发布时间 : 星期日 文章模式识别实验报告更新完毕开始阅读
四、实验步骤及程序
1、实验步骤：
(1) 利用最优阈值对实验图像进行分割的迭代步骤编写程序流程图；
(2) 编写程序，用Matla b语言实现此算法，完成选择图像的分割。理解最优阈值迭代算法，设计程序实现对自选图像的最优阈值分割。 2、程序流程图：
输入图像初始阈值T0,允许误差Emax取图像上的像素点的灰度TnextT0=TnextTnext-TO>EmaxNYT0=Tnext图像上的某一点像素点的灰度值>T0小于大于属于目标属于背景输出经过分类后的图像
3、程序如下：
a=imread('e:/lena.bmp'); figure(1) imshow(a) b=a(:); Smax=max(b); Smin=min(b); T0=(Smax+Smin)/2; delta=1;
while delta>=0.1 clear R1 R2 m=1; l=1;
for n=1:65536; if b(n)<=T0 R1(m)=b(n); m=m+1; else
R2(l)=b(n); l=l+1; end end
Tnext=0.5*(mean(R1)+mean(R2)); delta=abs(Tnext-T0); T0=Tnext; end
for n=1:256 for m=1:256 if a(n,m)>=T0 c(n,m)=1; else
c(n,m)=0; end end end figure(2) imshow(c)
五、实验结果与分析
分割域值:T0 =124.3653
分割前原图： 分割后效果图：
结论：利用迭代法求得最优阈值仍然属于全局阈值。由图可知分割后的效果图有两个灰度级，即分为目标背景两个部分。将原图中的每一个像素与Tnest作比较，大于的为目标，小于的为背景。
实验2 K均值聚类算法
2.1 实验目的
将模式识别方法与图像处理技术相结合，掌握利用K均值聚类算法进行图像分类的基本方法，通过实验加深对基本概念的理解。
2.2 实验仪器设备及软件
HP D538、MATLAB、WIT
2.3 实验原理
K均值聚类法分为如下几个步骤：
一、初始化聚类中心
1、凭经验选择。根据具体问题，凭经验从样本集中选出K个比较合适的样本作为初始聚类中心。
2、用前K个样本作为初始聚类中心。
3、将全部样本随机地分成K类，计算每类的样本均值，将样本均值作为初始聚类中心。
4、密度法。以每个样本为球心，用某个正数为半径作一个球形邻域，落在邻域内的样本数为该点密度，选密度最大点为第一初始聚类中心。在离开第一点规定距离范围外确定次大密度点，以避免初始聚类中心聚集。
5、从K?1个聚类划分的解中产生K个聚类划分的初始聚类中心。先把全部样本看作一个聚类，其聚类中心为样本的总均值；然后确定两聚类问题的聚类中心是一聚类问题的总均值和离它最远的点；以此类推。
二、初始聚类
1、按就近原则将样本归入各聚类中心所代表的类中。
2、取一样本，将其归入与其最近的聚类中心的那一类中，重新计算样本均值，更新聚类中心。然后取下一样本，重复操作，直至所有样本归入相应类中。