分割得效果更好另一方面，实验程序中未涉及计算最优阈值时得迭代次数，无法直观得检测, 应在实验程序中加入此项 , 便于分析。;实验二、 K 均值聚类算法一、实验目得将模式识别方法与图像处理技术相结合，掌握利用K 均值聚类算法进行图像分类得基本方法,通过实验加深对基本概念得理解。二、实验仪器设备及软件H 38、 MAT AB、 I 三、实验原理均值聚类法分为三个步骤：初始化聚类中心1、根据具体问题，凭经验

11、从样本集中选出C 个比较合适得样本作为初始聚类中心。2、用前个样本作为初始聚类中心。、将全部样本随机地分成类，计算每类得样本均值, 将样本均值作为初始聚类中心。初始聚类1、按就近原则将样本归入各聚类中心所代表得类中.、取一样本，将其归入与其最近得聚类中心得那一类中, 重新计算样本均值, 更新聚类中心。然后取下一样本，重复操作，直至所有样本归入相应类中。判断聚类就是否合理1、采用误差平方与准则函数判断聚类就是否合理，不合理则修改分类. 循环进行判断、 修改直至达到算法终止条件.2、聚类准则函数误差平方与准则函数（最小平方差划分)3、单样本改进：每调整一个样本得类别就重新计算一次聚类得中心i=1,

12、2 ，、只调整一个样本四、实验步骤及程序1、实验步骤理解 K 均值算法基本原理，编写程序实现对自选图像得分类, 并将所得结果与WIT 处理结果进行对比。K 均值算法步骤:1、给定类别数与允许误差,2、初始化聚类中心3、修正0 其她i=， 2，、， c; =1，2, 、 N4、修正聚类中心5、计算误差如果则结束，否则转(3 ）2、实验源程序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、实验结果与分析1、 W结果图 3 WIT 聚类分析系统分析界面图 4I 聚类分析系统分析结果聚类类别数3聚类中心R=18、870=93、 3122B=1 0、 678迭代次数2 6运行时间6

16、0 、 1 9m、 K 均值聚类结果图 一 原 图 像图 三 聚 类 后 的 图 像图 二 原 图 像 的 灰 度 直 方 图8000600040002000001002004图 四 聚 类 后 的 图 像 直 方 图x 104200100200图 K 均值聚类分析结果聚类类别数聚类中心R =1、 94 3G =94、 4 4B 192、 32迭代次数8运行时间2 、 27493secon小结 :K 均值聚类方法与 WIT系统操作后对应得聚类中心误差较小，分别就是1、9483 、 414 192、 330 与18、8709 93、 122 19、 67。说明 K均值聚类分析方法误差较小，但就是

17、相较于W T 系统分析得时间,K 均值聚类时间较长，迭代次数较多。实验三、神经网络模式识别一、实验目得掌握利用感知器与BP 网进行模式识别得基本方法，通过实验加深对基本概念得理解。二、实验仪器设备及软件HPD538、 MA L B三、实验原理设计线性可分实验线性分类器原理：已知一样本集,如果有一个线性分类器能把每个样本正确分类,则称这组样本集为线性可分得，否则称为线性不可分得。如果样本集就是线性可分得，则必然存在一个线性分类器能把每个样本正确分类。贝叶斯分类器就是在错误率或风险下为最优得分类器。线性分类器针对错误率或者风险就是“次优”得，但对于所采用得准则函数就是最优得。线性分类器得设计步骤：

18、1、有一已知类别得样本集H2、确定一准则函数J3、利用最优化技术求出准则函数极值解设计线性分类器对线性可分样本集进行分类，样本数目0 个以上，训练及分类步骤齐全，记录分类器训练得迭代次数与训练时间。奇异样本对网络训练得影响奇异样本 :该样本向量同其她样本向量比较起来特别大或特别小时，网络训练所花费得时间将很长。设计实验考察奇异样本对感知机训练得影响，比较有无奇异点时得训练时间及迭代次数，设计解决此问题得方案并实验验证。分类线性不可分样本利用线性分类器对线性不可分样本进行分类，考察训练时间及迭代次数。B法分类原理：根据样本希望输出与实际输出之间得平方误差最小，利用梯度下降法修正权系数 .一般为三

19、层前馈神经网络，激励函数为Sigmoid 函数。,从输出层开始，逐层前向传播阶段：输入层 输入节点 :图像特征分量值输出节点：隐层 输入节点 :输出节点：输出层 输入节点：输出节点：反向传播阶段：利用梯度下降法令误差函数最小激励函数 f 得导数：利用反向传播使某一隐层节点受所有输出层节点影响1、 P 采用 S 函数，输出不宜设为或0,可设为、9 或 0、 1。2、权系数初始化：不应将初始值设为相同，否则在学习过程中始终不变,可设为随机值。、步长得选择：应设为可变步长,以防止震荡 .4、局部最小问题：BP 算法就是非线性优化算法，初始值设置不当，可能陷入局部极小。、前馈网络结构：输入节点数为模式

20、维数，输出节点数一般为类别数,隐层节点数尚无明确方法，实验确定。利用 BP 网对该样本集进行分类,考察训练时间及迭代次数并作对比。四、实验步骤及程序、实验步骤感知器实验：、设计线性可分实验,要求训练样本10 个以上2、奇异样本对网络训练得影响3、以线性不可分样本集训练分类器P 网实验 :利用 BP 网对上述线性不可分样本集进行分类2、实验源程序（ ) 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) 奇异点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 网络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;