40年代電子計算機發(fā)明以后逐漸發(fā)展起來的(編輯修改稿)
2024-07-22 05:40 本頁面
【文章內(nèi)容簡介】 ow(img)。img=double(img)。mask=double(imcrop())。[m n]=size(img)。[H W]=size(mask)。if mod(H,2)~=1 H=H+1。endif mod(W,2)~=1 W=W+1。endmask=imresize(mask,[H W])。HH=floor(H/2)。WW=floor(W/2)。imgn=zeros(m+2*HH+1,n+2*WW+1)。imgn(HH+1:m+HH,WW+1:n+WW)=img。imgn(1:HH,WW+1:n+WW)=img(1:HH,1:n)。 imgn(1:m+HH,n+WW+1:n+2*WW+1)=imgn(1:m+HH,n:n+WW)。imgn(m+HH+1:m+2*HH+1,WW+1:n+2*WW+1)=imgn(m:m+HH,WW+1:n+2*WW+1)。imgn(1:m+2*HH+1,1:WW)=imgn(1:m+2*HH+1,WW+1:2*WW)。re=imgn。for i=HH+1:m+HH for j=WW+1:n+WW tmp=imgn(iHH:i+HH,jWW:j+WW)。 re(i,j)=sum(sum((tmpmask).^2))。 %最小平方差 endendfigure。re=mat2gray(re(HH+1:m+HH,WW+1:n+WW))。imshow(1re)。結(jié)果如下：圖中高亮部分為眼睛所在不部位：模式識別分類問題是對待識別的對象提取觀測值，然后根據(jù)觀測值進行分類。首先建立識別對象的訓練集，其中每點的類別已知 ，根據(jù)這些條件，建立判別函數(shù)，通過現(xiàn)有的樣品估計判別函數(shù)中的參數(shù)，然后用此判別函數(shù)去對類別未知的樣品進行判定 。 貝葉斯法則是對主觀判斷的一種修正方法 ，是指當樣本足夠多時 ，樣本概率與總體概率近似 。一般情況下，事件A在事件B的條件下的概率，與事件 B 在事件A條件下的概率不相等 ，然而，這兩者是有確定關(guān)系的，貝葉斯法則就是這種關(guān)系的描述 。 貝葉斯決策貝葉斯法則只是一種方法 ，是從大的方向上講，要將它細化又可以分為許多的具體實施的決 策。如果統(tǒng)計知識完整 ，貝葉斯決策理論是一種最優(yōu)分類器。貝葉斯分類器是分類錯誤概率最小或者是平均風險最小的分類器。其設(shè)計方法屬 于一種基本的統(tǒng)計分類方法。若每個樣品屬于w1,w2類中的 一類，已知兩類的先驗概率分別p(w1),P(w2),兩類的類別密 度函 數(shù)為 P ( X∣w1 ),P( X∣w2)。則任給一x，判斷x的類別 。由貝葉斯公式可知 由全概率公式 可知：其中M為類別數(shù)。對于兩類問題 ， 所以用后驗概率來判別HSV顏色空間比較其它的顏色空間更適合人的視覺特性 。其中包含色調(diào) H(Hue)、飽和度 S(Saturation)和亮度 V(Value)。色調(diào) H表示表示光的顏色 ，飽和度S表示光的濃度，亮度v表示光的明暗程度 。在基于內(nèi)容的圖像檢索中，應(yīng)用這種顏色空 間模型會更適合用戶的視覺判斷 。根據(jù)人 的視覺分辨能力的分 析 ，顏色大致劃分為如下9種 ：紅、黃 、綠、青、藍、紫、黑、灰和白，依據(jù)這九種顏色就可以大致描述一幅圖像。因此，可以根據(jù)這九種顏色來大致確定圖像的主顏色特征 。 分塊主色的實現(xiàn)本文對圖像二維空間進行 4 * 4 的劃分。對其中每一個分塊 ，統(tǒng)計出像素最多的那種顏色作為主色 ，建立圖像的顏色特征向量。分塊主色法是統(tǒng)計 圖像每個分塊主色來突出顏 色的空間關(guān)系 ，適用于主題位置相對固定的分類問題 ，對于變化較大的圖像效果會明顯減弱。 要MATLAB程序函數(shù)名:bayesleasterror( )參數(shù):sample :待識別圖像特征返回值 :Y:待識別圖像所屬類別函數(shù)功能 ： 最小錯誤概率的貝葉斯分類器function y = bayesleasterror(sample)clc ；load templet pattern ；％對圖像庫和待測圖像進行主成分分析[pcapat,pcasamp]=pcaprO(sample)；temp=0；for i =1:2pattern(i).feature=pcapat(:,temp+1:temp+pattern(i).num) ；temp=temp+pattern(i).num；ends_cov=[]；s_inv=[] ；s_det=[] ；for i=l:2s_cov(i)．dat=cov(pattern(i).feature39。) ； ％ 求個類別的協(xié)方差矩 陣s_inv(i).dat=inv(s_cov(i).dat) ； ％求協(xié)方差矩 陣的逆矩陣一s_det(i)=det(s_cov(i).dat) ； ％ 求協(xié)方差矩陣的行列式endsuml=0。p=[] ；for i=1:2sum1=sum1+pattern(i).num ； ％求圖像庫樣 品總數(shù)endfor i=1:2p(i)=pattern(
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1