有关网站建设的公众号,文章类网站源码,关于做膳食的一些网站,wordpress排除首页显示目录 一、图像处理
main
denoise
二、Harris角点检测
三、Hough变换直线检测
四、直方图显著性检测
五、人脸识别
六、kmeans
import
函数
kmeanstext
七、神经网络 常用函数#xff1a;
imread----------读取图像 imshow---------显示图像 rgb2hsv---------RGB转…目录 一、图像处理
main
denoise
二、Harris角点检测
三、Hough变换直线检测
四、直方图显著性检测
五、人脸识别
六、kmeans
import
函数
kmeanstext
七、神经网络 常用函数
imread----------读取图像 imshow---------显示图像 rgb2hsv---------RGB转HSV hsv2rgb---------HSV转RGB imhist-----------显示图像直方图 rgb2gray-------彩色图转灰度图 imnoise--------对图像添加噪声 fspecial--------构建均值滤波模板 imfilter--------均值滤波函数 imgaussfilt-----高斯滤波函数
一、图像处理
main clc clear all img double(imread(Fig1.bmp));
R img(:,:,1); G img(:,:,2); B img(:,:,3);
figure(1); subplot(2,2,1), imshow(uint8(img)),title(原图); subplot(2,2,2), imshow(uint8(R));title(R分量图); subplot(2,2,3), imshow(uint8(G));title(B分量图); subplot(2,2,4), imshow(uint8(B));title(B分量图); %rgb2hsv img_hsv rgb2hsv(img); img_hsv(:,:,1) img_hsv(:,:,1)*3; img_hsv(:,:,2) img_hsv(:,:,2); img_hsv(:,:,3) img_hsv(:,:,3); img_rgbh hsv2rgb(img_hsv);
img_hsv rgb2hsv(img); img_hsv(:,:,1) img_hsv(:,:,1); img_hsv(:,:,2) img_hsv(:,:,2)*3; img_hsv(:,:,3) img_hsv(:,:,3); img_rgbs hsv2rgb(img_hsv);
img_hsv rgb2hsv(img); img_hsv(:,:,1) img_hsv(:,:,1); img_hsv(:,:,2) img_hsv(:,:,2); img_hsv(:,:,3) img_hsv(:,:,3)*3; img_rgbv hsv2rgb(img_hsv);
figure(2); subplot(2,2,1), imshow(uint8(img)),title(原图); subplot(2,2,2), imshow(uint8(img_rgbh));title(H增强分量图); subplot(2,2,3), imshow(uint8(img_rgbs));title(S增强分量图); subplot(2,2,4), imshow(uint8(img_rgbv));title(V增强分量图); %直方图
figure(3); subplot(2,2,1), imshow(uint8(img)),title(原图); subplot(2,2,2), imhist(uint8(img(:,:,1)));title(R分量直方图); subplot(2,2,3), imhist(uint8(img(:,:,2)));title(B分量直方图); subplot(2,2,4), imhist(uint8(img(:,:,3)));title(B分量直方图);
denoise
clc clear all
img imread(Fig6.bmp);
figure(1) subplot(1,1,1),imshow(uint8(img)),title(原图); img rgb2gray(img); %添加噪声 im_noise_g imnoise(img, gaussian,0,0.01); im_noise_s imnoise(img, salt pepper,0.03);
figure(2) subplot(1,2,1),imshow(uint8(im_noise_g)),title(高斯噪声图); subplot(1,2,2),imshow(uint8(im_noise_s)),title(椒盐噪声图);
%均值滤波 A_3 fspecial(average,[3,3]); A_9 fspecial(average,[9,9]);
im_denoise_g_3 imfilter(im_noise_g,A_3); im_denoise_g_9 imfilter(im_noise_g,A_9);
figure(3) subplot(1,2,1),imshow(uint8(im_denoise_g_3)),title(高斯去噪图-均值—3*3); subplot(1,2,2),imshow(uint8(im_denoise_g_9)),title(高斯去噪图-均值—9*9);
%高斯滤波
im_denoise_g_1 imgaussfilt(im_noise_g,1); im_denoise_g_5 imgaussfilt(im_noise_g,5);
figure(4) subplot(1,2,1),imshow(uint8(im_denoise_g_1)),title(高斯去噪图-高斯-1); subplot(1,2,2),imshow(uint8(im_denoise_g_5)),title(高斯去噪图-高斯-5);
二、Harris角点检测
clear; % 读取图像 grayImage imread(1.bmp); % 转化为灰度图像 %grayImagergb2gray(srcImage); % 求取图像宽高 [ImageHeight,ImageWidth]size(grayImage); % 显示原始灰度图 % imshow(ori_im); % 方法1x方向梯度算子(用于Harris角点提取算法) % fx [-2 -1 0 1 2]; % 方法2x方向高斯卷积核(高斯尺度空间的多尺度优化) %fx [5 0 -5;8 0 -8;5 0 -5]; fx [1,2,1;0,0,0;-1,-2,-1];
% x方向滤波微分 Ix filter2(fx,grayImage); % 显示x方向滤波图 figure;imshow(Ix); % 方法1y方向梯度算子(用于Harris角点提取算法) % fy [-2;-1;0;1;2]; % 方法2y方向高斯卷积核(高斯尺度空间的多尺度优化) %fy [5 8 5;0 0 0;-5 -8 -5]; fy [1,0,-1;2,0,-2;1,0,-1]; % y方向滤波微分 Iy filter2(fy,grayImage); % 显示y方向滤波图 figure;imshow(Iy); %相关参数说明见harris理论文中前面有链接 Ix2 Ix.^2; Iy2 Iy.^2; Ixy Ix.*Iy; % 产生7*7的高斯窗函数sigma2,用于窗口的高斯平滑 w fspecial(gaussian,[5 5],2); Ix2 filter2(w,Ix2); Iy2 filter2(w,Iy2); Ixy filter2(w,Ixy);
% 纪录角点位置角点处值为1 corner zeros(ImageHeight,ImageWidth); % 图像中最大的响应值 Rmax 0; % 计算各点的响应值 R zeros(ImageHeight,ImageWidth); for i 1:ImageHeight for j 1:ImageWidth M [Ix2(i,j) Ixy(i,j);Ixy(i,j) Iy2(i,j)]; R(i,j) det(M)-0.06*(trace(M))^2; % if R(i,j) Rmax % Rmax R(i,j); % end; end; end; % 角点个数 cnt 0; % 进行非极大抑制窗口大小3*3 for i 2:ImageHeight-1 for j 2:ImageWidth-1 %if ( R(i,j) 0.01*Rmax R(i,j) R(i-1,j-1) R(i,j) R(i-1,j) R(i,j) R(i-1,j1) R(i,j) R(i,j-1) R(i,j) R(i,j1) R(i,j) R(i1,j-1) R(i,j) R(i1,j) R(i,j) R(i1,j1)) if ( R(i,j) 20 R(i,j) R(i-1,j-1) R(i,j) R(i-1,j) R(i,j) R(i-1,j1) R(i,j) R(i,j-1) R(i,j) R(i,j1) R(i,j) R(i1,j-1) R(i,j) R(i1,j) R(i,j) R(i1,j1)) corner(i,j) 1; cnt cnt1; end; end; end; [upix, vpix] find(corner 1); %角点个数 cnt %绘制角点 figure; imshow(grayImage) hold on; plot(vpix,upix,r.);
三、Hough变换直线检测
clear; % 读取图像 I imread(1.bmp);
subplot(2,2,1); imshow(I); title(原图);
BW edge(I,canny); subplot(2,2,2); imshow(BW); title(canny算子边缘检测后图像);
%hough函数 %BWm*n维二值图 % RhoResolutionρ的分辨率缺省为1 % ThetaResolutionθ的分辨率θ的范围是[-90,90) % Hhough变换后的累加器矩阵行数为m列数为n % thetaθ % rhoρ theta,rho为计算霍夫变换的角度和半径值
[H,T,R] hough(BW); subplot(2,2,3); imshow(H,[],XData,T,YData,R,InitialMagnification,fit); % imshow(H,[]); title(Hough变换图); axis on axis normal xlabel(\theta) ylabel(\rho) hold on %找到Hough变换结果累加容器H中所有大于阈值Threshold的峰值中最大的2个峰值所在的位置P。 % P为矩阵记录H中被找到的峰值的横纵坐标。 %再hough矩阵中寻找前40个大于hough矩阵中最大值0.24倍峰值 % P houghpeaks(H,10,threshold,ceil(0.3*max(H(:)))); %P是峰值的坐标 P houghpeaks(H,10); %P是峰值的坐标
x T(P(:,2)); y R(P(:,1)); %由行列索引转换成实际坐标
plot(x,y,s,color,white); %再hough矩阵图像中标出峰值位置
%二值图BW中对应指定thetarho且容器中数值峰值P的所有线段lines % 且线段最小长度大于MinLength % 线段间距离FillGap的合并 % lines为结构变量(lines.point1,lines.point2)记录满足条件的线段端点
lines houghlines(BW,T,R,P,FillGap,5,MinLength,7); %合并距离小于5的线段丢弃所有长度小于7的线段
subplot(2,2,4); imshow(I); title(hough变换检测图); axis on; hold on;
% mex_len 0; for k1:length(lines) %以此标注各条直线 xy [lines(k).point1;lines(k).point2]; plot(xy(:,1),xy(:,2),LineWidth,2,Color,red); hold on % %确定最长线段的端点 % len norm(lines(k).point1 - lines(k).point2); %最长线段的长度 % if(len max_len) % mex_len len; % xy_long xy; % end end
% plot(xy_long(:,1),xy_long(:,2),LineWidth,2,Color,cyan);
四、直方图显著性检测
%读取图像 %orpic imread(img_name); clear all; clc; close all; orpic imread(test2.bmp); figure;imshow(orpic); %获取图像的长、宽和通道值 [row ,column, nn] size(orpic); %生成调色板pallet(color,number),默认调色板大小为图像大小 pallet zeros(row*column,2); %设置阶梯值为了将rgb量化后的结果化成一个12进制的数 w [12*12,12,1];%RGB通道各自的权重这里的权重不能设置为一样的这是为了保证不一样的rgb组合得到的值不同 idx uint32(1);%调色板像数值个数 SUM uint32(0);%量化和 RGBSUM zeros(row,column);%原图像为三维彩图将RGB通道加权后每个像素的值 for i 1 : row for j 1 : column %获取第i行第j列的R、G、B通道的值并量化为12阶后再转化为一个数 a1 floor((double(orpic(i,j,1))/255)*(12-0.0001))*w(3); %乘以权重不一样就是为了每个通道量化后乘以权重的值不重叠了 a2 floor((double(orpic(i,j,2))/255)*(12-0.0001))*w(2); a3 floor((double(orpic(i,j,3))/255)*(12-0.0001))*w(1); SUM int32(a1) int32(a2) int32(a3); %三个通道量化后颜色和作为计算相似性的依据 % SUM 3* int32(a1); RGBSUM(i,j) SUM; %对于每个像数值将其归类到调色板中先在已经归类的pallet中查找如果遍历完毕发现未归类则将索引1并归类 %找出处理后的数据有多少种颜色值以及其频数 %记录不同颜色出现的次数和出现的频率 pallet第一列是颜色 第二列是该颜色出现的次数 if idx 1 %第一次循环 也就是该颜色第一次出现 pallet(idx,1) SUM; pallet(idx,2) pallet(idx,2) 1; idx idx 1; %颜色值1 continue; end flag 0; for m 1 : idx-1 %检查有没有重复的颜色 如果没有 flag0 里面已经有重复的颜色了那flag1对应的频率值1 if pallet(m,1) SUM pallet(m,2) pallet(m,2) 1; flag 1; break; end end if flag 0 pallet(idx,1) SUM; pallet(idx,2) pallet(idx,2) 1; idx idx 1; end end end %获取图中所有的颜色值 idx idx -1; pallet pallet(1:idx,:);%调色板截断保留真实调色个数 %生成新的调色板num(number,color)使得颜色按照频数从大到小排列且一号位为频数大小二号位为处理后的颜色值 palletemp pallet(:,2); %把频数取出来 [b,pos] sort(palletemp,descend); %频数降序排列 num zeros(idx,2); for i 1 : idx num(i,1) b(i); %pos是降序的位置 b是对应的频数 num(i,2) pallet(pos(i),1); %pos位置对应的颜色值 %num第一列 频数 第二列 颜色值 end %计算如果要保留95%的处理后的颜色值需要保留调色板的多少位 maxnum idx; %本来是257个颜色值 maxdropnum floor(row*column*(1-0.95)); %算出覆盖面积 5% 对应多少个像素maxdropnum crnt num(maxnum,1); %颜色频数 从大到小排序这是最后一个的频数 while(crntmaxdropnum maxnum1) %覆盖面积小并且不是第一个 crnt crnt num(maxnum-1,1); %crnt 累加倒数第二个颜色频率颜色频率也就是这个颜色有多少个像素 maxnum maxnum - 1; end %直到颜色对应的个数大于5%的像素个数了 结束 %保证保留的颜色值个数小于256且尽量不太小 maxnum min(maxnum,256); if maxnum 10 maxnum min(idx,100); end %将处理后的颜色值转化回RGB对应的值此处会有-1的误差影响不大 color3i zeros(idx,3); for i 1:idx %是吧257个颜色返回 color3i(i,1) round(num(i,2)/w(1)); color3i(i,2) round(mod(num(i,2),w(1))/w(2)); color3i(i,3) round(mod(num(i,2),w(2))); end %建立色板pallet(number,color,pos)其中pos为保留颜色的序号 a zeros(idx,1); pallet [num,a]; %num第一列 频数 第二列 颜色值 第三列 序号 for i 1:maxnum pallet(i,3) i; end %将舍弃的颜色归到其最相近的颜色当中 for i (maxnum1):idx %idx 257 原来的颜色个数 maxnum去掉95%以后的颜色个数 要把后面这么多颜色归到周围的颜色中去 simidx 99999999;simval 99999999; for j 1:maxnum %看看后面去掉的颜色和前面哪些颜色接近 计算距离 d_ij round((color3i(i,1)-color3i(j,1))^2 (color3i(i,2)-color3i(j,2))^2 (color3i(i,3)-color3i(j,3))^2); if d_ij simval simval d_ij; simidx j; end end %把最小距离的颜色记录下来那么就把i这个颜色归类到距离最小颜色 pallet(simidx,1) pallet(simidx,1) pallet(i,1); %对应的颜色频数1 pallet(i,3) simidx; %保留序号 就是标记 原来的这个颜色归去第4行了 simidx 4 end %将图像中属于某一“颜色值”的所有颜色的rgb值累加之后求平均再归一即调整保留下来颜色值 rgbcolor zeros(idx,4); for n 1:idx for i 1:row for j 1:column if RGBSUM(i,j) pallet(n,2) %num第一列 频数 第二列 颜色值 第三列 序号 rgbcolor(n,1) int32(rgbcolor(n,1)) int32(orpic(i,j,1)); rgbcolor(n,2) int32(rgbcolor(n,2)) int32(orpic(i,j,2)); rgbcolor(n,3) int32(rgbcolor(n,3)) int32(orpic(i,j,3)); rgbcolor(n,4) double(pallet(n,3)); end end end end for i 1:maxnum %maxnum 去掉了5%的颜色个数 for j (maxnum1):idx if rgbcolor(j,4) i rgbcolor(i,1) (rgbcolor(i,1) rgbcolor(j,1)); rgbcolor(i,2) (rgbcolor(i,2) rgbcolor(j,2)); rgbcolor(i,3) (rgbcolor(i,3) rgbcolor(j,3)); end end rgbcolor(i,1) (rgbcolor(i,1)/pallet(i,1))/255; rgbcolor(i,2) (rgbcolor(i,2)/pallet(i,1))/255; rgbcolor(i,3) (rgbcolor(i,3)/pallet(i,1))/255; end %将颜色格式由RGB转为Lab labcolor zeros(maxnum,3); for i 1:maxnum a zeros(1,1,3); a(1,1,1) rgbcolor(i,1); a(1,1,2) rgbcolor(i,2); a(1,1,3) rgbcolor(i,3); b rgb2lab(a); labcolor(i,1) b(1,1,1); labcolor(i,2) b(1,1,2); labcolor(i,3) b(1,1,3); end %存放颜色i与颜色j在Lab空间上的距离 distemp zeros(maxnum,maxnum,2); %每行将颜色j与颜色i的在Lab空间上的距离按从小到大排列 dist zeros(maxnum,maxnum,2); %存放平滑前的颜色显著值 colorsaltemp zeros(maxnum,2); for i 1:maxnum for j 1:maxnum %计算颜色i与其他所有j个颜色在Lab空间上的距离 存下来 distemp(i,j,1) norm(labcolor(i,:)-labcolor(j,:),2); distemp(i,j,2) j; end for k 1:maxnum if k i continue; end %颜色i在平滑之前的颜色显著值为S(c)ΣP(c)D(c,a)a为其他的颜色 概率相加的显著性值 colorsaltemp(i,1) colorsaltemp(i,1) (pallet(k,1)/(row*column))*distemp(i,k,1); %num第一列 频数 第二列 颜色值 第三列 序号 colorsaltemp(i,2) i; end % [b,pos] sort(distemp(i,:,1),ascend); % for k 1:maxnum % dist(i,k,1) b(k); % dist(i,k,2) distemp(i,pos(k),2); % dist里面是按照距离排序存放的 b是距离值 pos是位置 % end end % % %对各颜色进行平滑操作 % colorsal zeros(maxnum,2); % %计算权值时使用的颜色i与和其最邻近颜色的个数 % n double(round(maxnum/4)); % %保存与颜色i在Lab空间上最相近的nmaxnum/4个点的距离的和 % totaldist zeros(maxnum,1); % for i 1:maxnum % %计算与颜色i在Lab空间上最相近的nmaxnum/4个点的距离的和 % for j 2:n % totaldist(i,1) totaldist(i,1) dist(i,j,1); % end % valcrnt 0; % for j 1:n % valcrnt valcrnt colorsaltemp(dist(i,j,2),1)*(totaldist(i,1)-dist(i,j,1)); %距离差乘以距离值 作为周围四个颜色值的权重 % end % colorsal(i,1) valcrnt/((n-1)*totaldist(i,1)); % colorsal(i,2) i; % end %保存原图像各像素的显著值 sal zeros(row,column); for i 1:row for j 1:column for n 1:idx if RGBSUM(i,j) pallet(n,2) %sal(i,j) colorsal(pallet(n,3),1); sal(i,j) colorsaltemp(pallet(n,3),1); end end end end saliency (sal - min(min(sal)))/(max(max(sal)) - min(min(sal))); Afspecial(gaussian,[3,3],2); saliencyimfilter(saliency,A,replicate); %显示显著性图 subplot(1,2,1),imshow(saliency); subplot(1,2,2),imshow(sal,[]);
%读取图像并显示原图像
将图像的RGB值量化为12阶生成调色板pallet
将调色板中的颜色按照频数从大到小排列舍弃一部分颜色
将舍弃的颜色归到最相近的颜色中更新调色板
计算保留下来的每种颜色的平均RGB值并转换为Lab颜色空间
计算每种颜色之间在Lab空间上的距离得到颜色的显著性数值
将显著性数值归一化并进行高斯平滑
显示图像的显著性结果
五、人脸识别
clear all clc faceDatabase imageSet(dataSet,recursive); %% Face detector Fdetect vision.CascadeObjectDetector();
[training, test]partition(faceDatabase,[0.5,0.5]);
featureCount1; for i1:size(training,2) for j 1:training(i).Count Image read(training(i),j); BB step(Fdetect,Image); if(size(BB,1)0) disp(problem here) faceImage; else figure(1); imshow(Image); hold on for ii1:size(BB,1) rectangle(Position,BB(ii,:),LineWidth,5,LineStyle,--,EdgeColor,r); end [m, p] max(BB(:,3)); try faceimcrop(Image,BB(p,:)); catch ME disp(found one); end end face imresize(face,[224,224]); X(featureCount,:) extractHOGFeatures(face); y{featureCount} training(i).Description; featureCount featureCount1; end end
disp(training Set image collected)
faceClassifier fitcecoc(X,y);
pred predict(faceClassifier, X); pdzeros(size(X,1),1);
for i1:size(X,1) if(strcmp(pred{i},y{i})) pd(i)1; end end
fprintf(\nTraining Set Accuracy: %f\n, mean(pd) * 100);
featureCount1; for i1:size(test,2) for j1:test(i).Count Image read(test(i),j); BB step(Fdetect,Image); if(size(BB,1)0) disp(problem here) faceImage; else figure(1); imshow(Image); hold on for ii1:size(BB,1) rectangle(Position,BB(ii,:),LineWidth,5,LineStyle,--,EdgeColor,r); end [m, p] max(BB(:,3)); try faceimcrop(Image,BB(p,:)); catch ME disp(found one); end end face imresize(face,[224,224]); Xtest(featureCount,:) extractHOGFeatures(face); ytest{featureCount} test(i).Description; featureCount featureCount1; end end disp(test Set image collected)
testPred predict(faceClassifier, Xtest);
pdtzeros(size(Xtest,1),1); for i1:size(Xtest,1) if(strcmp(testPred{i},ytest{i})1) pdt(i)1; end end
fprintf(\nTest Set Accuracy: %f\n, mean(pdt) * 100);
六、kmeans
import
close all; %matlab代码 clear all; clc k2; org imread(1.jpeg); %读入图像 figure; subplot(2,2,1); imshow(org),title(原始图像); %显示原图像 % 接下来需要知道图片的尺寸长和宽如若直接对RGB图像进行操作如下 %转化为灰度图 grayrgb2gray(org); [m,n]size(gray); %m,n为所求p3为通道数 % 将图像进行RGB——3通道分解 % org(:, :, 1)......分别代表rgb通道 A reshape(org(:, :, 1), m*n, 1); B reshape(org(:, :, 2), m*n, 1); C reshape(org(:, :, 3), m*n, 1); data [A B C]; % r g b分量组成样本的特征每个样本有三个属性值共width*height个样本 % 第二张图 % kmeans第一个参数: N*P的数据矩阵N为数据个数P为单个数据维度 res kmeans(double(data), k); result reshape(res, m, n); % 反向转化为图片形式 subplot(2,2,2); % label2rgb功能是转换标记矩阵到RGB图像 imshow(label2rgb(result)),title(strcat(K,num2str(k),时RGB通道分割结果)); %显示分割结果 % 第三张图 res kmeans(double(data), k1); result reshape(res, m, n); subplot(2,2,3); imshow(label2rgb(result)),title(strcat(K,num2str(k1),时RGB通道分割结果)); % 第四张图 res kmeans(double(data), k2); result reshape(res, m, n); subplot(2,2,4); imshow(label2rgb(result)),title(strcat(K,num2str(k2),时RGB通道分割结果)); 函数
function [C, label, J] kmeans(I, k) %C聚类中心 [m, n, p] size(I);%图片的大小m*np代表RGB三层 X reshape(double(I), m*n, p);%将I的行列排列成m*n行p列,按照列取数据的 rng(default);%将随机数生成器的设置重置为其默认值因此会生成相同的随机数 C X(randperm(m*n, k), :);%随机选三个聚类中心randperm(m*n, k)-在m*n个数中随机选择k个;X(randperm(m*n, k), :)-选取X中第k行的数据 J_prev inf;%inf为无穷大 iter 0; J []; tol 1e-11;%容忍度10^(-11) while true iter iter 1; dist sum(X.^2, 2)*ones(1, k) (sum(C.^2, 2)*ones(1, m*n)) - 2*X*C;%计算图片中各个点到K个聚类中心的距离;sum(X, 2)-以行为单位求和;C-转置dist-mn行k列 [~,label] min(dist, [], 2);%label记录最小值的列数找到dist中那些最小值的索引位置并放在向量label中返回。C min(A,[],dim)-返回A中由dim指定的维数范围中的最小值dim取2时该函数返回一个列向量其第i个元素是A矩阵的第i行上的最小值。label的取值在1-k之间 for i 1:k C(i, :) mean(X(label i , :)); %取新的k个聚类中心;label12、3的所有行求每列的均值 end J_cur sum(sum((X - C(label, :)).^2, 2));%距离之和;X - C(label, :)-对应行相减 J [J, J_cur]; display(sprintf(#迭代次数: %03d, 目标函数: %f, iter, J_cur));%sprintf-将数据格式化为字符串或字符向量;%03d-左边补0 的等宽格式,比如数字12,%03d出来就是:012;sprintf() display(sprintf()); if norm(J_cur-J_prev, fro) tol%nnorm(A,p)-A和A的积的对角线和的平方根即sqrt(sum(diag(A*A)))本次与上次距离之差 break end if (iter10),% A和A的积的对角线和的平方根即sqrt(sum(diag(A*A)))本次与上次距离之差 break end J_prev J_cur; end kmeanstext
I imread(../1.jpeg); [m, n, p] size(I); figure subplot(1,2,1);imshow(I);title(原始图像);%显示图片I
k 2;%聚类数量 [C, label2, J2] kmeans(I, k); I_seg2 reshape(C(label2, :), m, n, p);%转换成图片矩阵的格式 k 4; [C, label3, J3] kmeans(I, k); I_seg3 reshape(C(label3, :), m, n, p); k 8; [C, label4, J4] kmeans(I, k); I_seg4 reshape(C(label4, :), m, n, p); k 16; [C, label5, J5] kmeans(I, k); I_seg5 reshape(C(label5, :), m, n, p); figure subplot(2, 4, 1); imshow(uint8(I_seg2), []); title(2-聚类);%imshow(I,[min(I(:)) max(I(:))])uint8的范围是0-255。 subplot(2, 4, 2); imshow(uint8(I_seg3), []); title(4-聚类); subplot(2, 4, 3); imshow(uint8(I_seg4), []); title(8-聚类); subplot(2, 4, 4); imshow(uint8(I_seg5), []); title(16-聚类);
七、神经网络
import torch
import numpy as np
from torch import nn, optim
from torch.autograd import Variable
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
import matplotlib.pyplot as plt
class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.layer1 nn.Sequential(nn.Conv2d(1, 10, kernel_size5), nn.BatchNorm2d(10), nn.ReLU(), nn.MaxPool2d(kernel_size2)) self.layer2 nn.Sequential(nn.Conv2d(10, 20, kernel_size5),nn.BatchNorm2d(20), nn.ReLU(), nn.MaxPool2d(kernel_size2)) self.fc nn.Sequential( nn.Linear(320, 50), nn.ReLU(),nn.Linear(50, 10)) def forward(self, x): x self.layer1(x) x self.layer2(x) x x.view(x.size(0), -1) x self.fc(x) return x
class BP(nn.Module): def __init__(self): super(BP, self).__init__() self.fc nn.Sequential(nn.Linear(784, 128),nn.ReLU(inplaceTrue), nn.Linear(128, 64), nn.ReLU(inplaceTrue),nn.Linear(64, 10)) def forward(self, x): x x.view(x.size(0), -1) x self.fc(x) return x
def train(model, train_loader, optimizer, criterion, device): model.train() for batch_idx, (data, target) in enumerate(train_loader): data, target data.to(device), target.to(device) optimizer.zero_grad() output model(data) loss criterion(output, target) loss.backward() optimizer.step() if batch_idx % 100 0: print(Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}.format( epoch, batch_idx * len(data), len(train_loader.dataset), 100. * batch_idx / len(train_loader), loss.item())) return loss.item()
def test(model, test_loader, test_dataset, criterion, device):model.eval() test_loss 0 correct 0 with torch.no_grad(): for data, target in test_loader: data, target data.to(device), target.to(device) output model(data) test_loss criterion(output, target).item()
