40年代電子計(jì)算機(jī)發(fā)明以后逐漸發(fā)展起來的-資料下載頁
2025-06-25 05:40本頁面
【正文】 )。 plotchar(noisyChar)。 de_noisyChar=sim(net,noisyChar)。 de_noisyChar=pet(de_noisyChar)。 answer=find(de_noisyChar==1)。 subplot(6,9,k+floor(k/)*9+9)。 plotchar(alphabet(:,answer))。endset(gcf,39。Position39。,[10,60,900,700], 39。color39。,39。w39。)運(yùn)算結(jié)果如下：成功識別有噪聲實(shí)驗(yàn)結(jié)果表明，基于 BP 神經(jīng)網(wǎng)絡(luò)的英文字母識別方法能實(shí)現(xiàn)對 26 個(gè)英文字母的準(zhǔn)確、快速識別，并具有較強(qiáng)的抗干擾能力。2基于貝葉斯算法的圖像模式識別分類設(shè)計(jì)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(jìn)行分類。首先建立識別對象的訓(xùn)練集，其中每點(diǎn)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(jì)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(jìn)行判定 。貝葉斯法則是對主觀判斷的一種修正方法 ，是指當(dāng)樣本足夠多時(shí) ，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 。. 2 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(xì)化又可以分為許多的具體實(shí)施的決 策。如果統(tǒng)計(jì)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(fēng)險(xiǎn)最小的分類器。其設(shè)計(jì)方法屬 于一種基本的統(tǒng)計(jì)分類方法。若每個(gè)樣品屬于w1,w2類中的 一類，已知兩類的先驗(yàn)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(yàn)概率來判別2．2圖像分類識別系統(tǒng)實(shí)現(xiàn) .1 HSV顏色空間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 。2 . 顏色空間的量化根據(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(lán)、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 。2． 分塊主色的實(shí)現(xiàn)本文對圖像二維空間進(jìn)行 4 * 4 的劃分。對其中每一個(gè)分塊 ，統(tǒng)計(jì)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(jì) 圖像每個(gè)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。2． 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(jìn)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(gè)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(i).num／sum1 ； ％求類別 的先驗(yàn)概率endh=[]； mean_sap =[]；for i=1:2mean_sap(i).dat=mean(pattern(i).feature39。) ； ％求每類圖像 的特征值end％ 計(jì)算最大的判別函數(shù) for i=1:2h(i)=(pcasampmean_sap(i).dat)’*S_inv(i).dat*(pcasa 圖32 運(yùn)動模糊圖像的二次傅立葉變換頻譜（1） 計(jì)算退化圖像的頻譜,并且將的點(diǎn)移動到圖像中心位置，為了壓縮頻譜的灰度值范圍，將圖像頻譜數(shù)值去對數(shù)；（2） 對上步結(jié)果重復(fù)相同的步驟，得到運(yùn)動模糊圖像的二次傅立葉頻譜，記作；對的各像素按照其灰度值從大到小排序，記作；去排序的23 / 23
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1