模式识别与机器学习.pptx

水果自动分类 模式识别与机器学习 LOGO THE MAIN CONTENTS 1 第 部分 选题意义及内容 LOGO 水果在上市成为商品之前，如果按照一定的标准对产品进行清洗、加工等处理，然后按规定的水果的大小尺寸及品质等级标准等进行拣选、分类和包装能够提高效率。 从技术角度上看，人拣选时对蔬菜和水果的等级判定是根据个人的经验和瞬间判断的结果，其结果必然是因人而异，同时还受人的情绪和疲劳程度的影响。为了提高拣选的标准和均一性，降低产品的成本和改善劳动条件，并在剧烈的世界市场竞争中取得立足之地，国外如日本几乎所有的农业协同组连合会都普遍引进了自动化机械和机器人设备。蔬菜、水果拣选机器人实际上是通过传感器对被拣选对象进行有关的数据采集、并根据对数据的判断结果移动被拣选对象位置的装置，基本上像人一样具有综合的判断能力，从而解决了劳力短缺和生产竞争的矛盾。 2 第 部分 设计流程 LOGO 获得不同水果图像照片集 采用MATLAB图像处理获得数据集 采用K-近邻算法处理分析数据并python编程 测试分类 3 第 部分 算法简介 LOGO K-近邻算法 K-近邻分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。 K-近邻算法采用测量不同特征值之间的距离的方法进行分类 算法基本原理 LOGO 欧式距离 特征空间中两个实例点的距离反应出两个实例点之间的相似性程度。 K近邻模型的特征空间一般是n维实数向量空间。其中测试样本与训练样本的相似度一般使用欧式距离测量。 K-近邻算法 LOGO 优缺点 优 点 ：精度高、对异常值不敏感、无数据输入假定。缺点：计算复杂度高、空间复杂度高。  K-近邻算法 适用数据范围：数值型和标称型。  LOGO (1)收集数据：可以使用任何方法。  (2)准备数据：距离计算所需要的数值，最好是结构化的数据格式。  (3)分析数据：可以使用任何方法。  (4)测试算法：计算错误率。  (5)使用算法：首先需要输入样本数据和结构化的输出结果，然后运行女-近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类执行后续的处理。  K-近邻算法 4 第 部分 图像处理 LOGO 数字图像处理对源图进行了加工，是特征提取的基础。数字图像处理的理论涉及到彩色图像的灰度化、滤波、二值化、边缘提取、孔洞填充、分割等。 LOGO RGB图像：RGB图像是三幅灰度图像的“堆叠”，每一个像素的颜色由红、绿、蓝三原色组合而成。3 种颜色值的结合确定了在图像上看到的颜色。众所周知，自然界中所有颜色都可以由红绿蓝三原色组合而成。对于uint8类图，每种颜色成分都可以人为地分成0 到255 共256 个等级，0 级表示不含此种颜色成分，255 级表示含有100%的此种颜色成分。这样，根据红绿蓝各种不同的组合就能表示出256*256*256 种颜色。 灰度图像：存储图像的每一点的亮度被称为灰度，对于uint8类图，范围从0-255,表示256 种不同的灰度级，同时对应颜色表中的256 项颜色值。 RGB图像内存较大，而且用于表示的像素矩阵较大，而灰度图像占用内存较小，运算较为方便，所以大部分图像处理都会将彩色图像转为灰度图像进行处理。 LOGO 由于拍摄以及外部一些因素的影响，图像通常会有一些随机分布的噪声，这些噪声在图像上常表现为引起较强视觉效果的孤立像素点或像素块。一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。 图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。 滤波方法主要有：中值滤波，拉普拉斯滤波，高斯滤波，均值滤波等 LOGO 二值化：将灰度图像转化为只有0,1两种灰度级的图像，可以设置灰度阈值，当灰度图像中灰度大于阈值，则转化为1值灰度（白色），灰度小于阈值时，则转化为0值灰度（黑色）。 LOGO 边缘提取：边缘检测通过检测灰度变化快（梯度最大）的放方向来提取出物体的轮廓，轮廓是背景与前景的分割线。是特征提取的重要组成部分。 孔洞填充：由于拍摄图像是会有补光处理，这就造成物体表面有可能反光，反光会使拍摄出的图像部分亮度太高，而孔洞就是反光造成的目标图像不完整，通过孔洞填充处理后的二值图像会使目标完整显现。 LOGO 图像分割：图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。