% 1.将MIT室内场景数据库中卧室、浴室作为正负样本，利用留出法完成训练集与测试集的划分（比例2：1）， % 并使用测量夹角余弦的方式进行二分类（0为负，1为正）， % 最后给出分类错误率和准确率，并绘制ROC曲线。 %% 设置参数 clc; clear; close all; path='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2'; ObjDir1='\bathroom'; ObjDir2='\bedroom'; a=10; %留出法划分次数 %% 读取指定路径下单个文件夹所有图像 % 读取机场的图片并处理 cd ([path,ObjDir1]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi1=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi1 image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi1(pn,:)=double(reshape(Image,1,[])); end % 将浴室和卧室分别作为正1、负0样本，给出训练样本的标签Xlabel XLable=ones(img_num,1); phi1=[phi1 XLable]; % 读取卧室的图片并处理 cd ([path,ObjDir2]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi2=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 % I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi2(pn,:)=double(reshape(Image,1,[])); end % 将浴室和卧室分别作为正1、负0样本，给出训练样本的标签Xlabel XLable=zeros(img_num,1); phi2=[phi2 XLable]; %% 列拼接两个矩阵并归一化 phi=[phi1; phi2]; % 矩阵归一化 phihead=phi(:,1:end-1); [phihead,PS]=mapminmax(phihead); %[phi,PS]中phi为归一化后数值，PS为一种对应关系 % phi(1:end-1,:)为除标签栏(最后一列）之外归一化 phi=[phihead,phi(:,end)]; %% 留出法划分互斥的训练集和测试集 % 二维数组a次二划分 for i=1:a % 划分训练集和测试集比例(2:1划分） b=randperm(length(phi(:,1))); %打乱列序列 e=round(length(phi(:,1))*2/3); c=b(1:e); %取打乱序列的前60% d=b(e+1:end); %取打乱序列的后40% %end直到数组结尾atrain=phi(c,:); %(:,:)为取原矩阵行和列，(:,1:50)为取原矩阵列，行取前60% atest=phi(d,:); %(:,d)为取原矩阵列，行取随机40%的行 Xtrain{1,i}=atrain; %保存在train的(1,1)cell Xtest{1,i}=atest; end %% 保存五次二划分的数据集 save ('Xtrain.mat','Xtrain'); save ('Xtest.mat','Xtest'); save('A.mat','a'); % 读取五次二划分 clear; clc load Xtrain.mat load Xtest.mat load A.mat %% 夹角余弦判断测试集和哪个训练集最相似，然后把该训练集的标签给该测试集 for i=1:a % a为二划分次数 % {}为元胞数组 btrain=Xtrain{1,i}; %读取保存在train的(1,1)cell btest=Xtest{1,i}; tempdis=-inf; tempj=0; Xlable{1,i}=zeros(1,size(btest,1)); count=0; % 记录错误个数 for j=1:size(btest,1) % 测试集的几行数据逐一进行比对 test{1,j}=ones(size(btest,2),1); % size(A,2)得到A的列数 test{1,j}=btest(j,:); Xlable{1,i}(j)=test{1,j}(1,end); % 读取测试集标签 for k=1:size(btrain,1) % 分别与训练集的几行数据一一比对 train{1,k}=ones(size(btrain,2),1); train{1,k}=btrain(k,:); % 计算两者之间的夹角余弦 B=[test{1,j}; train{1,k}]; %将后续进行计算的两行代码放到一个矩阵 distance=1-pdist(B,'cosine'); %计算夹角余弦 if(distance>tempdis) %余弦值越接近1，两个向量越相似 tempdis=distance; tempj=k; % 如果距离最大则判断为同一类型 % test{1,j}(1,end)=train{1,k}(1,end); % 将夹角余弦最短的训练集标签赋值给测试集 res=train{1,k}(1,end); end end ress(j)=res; % 计算错误个数 if(res~=Xlable{1,i}(j)) count=count+1; end % 将分类器对测试集的分类结果合并成一行 Xlable{1,i}(j)=test{1,j}(1,end); % 读取分类器对测试集的分类结果标签 end % 计算每个测试集的错误率和准确率 rateerrors(i)=count/size(btest,1); rateture(i)=1-rateerrors(i); % sprintf('错误率为：%.2f正确率为：%.2f',rateerrors,rateture) end % 计算a次划分的错误率和准确率均值 meanerrors=mean(rateerrors(:)); meanture=mean(rateture(:)); sprintf('错误率为：%.2f正确率为：%.2f',meanerrors,meanture) %% 绘制ROC曲线 title('ROC曲线') for i=1:a % a为二划分次数 subplot(2,5,i); auc=plot_roc(ress,btest(:,end)'); end % 2.对测试集添加噪声，给出噪声情况下的分类错误率、准确率、ROC曲线 %% 设置参数 clc; clear; close all; path='F:\study\机器学习\机器学习实验四\MIT室内场景2'; ObjDir1='\bathroom'; ObjDir2='\bedroom'; a=10; %留出法划分次数 %% 读取指定路径下单个文件夹所有图像 % 读取机场的图片并处理 cd ([path,ObjDir1]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi1=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi1 image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I0=imnoise(img_origin,'salt & pepper',0.2); %加入噪声密度：0.2的椒盐噪声 I1=rgb2gray(I0); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi1(pn,:)=double(reshape(Image,1,[])); end % 将浴室和卧室分别作为正1、负0样本，给出训练样本的标签Xlabel XLable=ones(img_num,1); phi1=[phi1 XLable]; % 读取卧室的图片并处理 cd ([path,ObjDir2]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi2=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 if(ndims(img_origin)==3) img_origin=rgb2gray(img_origin); % RGB图像转灰度图像 end I1=imnoise(img_origin,'salt & pepper',0.2); %加入噪声密度：0.2的椒盐噪声 Image=imresize(I1,[64,64]); phi2(pn,:)=double(reshape(Image,1,[])); end % 将浴室和卧室分别作为正1、负0样本，给出训练样本的标签Xlabel XLable=zeros(img_num,1); phi2=[phi2 XLable]; %% 列拼接两个矩阵并归一化 phi=[phi1; phi2]; % 矩阵归一化 phihead=phi(:,1:end-1); [phihead,PS]=mapminmax(phihead); %[phi,PS]中phi为归一化后数值，PS为一种对应关系 % phi(1:end-1,:)为除标签栏(最后一列）之外归一化 phi=[phihead,phi(:,end)]; %% 留出法划分互斥的训练集和测试集 % 二维数组a次二划分 for i=1:a % 划分训练集和测试集比例(2:1划分） b=randperm(length(phi(:,1))); %打乱列序列 e=round(length(phi(:,1))*2/3); c=b(1:e); %取打乱序列的前60% d=b(e+1:end); %取打乱序列的后40% %end直到数组结尾atrain=phi(c,:); %(:,:)为取原矩阵行和列，(:,1:50)为取原矩阵列，行取前60% atest=phi(d,:); %(:,d)为取原矩阵列，行取随机40%的行 Xtrain{1,i}=atrain; %保存在train的(1,1)cell Xtest{1,i}=atest; end %% 保存五次二划分的数据集 save ('Xtrain.mat','Xtrain'); save ('Xtest.mat','Xtest'); save('A.mat','a'); % 读取五次二划分 clear; clc load Xtrain.mat load Xtest.mat load A.mat %% 夹角余弦判断测试集和哪个训练集最相似，然后把该训练集的标签给该测试集 for i=1:a % a为二划分次数 % {}为元胞数组 btrain=Xtrain{1,i}; %读取保存在train的(1,1)cell btest=Xtest{1,i}; tempdis=-inf; tempj=0; Xlable{1,i}=zeros(1,size(btest,1)); count=0; % 记录错误个数 for j=1:size(btest,1) % 测试集的几行数据逐一进行比对 test{1,j}=ones(size(btest,2),1); % size(A,2)得到A的列数 test{1,j}=btest(j,:); Xlable{1,i}(j)=test{1,j}(1,end); % 读取测试集标签 for k=1:size(btrain,1) % 分别与训练集的几行数据一一比对 train{1,k}=ones(size(btrain,2),1); train{1,k}=btrain(k,:); % 计算两者之间的夹角余弦 B=[test{1,j}; train{1,k}]; %将后续进行计算的两行代码放到一个矩阵 distance=1-pdist(B,'cosine'); %计算夹角余弦 if(distance>tempdis) %余弦值越接近1，两个向量越相似 tempdis=distance; tempj=k; % 如果距离最大则判断为同一类型 % test{1,j}(1,end)=train{1,k}(1,end); % 将夹角余弦最短的训练集标签赋值给测试集 res=train{1,k}(1,end); end end ress(j)=res; % 计算错误个数 if(res~=Xlable{1,i}(j)) count=count+1; end % 将分类器对测试集的分类结果合并成一行 Xlable{1,i}(j)=test{1,j}(1,end); % 读取分类器对测试集的分类结果标签 end % 计算每个测试集的错误率和准确率 rateerrors(i)=count/size(btest,1); rateture(i)=1-rateerrors(i); % sprintf('错误率为：%.2f正确率为：%.2f',rateerrors,rateture) end % 计算a次划分的错误率和准确率均值 meanerrors=mean(rateerrors(:)); meanture=mean(rateture(:)); sprintf('错误率为：%.2f正确率为：%.2f',meanerrors,meanture) %% 绘制ROC曲线 title('噪声处理后的ROC曲线') for i=1:a % a为二划分次数 subplot(2,5,i); auc=plot_roc(ress,btest(:,end)'); end

推荐阅读

• 

  网上卖的袋装带鱼能买吗 网上带鱼能买吗
• 

  丝瓜的热量
• 

  switch怎么连显示器
• 

  安卓水印去除软件,无痕go水印怎么用?教你!
• 

  油箱盖子冻住了怎么办 油箱盖冻了怎么解决
• 

  朋友印象如何发表印象？朋友印象APP发表印象方法
• 

  最高院非法进行节育手术案件的相关司法规定
• 

  华为平板M68.4英寸平板电脑屏幕碎了维修价格
• 

  《轻而易举的富足》第3天|《轻而易举的富足》第3天 第3课，我觉察我看到了什么
• 

  如何在京东云服务器上安装驱动？ 京东云服务器怎么安装驱动
• 

  肾好的人可以吃补肾的药丸吗 好肾可以吃出来
• 

  图像数据分析控件,霍尔效应实验图像数据分析
• 

  wps怎么只打印一页
• 

  我喜欢的小动物作文400字 写动物的作文400字
• 

  云盘|免费的便宜能占？打工人的网盘这么选
• 

  牛肉粉丝怎么烧 粉丝怎么烧
• 

  c语言trace函数 c语言stract函数
• 

  迅雷影音怎么跳过片头 迅雷影音播放器是否可以跳过片头?
• 

  阿里云低延时直播RTS能力升级，让直播推流效果更佳
• 

  请问人工流产后什么情况下会导致不孕呢？

• 实践|图像识别2（图像多分类实验）
• 随机森林 | GBDT | XGBOOST | LightGBM 比较
• 单片机|（3）下位机部分-水下管道智能巡检-方案STM32+树梅派+python+opencv—水下机器人
• machine|GridSearchCV调参方法
• 计算机视觉|Anomaly Detection 异常检测之 CSI（Contrasting shifted instances论文解读）
• 机器学习|Python实现词云舞
• python相关学习|用python批量修改图片名称！超级简单
• Darkent|Darknet-Yolo系列(一）利用 Darknet 在自己的数据集上训练 Yolov4-tiny 模型
• 文本特征提取