图像处理中的统计应用案例_神经网络应用实例.zip

%-------------------------------------------------------------------------- % 基于贝叶斯判别的手写体数字识别 %-------------------------------------------------------------------------- %***********************读取训练样本图片，并进行预处理*********************** % 利用uigetfile函数交互式选取训练样本图片 geshi = {'*.jpg','JPEG image (*.jpg)';... '*.bmp','Bitmap image (*.bmp)';... '*.*','All Files (*.*)'}; [FileName FilePath] = uigetfile(geshi,'导入外部数据',... '*.jpg','MultiSelect','on'); % 如果选择了图片文件，生成图片文件的完整路径，否则退出程序，不再运行后面命令 if ~isequal([FileName,FilePath],[0,0]); FileFullName = strcat(FilePath,FileName); else return; end n = length(FileFullName); % 选择的图片文件个数 % 设置I、BW、training和group的初值 I = zeros(50); BW = zeros(16); training = zeros(1,256); group = []; % 通过循环对每一个图片进行标准化处理，并生成训练样本数据矩阵training和分组向量group for i = 1:n I = imread(FileFullName{i}); % 读入一幅图片 I = 255-I; % 图像反色处理 I = im2bw(I,0.4); % 设定阈值，把反色后图像转成二值图像 [y,x] = find(I == 1); % 查找数字上像素点的行标y和列标x BW = I(min(y):max(y),min(x):max(x)); % 截取包含数字的最大区域图像 % 将截取的包含数字的最大区域图像转成16×16的标准化图像 BW = imresize(BW,[16, 16]); % 将标准化图像按列拉长，生成50×256的训练样本矩阵training training(i,:) = double(BW(:)'); % 将图片文件名字符串分成三部分：文件路径、不带扩展名的文件名和扩展名字符串 [pathstr,namestr,ext] = fileparts(FileName{i}); % 读取不带扩展名的文件名字符串的第4个字符，得到该图片对应的数字，即该图片所在的组 group = [group;str2num(namestr(4))]; end %***************************创建朴素贝叶斯分类器对象************************* % 创建朴素贝叶斯分类器对象ObjBayes ObjBayes = NaiveBayes.fit(training,group,'Distribution','mn') %*****************************对训练样本图片进行判别************************* % 利用所创建的朴素贝叶斯分类器对象ObjBayes，对训练样本图片进行判别 pre0 = ObjBayes.predict(training); isequal(pre0, group) % 判断判别结果pre0与分组向量group是否相等 %***********************读取检验样本图片，并进行预处理*********************** % 利用uigetfile函数交互式选取检验样本图片 geshi = {'*.jpg','JPEG image (*.jpg)';... '*.bmp','Bitmap image (*.bmp)';... '*.*','All Files (*.*)'}; [FileName FilePath] = uigetfile(geshi,'导入外部数据',... '*.jpg','MultiSelect','on'); % 如果选择了图片文件，生成图片文件的完整路径，否则退出程序，不再运行后面命令 if ~isequal([FileName,FilePath],[0,0]); FileFullName = strcat(FilePath,FileName); else return; end n = length(FileFullName); % 选择的图片文件个数 % 设置I、BW、sampledata和samplegroup的初值 I = zeros(50); BW = zeros(16); sampledata = zeros(1,256); samplegroup = []; % 通过循环对每一个图片进行标准化处理， % 并生成检验样本数据矩阵sampledata和分组向量samplegroup for i = 1:n I = imread(FileFullName{i}); % 读入一幅图片 I = 255-I; % 图像反色处理 I = im2bw(I,0.4); % 设定阈值，把反色后图像转成二值图像 [y,x] = find(I == 1); % 查找数字上像素点的行标y和列标x BW = I(min(y):max(y),min(x):max(x)); % 截取包含数字的最大区域图像 % 将截取的包含数字的最大区域图像转成16×16的标准化图像 BW = imresize(BW,[16, 16]); % 将标准化图像按列拉长，生成30×256的检验样本矩阵sampledata sampledata(i,:) = double(BW(:)'); % 将图片文件名字符串分成三部分：文件路径、不带扩展名的文件名和扩展名字符串 [pathstr,namestr,ext] = fileparts(FileName{i}); % 读取不带扩展名的文件名字符串的第4个字符，得到该图片对应的数字，即该图片所在的组 samplegroup = [samplegroup; str2num(namestr(4))]; end %*****************************对检验样本图片进行判别************************* % 利用所创建的朴素贝叶斯分类器对象ObjBayes，对检验样本图片进行判别 pre1 = ObjBayes.predict(sampledata); % 查看判别结果 [samplegroup, pre1] % 第一列为真实组，第二列为判归的组