图像识别2：图像多分类实验
图像识别2：图像多分类实验
- 一、实验目的
- 二、实验内容
- 算法设计及实现
-
- 1. a 次 b 折交叉验证法（k 取 10）完成训练集与测试集的划分。
- 2. 对测试集添加椒盐噪声，记录当噪声密度 d 取 0，0.01，0.05，0.1，0.2，0.5，0.8，1 时的分类精度，并画出精度曲线图，通过曲线图分析测试集噪声对两种方法的影响。
- 三、实验结果：
- 四、实验心得：
- 五、实验源码：
-
- 实验五1.0版本（1）——夹角余弦
- 实验五1.0版本（2）——欧式距离
- 实验五1.0版本（3）——夹角余弦和欧式距离
- 实验五1.0版本（4）——交叉验证
- 实验五1.0版本（5）——椒盐噪声
- 实验五1.0版本（6）——仅测试集椒盐噪声
- 实验五2.0改进版（5）——椒盐噪声
- 实验五2.0改进版（6）——仅测试集椒盐噪声
一、实验目的
基于相似性度量和最短距离法的多分类实验，通过曲线图分析测试集噪声对两种方法的影响。
二、实验内容
- 将 MIT 室内场景数据库中机场、面包房、卧室、浴室作为四个类别。利用留出法（比例 2：1）、交叉验证法（k 取 10）分别完成训练集与测试集的划分，并使用夹角余弦、距离进行多分类，给出分类准确率。
- 对测试集添加椒盐噪声，记录当噪声密度 d 取 0，0.01，0.05，0.1，0.2，0.5，0.8，1 时的分类精度，并画出精度曲线图，通过曲线图分析测试集噪声对两种方法的影响。
算法设计及实现
1. a 次 b 折交叉验证法（k 取 10）完成训练集与测试集的划分。
b 折交叉验证标签：将标签均分成 b 份，每一份打上不同的记号，共 b 个记号。得到样本被不同的数打标签，同样的标签数就是一份，一共是 b 份。
a 次交叉验证划分：b 次循环，每一次取其中一份 j（1：b）作为测试集，其余的（~ctest）做训练集。
2. 对测试集添加椒盐噪声，记录当噪声密度 d 取 0，0.01，0.05，0.1，0.2，0.5，0.8，1 时的分类精度，并画出精度曲线图，通过曲线图分析测试集噪声对两种方法的影响。
设置参数：将噪声 d 封装成一维矩阵，依次读取 7 种椒盐噪声。
加入椒盐噪声：通过 imnoise 函数给测试集加入椒盐噪声，然后对除 Label 标签外的部分归一化，最后拼接。
分别计算不同噪声的分类精度。
绘图分析影响。这里通过学习 CSDN 上好看的 matlab 绘图，了解到了一系列可以改进图形的参数，借鉴其并将它们套用于本实验中。
三、实验结果：
这个结果很奇怪，但检查后感觉代码逻辑没有问题，因此试图分析：
欧式距离和夹角余弦预测结果几乎都是标签 1，可能是由于样本 1 的数量相较于其他的 2、3、4，导致标签 1“过拟合”。
检查过程中的问题及解决：
结果全一样明显不对，看工作区变量发现，需要进行处理。查看该文件下的图片，发现大多数为二维，因此增加一行判断语句，如果是 rgb 三维图像，转化为二维，否则不转化。
if(ndims(img_origin)==3)
I1=rgb2gray(img_origin);
end
四、实验心得：
通过本次实验，熟练掌握了基于相似性度量和最短距离法的多分类方法，以及 a 次 b 折交叉验证法，并通过曲线图分析测试集噪声对两种方法的影响。在线性回归和线性判别实验中，了解了机器学习的数学公式及实践原理，对损失函数、梯度下降有了实际的认识，对其数学与编程的应用中有了更深的理解。在网络平台资源的学习下，能通过多种方案编写代码达到同一个目的，并且代码的复用性和安全性得到了较大的提升。并且尝试根据运行结果改进代码未报错但存在的问题，使代码更符合数学原理。
五、实验源码：
实验五1.0版本（1）——夹角余弦
1.0版本仅记录成长，无参考价值。时空复杂度相较后面都太高了。
% 1.将MIT室内场景数据库中机场、面包房、卧室、浴室作为四个类别。
% 利用留出法完成训练集与测试集的划分（比例2：1），
% 并使用夹角余弦、距离进行多分类，给出分类准确率。
%% 设置参数
clc;clear;close all;
path='D:\Desktop\大三上\神经网络\实验三\数据\MIT室内场景';
path1='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2';
ObjDir1='\airport_inside';
ObjDir2='\bakery';
ObjDir3='\bathroom';
ObjDir4='\bedroom';
a=1; %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
% 将机场作为样本1，给出训练样本的标签Xlabel
XLable=ones(img_num,1);
phi1=[phi1 XLable];
%% 读取面包房的图片并处理
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
% 将面包房作为样本2，给出训练样本的标签Xlabel
XLable=2*ones(img_num,1);
phi2=[phi2 XLable];
%% 读取卧室的图片并处理
cd ([path1,ObjDir3]); %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
phi3=zeros(img_num,64*64);
for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi3
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]);
phi3(pn,:)=double(reshape(Image,1,[]));
end
% 将浴室作为样本3，给出训练样本的标签Xlabel
XLable=ones(img_num,1);
phi3=[phi3 XLable];
%% 读取浴室的图片并处理
cd ([path1,ObjDir4]); %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
phi4=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]);
phi4(pn,:)=double(reshape(Image,1,[]));
end
% 将卧室作为样本4，给出训练样本的标签Xlabel
XLable=zeros(img_num,1);
phi4=[phi4 XLable];
%% 列拼接四个矩阵并归一化
phi=[phi1;phi2;phi3;phi4];
% 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
end
% 计算每个测试集的准确率
rateture(i)=1-count/size(btest,1);
% sprintf('正确率为：%.2f',rateture)
end
%% 计算a次划分的准确率均值
meanture=mean(rateture(:));
sprintf('夹角余弦的正确率为：%.2f',meanture)
实验五1.0版本（2）——欧式距离
% 1.将MIT室内场景数据库中机场、面包房、卧室、浴室作为四个类别。
% 利用留出法完成训练集与测试集的划分（比例2：1），
% 并使用夹角余弦、距离进行多分类，给出分类准确率。
%% 设置参数
clc;clear;close all;
path='D:\Desktop\大三上\神经网络\实验三\数据\MIT室内场景';
path1='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2';
ObjDir1='\airport_inside';
ObjDir2='\bakery';
ObjDir3='\bathroom';
ObjDir4='\bedroom';
a=1; %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
% 将机场作为样本1，给出训练样本的标签Xlabel
XLable=ones(img_num,1);
phi1=[phi1 XLable];
%% 读取面包房的图片并处理
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
% 将面包房作为样本2，给出训练样本的标签Xlabel
XLable=2*ones(img_num,1);
phi2=[phi2 XLable];
%% 读取卧室的图片并处理
cd ([path1,ObjDir3]); %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
phi3=zeros(img_num,64*64);
for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi3
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]);
phi3(pn,:)=double(reshape(Image,1,[]));
end
% 将浴室作为样本3，给出训练样本的标签Xlabel
XLable=ones(img_num,1);
phi3=[phi3 XLable];
%% 读取浴室的图片并处理
cd ([path1,ObjDir4]); %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
phi4=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]);
phi4(pn,:)=double(reshape(Image,1,[]));
end
% 将卧室作为样本4，给出训练样本的标签Xlabel
XLable=zeros(img_num,1);
phi4=[phi4 XLable];
%% 列拼接四个矩阵
phi=[phi1;phi2;phi3;phi4];
%% 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
%% 欧式距离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=zeros(1,size(btest,1));
flag=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(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,:);
% 计算两者之间的欧式距离
distance=sqrt(sum(abs(test{1,j}-train{1,k})).^2); %sum(x.^2)计算数组的平方和
if(distance<tempdis)
tempdis=distance;tempj=k; % 如果距离最小则判断为同一类型
res=train{1,k}(1,end); % 将最短距离的训练集标签赋值给测试集
end
end
ress(j)=res;
% 计算夹角余弦的错误个数
if(res~=Xlable(j))
flag=flag+1;
end
end
% 计算每个测试集的准确率
rateture(i)=1-flag/size(btest,1);
% sprintf('错误率为：%.2f 正确率为：%.2f',rateerrors,rateture)
end
%% 计算a次划分的准确率均值
meanture=mean(rateture(:));
sprintf('欧式距离的正确率为：%.2f',meanture)
实验五1.0版本（3）——夹角余弦和欧式距离
% 1.将MIT室内场景数据库中机场、面包房、卧室、浴室作为四个类别。
% 利用留出法完成训练集与测试集的划分（比例2：1），
% 并使用夹角余弦、距离进行多分类，给出分类准确率。
%% 设置参数
clc;clear;close all;
path='D:\Desktop\大三上\神经网络\实验三\数据\MIT室内场景';
path1='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2';
ObjDir1='\airport_inside';
ObjDir2='\bakery';
ObjDir3='\bathroom';
ObjDir4='\bedroom';
a=2; %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
% 将机场作为样本1，给出训练样本的标签Xlabel
XLable=ones(img_num,1);
phi1=[phi1 XLable];
%% 读取面包房的图片并处理
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
% 将面包房作为样本2，给出训练样本的标签Xlabel
XLable=2*ones(img_num,1);
phi2=[phi2 XLable];
%% 读取卧室的图片并处理
cd ([path1,ObjDir3]); %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
phi3=zeros(img_num,64*64);
for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi3
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]);
phi3(pn,:)=double(reshape(Image,1,[]));
end
% 将浴室作为样本3，给出训练样本的标签Xlabel
XLable=ones(img_num,1);
phi3=[phi3 XLable];
%% 读取浴室的图片并处理
cd ([path1,ObjDir4]); %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
phi4=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]);
phi4(pn,:)=double(reshape(Image,1,[]));
end
% 将卧室作为样本4，给出训练样本的标签Xlabel
XLable=zeros(img_num,1);
phi4=[phi4 XLable];
%% 列拼接四个矩阵并归一化
phi=[phi1;phi2;phi3;phi4];
% 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a次二划分的数据集
save ('Xtrain.mat','Xtrain');
save ('Xtest.mat','Xtest');
save('A.mat','a');
% 读取a次二划分
clear;clc
load Xtrain.mat
load Xtest.mat
load A.mat
%% 夹角余弦和欧式距离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; % 记录夹角余弦的错误个数
flag=0; % 记录欧式距离的错误个数
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,:);
res1=train{1,1}(1,end);
res2=train{1,1}(1,end);
% 计算两者之间的欧式距离
distance1=sqrt(sum(abs(test{1,j}-train{1,k})).^2); %sum(x.^2)计算数组的平方和
if(distance1<tempdis)
tempdis=distance1;tempj=k; % 如果距离最小则判断为同一类型
res1=train{1,k}(1,end); % 将最短距离的训练集标签赋值给测试集
% sprintf('res1为：%.2f',res1)
end
% 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
res2=train{1,k}(1,end);
end
end
ress1(j)=res1;
% 计算欧式距离的错误个数
if(res1~=Xlable{1,i}(j))
flag=flag+1;
end
ress2(j)=res2;
% 计算夹角余弦的错误个数
if(res2~=Xlable{1,i}(j))
count=count+1;
end
end
% 计算每个测试集的准确率
rateture(i)=1-flag/size(btest,1); % 欧式距离
rateture2(i)=1-count/size(btest,1); % 夹角余弦
% sprintf('正确率为：%.2f',rateture)
end
%% 计算a次划分的准确率均值
meanture=mean(rateture(:));
meanture2=mean(rateture2(:));
sprintf('十次留出法划分得到 欧式距离的正确率为：%.2f 夹角余弦的正确率为：%.2f',meanture,meanture2)
实验五1.0版本（4）——交叉验证
% 1.将MIT室内场景数据库中机场、面包房、卧室、浴室作为四个类别。
% 利用交叉验证法完成训练集与测试集的划分（比例2：1），
% 并使用夹角余弦、距离进行多分类，给出分类准确率。
%% 设置参数
clc;clear;close all;
path='D:\Desktop\大三上\神经网络\实验三\数据\MIT室内场景';
path1='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2';
ObjDir1='\airport_inside';
ObjDir2='\bakery';
ObjDir3='\bathroom';
ObjDir4='\bedroom';
a=10; %留出法划分次数
b=10; %b折交叉验证
%% 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
% 将机场作为样本1，给出训练样本的标签Xlabel
XLable=ones(img_num,1);
phi1=[phi1 XLable];
%% 读取面包房的图片并处理
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
% 将面包房作为样本2，给出训练样本的标签Xlabel
XLable=2*ones(img_num,1);
phi2=[phi2 XLable];
%% 读取卧室的图片并处理
cd ([path1,ObjDir3]); %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
phi3=zeros(img_num,64*64);
for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi3
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]);
phi3(pn,:)=double(reshape(Image,1,[]));
end
% 将浴室作为样本3，给出训练样本的标签Xlabel
XLable=3*ones(img_num,1);
phi3=[phi3 XLable];
%% 读取浴室的图片并处理
cd ([path1,ObjDir4]); %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
phi4=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]);
phi4(pn,:)=double(reshape(Image,1,[]));
end
% 将卧室作为样本4，给出训练样本的标签Xlabel
XLable=4*ones(img_num,1);
phi4=[phi4 XLable];
%% 列拼接四个矩阵并归一化
phi=[phi1;phi2;phi3;phi4];
% % 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)];
%% 交叉验证法划分互斥的训练集和测试集
% 二维数组a次b折交叉验证
for i=1:a
% 参考函数crossvalind（https://ww2.mathworks.cn/help/bioinfo/ref/crossvalind.html）
% meas和indices两个数据集，分别为原始的数据集和他们的标签。
% 每一行是一个样本数据
% 用交叉验证函数做b次交叉验证，将标签均分成b份，每一份打上不同的记号，记号为一个正整数
% 得到样本被不同的数打标签，同样的数就是一份，一共是b份
indices = crossvalind('Kfold',phi(:,end),b);
% 对标签集进行分析,参考函数classperf（https://www.cnblogs.com/york-hust/p/3962270.html）
% https://www.mathworks.com/help/bioinfo/ref/classperf.html
cp = classperf(phi(:,end));
for j=1:b
%十次循环，每一次取其中一份作为测试集，其余的做训练集
ctest = (indices == j); % 获得test集元素在数据集中对应的单元编号
ctrain = ~ctest; % train集元素的编号为非test元素的编号
% Xtrain{i,j}=ctrain; % 这个会造成Xtrain只有一列
%保存在train的(1,1)cell
Xtrain{i,j}=phi(ctrain,:); % 从数据集中划分出train样本的数据
% Xtest{i,j}=ctest;
Xtest{i,j}=phi(ctest,:);
end
end
%% 保存a次二划分的数据集
save ('Xtrain.mat','Xtrain');
save ('Xtest.mat','Xtest');
save('A.mat','a');
save('B.mat','b');
% 读取a次二划分
clear;clc
load Xtrain.mat
load Xtest.mat
load A.mat
load B.mat
%% 夹角余弦和欧式距离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
for g=1:b
% {}为元胞数组
btrain=Xtrain{i,g}; %读取保存在train的(1,1)cell
btest=Xtest{i,g};
tempdis=-inf;tempj=0;
Xlable{i,g}=zeros(1,size(btest,1));
count=0; % 记录夹角余弦的错误个数
flag=0; % 记录欧式距离的错误个数
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{i,g}(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,:);
res1=train{1,1}(1,end);
res2=train{1,1}(1,end);
% 计算两者之间的欧式距离
distance1=sqrt(sum(abs(test{1,j}-train{1,k})).^2); %sum(x.^2)计算数组的平方和
if(distance1<tempdis)
tempdis=distance1;tempj=k; % 如果距离最小则判断为同一类型
res1=train{1,k}(1,end); % 将最短距离的训练集标签赋值给测试集
end
% 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
res2=train{1,k}(1,end);
end
end
ress1(j)=res1;
% 计算欧式距离的错误个数
if(res1~=Xlable{i,g}(j))
flag=flag+1;
end
ress2(j)=res2;
% 计算夹角余弦的错误个数
if(res2~=Xlable{i,g}(j))
count=count+1;
end
end
% 计算每个测试集的准确率
rateture0(g)=1-flag/size(btest,1); % 欧式距离
rateture02(g)=1-count/size(btest,1); % 夹角余弦
% sprintf('正确率为：%.2f',rateture)
end
rateture(i)=mean(rateture0(:));
rateture2(i)=mean(rateture02(:));
end
%% 计算a次划分的准确率均值
meanture=mean(rateture(:));
meanture2=mean(rateture2(:));
sprintf('十次十折交换验证划分得到 欧式距离的正确率为：%.2f 夹角余弦的正确率为：%.2f',meanture,meanture2)
实验五1.0版本（5）——椒盐噪声
% 4.对训练集和测试集添加椒盐噪声，
% 记录当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度，
% 并画出精度曲线图，通过曲线图分析噪声对两种方法的影响。
%% 设置参数
clc;clear;close all;
warning('off') %关掉警告
path='D:\Desktop\大三上\神经网络\实验三\数据\MIT室内场景';
path1='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2';
ObjDir1='\airport_inside';
ObjDir2='\bakery';
ObjDir3='\bathroom';
ObjDir4='\bedroom';
a=1; %留出法划分次数
d0=[0.01 0.1 0.2 0.5 0.6 0.8 1]; %椒盐噪声
dture1=zeros(7,1);
dture2=zeros(7,1);
%% 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
% 将机场作为样本1，给出训练样本的标签Xlabel
XLable=ones(img_num,1);
phi1=[phi1 XLable];
%% 读取面包房的图片并处理
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
% 将面包房作为样本2，给出训练样本的标签Xlabel
XLable=2*ones(img_num,1);
phi2=[phi2 XLable];
%% 读取卧室的图片并处理
cd ([path1,ObjDir3]); %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
phi3=zeros(img_num,64*64);
for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi3
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]);
phi3(pn,:)=double(reshape(Image,1,[]));
end
% 将浴室作为样本3，给出训练样本的标签Xlabel
XLable=3*ones(img_num,1);
phi3=[phi3 XLable];
%% 读取浴室的图片并处理
cd ([path1,ObjDir4]); %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
phi4=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]);
phi4(pn,:)=double(reshape(Image,1,[]));
end
% 将卧室作为样本4，给出训练样本的标签Xlabel
XLable=4*ones(img_num,1);
phi4=[phi4 XLable];
%% 列拼接四个矩阵并保存
phi0=[phi1;phi2;phi3;phi4];
%% 7种椒盐噪声
for m=1:7 %注意是从1开始
phi=phi0;
noise=d0(m)
%% 矩阵加入椒盐噪声并归一化
% 矩阵归一化
phihead=phi(:,1:end-1);
phihead=imnoise(phihead,'salt & pepper',noise); %加入噪声密度：d的椒盐噪声
% [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
%% 夹角余弦和欧式距离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};
tempdis1=inf;tempdis2=-inf;tempj1=0;tempj2=0;
Xlable{1,i}=zeros(1,size(btest,1));
count=0; % 记录夹角余弦的错误个数
flag=0; % 记录欧式距离的错误个数
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,:);
res1=train{1,1}(1,end);
res2=train{1,1}(1,end);
% 计算两者之间的欧式距离
distance1=sqrt(sum(abs(test{1,j}-train{1,k})).^2); %sum(x.^2)计算数组的平方和
if(distance1<tempdis1)
tempdis1=distance1;tempj1=k; % 如果距离最小则判断为同一类型
res1=train{1,tempj1}(1,end); % 将最短距离的训练集标签赋值给测试集
% sprintf('res1为：%.2f',res1)
end
% 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>tempdis2) %余弦值越接近1，两个向量越相似
tempdis2=distance;tempj2=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
res2=train{1,k}(1,end);
end
end
ress1(j)=res1;
% 计算欧式距离的错误个数
if(res1~=Xlable{1,i}(j))
flag=flag+1;
end
ress2(j)=res2;
% 计算夹角余弦的错误个数
if(res2~=Xlable{1,i}(j))
count=count+1;
end
end
% 计算每个测试集的准确率
rateture(i)=1-flag/size(btest,1); % 欧式距离
rateture2(i)=1-count/size(btest,1); % 夹角余弦
% sprintf('正确率为：%.2f',rateture)
end
%% 计算a次划分的准确率均值
%% 计算当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度
meanture=mean(rateture(:));
meanture2=mean(rateture2(:));
sprintf('当噪声密度为%.2f时，十次留出法划分得到 欧式距离的正确率为：%.2f 夹角余弦的正确率为：%.2f\n',noise,meanture,meanture2)
dture1(m)=meanture;
dture2(m)=meanture2;
end
%% 画出精度曲线图，通过曲线图分析噪声对两种方法的影响
x = d;y1 = dture1;y2 = dture2;
% x = [0.01 0.1 0.2 0.5 0.6 0.8 1];y1 = [98 97 87 86 88 91 94];
% y2 = [95 95 95 95 95 95 95];
% 新建图画，若figure(1)即指定图画句柄1
f1 = figure(1);
% 设置布画大小，合适的大小可防止粘贴到word文档时图片模糊
set(gcf,'unit','centimeters','position',[10 5 14 7]);
% 设置布画背景色
set(gcf,'Color',[0.9 0.9 0.9]);
plot(x,y1,'--ob')
hold on
plot(x,y2,':*g')
axis([0 1 0 100])
% 设置坐标格
grid on;
% 批量设置曲线粗细
set(findobj(get(gca,'Children'),'LineWidth',0.5),'LineWidth',2);
set(gca,'XTick', [0.01 0.1 0.2 0.5 0.6 0.8 1]);
set(gca,'XTickLabel',{'0.01','0.1','0.2','0.5','0.6','0.8','1'});
% 设置字体格式
set(gca,'FontSize',15); xlabel('噪声密度','fontsize',17);
ylabel('分类精度','fontsize',17);
legend('欧氏距离','夹角余弦')
title('精度曲线图');
实验五1.0版本（6）——仅测试集椒盐噪声
% 3.对测试集添加椒盐噪声，
% 记录当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度，
% 并画出精度曲线图，通过曲线图分析噪声对两种方法的影响。
%% 设置参数
clc;clear;close all;
warning('off') %关掉警告
path='D:\Desktop\大三上\神经网络\实验三\数据\MIT室内场景';
path1='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2';
ObjDir1='\airport_inside';
ObjDir2='\bakery';
ObjDir3='\bathroom';
ObjDir4='\bedroom';
a=10; %留出法划分次数
d0=[0.01 0.1 0.2 0.5 0.6 0.8 1]; %椒盐噪声
dture1=zeros(7,1);
dture2=zeros(7,1);
%% 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
% 将机场作为样本1，给出训练样本的标签Xlabel
XLable=ones(img_num,1);
phi1=[phi1 XLable];
%% 读取面包房的图片并处理
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
% 将面包房作为样本2，给出训练样本的标签Xlabel
XLable=2*ones(img_num,1);
phi2=[phi2 XLable];
%% 读取卧室的图片并处理
cd ([path1,ObjDir3]); %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
phi3=zeros(img_num,64*64);
for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi3
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]);
phi3(pn,:)=double(reshape(Image,1,[]));
end
% 将浴室作为样本3，给出训练样本的标签Xlabel
XLable=3*ones(img_num,1);
phi3=[phi3 XLable];
%% 读取浴室的图片并处理
cd ([path1,ObjDir4]); %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
phi4=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)
I1=rgb2gray(img_origin); % RGB图像转灰度图像
end
Image=imresize(I1,[64,64]);
phi4(pn,:)=double(reshape(Image,1,[]));
end
% 将卧室作为样本4，给出训练样本的标签Xlabel
XLable=4*ones(img_num,1);
phi4=[phi4 XLable];
%% 列拼接四个矩阵并保存
phi0=[phi1;phi2;phi3;phi4];
%% 7种椒盐噪声
for m=1:7 %注意是从1开始
phi=phi0;
noise=d0(m)
%% 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
% 划分
atrain0=phi(c,:); %(:,:)为取原矩阵行和列，(:,1:50)为取原矩阵列，行取前60%
phihead0=atrain0(:,1:end-1);
% 加入椒盐噪声
phihead0=imnoise(phihead0,'salt & pepper',noise); %加入噪声密度：d的椒盐噪声
phi(c,1:end-1)=phihead0;
% 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:nd-1,:)为除标签栏(最后一列）之外归一化
atest=phi(d,:); %(:,d)为取原矩阵列，行取随机40%的行
atrain=phi(c,:);
Xtrain{1,i}=atrain; %保存在train的(1,1)cell
Xtest{1,i}=atest;
end
%% 夹角余弦和欧式距离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};
tempdis1=-inf;tempdis2=-inf;tempj1=0;tempj2=0;
Xlable{1,i}=zeros(1,size(btest,1));
count=0; % 记录夹角余弦的错误个数
flag=0; % 记录欧式距离的错误个数
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,:);
res1=train{1,1}(1,end);
res2=train{1,1}(1,end);
% 计算两者之间的欧式距离
distance1=sqrt(sum(abs(test{1,j}-train{1,k})).^2); %sum(x.^2)计算数组的平方和
if(distance1<tempdis1)
tempdis1=distance1;tempj1=k; % 如果距离最小则判断为同一类型
res1=train{1,k}(1,end); % 将最短距离的训练集标签赋值给测试集
% sprintf('res1为：%.2f',res1)
end
% 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>tempdis2) %余弦值越接近1，两个向量越相似
tempdis2=distance;tempj2=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
res2=train{1,k}(1,end);
end
end
ress1(j)=res1;
% 计算欧式距离的错误个数
if(res1~=Xlable{1,i}(j))
flag=flag+1;
end
ress2(j)=res2;
% 计算夹角余弦的错误个数
if(res2~=Xlable{1,i}(j))
count=count+1;
end
end
% 计算每个测试集的准确率
rateture(i)=1-flag/size(btest,1); % 欧式距离
ratetre2(i)=1-count/size(btest,1); % 夹角余弦
% sprintf('正确率为：%.2f',rateture)
end
%% 计算a次划分的准确率均值
%% 计算当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度
meanture=mean(rateture(:));
meanture2=mean(rateture2(:));
sprintf('当噪声密度为%.2f时，十次留出法划分得到 欧式距离的正确率为：%.2f 夹角余弦的正确率为：%.2f\n',noise,meanture,meanture2)
dture1(m)=meanture;
dture2(m)=meanture2;
end
%% 画出精度曲线图，通过曲线图分析噪声对两种方法的影响
x = d0;y1 = dture1;y2 = dture2;
% x = [0.01 0.1 0.2 0.5 0.6 0.8 1];y1 = [98 97 87 86 88 91 94];
% y2 = [95 95 95 95 95 95 95];
% 新建图画，若figure(1)即指定图画句柄1
f1 = figure(1);
% 设置布画大小，合适的大小可防止粘贴到word文档时图片模糊
set(gcf,'unit','centimeters','position',[10 5 14 7]);
% 设置布画背景色
set(gcf,'Color',[0.9 0.9 0.9]);
plot(d0,y1,'--ob')
hold on
plot(d0,y2,':*g')
axis([0 1 0 1])
% 设置坐标格
grid on;
% 批量设置曲线粗细
set(findobj(get(gca,'Children'),'LineWidth',0.5),'LineWidth',2);
set(gca,'XTick', [0.01 0.1 0.2 0.5 0.6 0.8 1]);
set(gca,'XTickLabel',{'0.01','0.1','0.2','0.5','0.6','0.8','1'});
% 设置字体格式
set(gca,'FontSize',15); xlabel('噪声密度','fontsize',17);
ylabel('分类精度','fontsize',17);
legend('欧氏距离','夹角余弦')
title('精度曲线图');
实验五2.0改进版（5）——椒盐噪声
% ##改进版## 4.对训练集和测试集添加椒盐噪声，
% 记录当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度，
% 并画出精度曲线图，通过曲线图分析噪声对两种方法的影响。
%% 设置参数
clc;clear;close all;
warning('off') %关掉警告
base_path = 'D:\Desktop\大三上\神经网络\数据\MIT室内场景';
path = string();
subpath = dir( base_path );
a=10; %留出法次数
%% 读取指定路径单文件夹下，all文件夹内的all图像
all_imgnum=0;all_e=0;all_f=0;
for i = 1:length(subpath)-2 % 读取单文件夹下，all文件夹% 1,2分别是.和..% 先获取第一个子文件路径，然后获取第二个子文件路径
sub_path = fullfile(base_path, subpath(i+2).name);% disp(sub_path); % D:\Desktop\大三上\神经网络\数据\MIT室内场景\airport_inside
image_name = dir(sub_path); % 获取文件夹里的所有图像信息% disp(image_name(3).name); % airport_inside_0001.jpg
img_num=length(image_name)-2; % 文件夹里图像个数% disp(img_num); % 608 405 197 662
all_imgnum=all_imgnum+img_num;% disp(all_imgnum); % 608 1013 1210 1872
e=round(img_num*2/3); % 留出法划分比例
f=img_num-e;
all_e=all_e+e;
all_f=all_f+f;
%% 获取图片数据
for j = 1:img_num % 获取子文件夹下图片的路径
% fullfile函数利用文件各部分信息创建并合成完整文件名
img_path = fullfile(sub_path, image_name(j+2).name); % 子文件夹+图片名称
read_img = imread(img_path); % 读图
if(ndims(read_img)==3)
read_img = rgb2gray(read_img); % RGB图像转灰度图像
end
image = imresize(read_img, [64,64]); % 图片统一大小，指定长宽[64,64]
phi_cell{1,all_imgnum-img_num+j}=image; % 存放每个图片data于元胞数组phi_cell，一个元胞存放一个图像
end
%% 留出法a次二划分互斥的训练集和测试集 数据
for k=1:a
% 划分训练集和测试集比例(2:1划分）
num=randperm(img_num); %打乱列序列
train_num=num(1:e); %取打乱序列的前60%
test_num=num(e+1:end); %取打乱序列的后40% %end直到数组结尾
% 划分数据
for ai=1:length(train_num)
Xtrain{all_e-e+ai,k}=phi_cell{1,all_imgnum-img_num+train_num(ai)};%Xtrain{k,:}第k次留出法的训练集
end
for bi=1:length(test_num)
Xtest{all_f-f+bi,k}=phi_cell{1,all_imgnum-img_num+test_num(bi)};
end
end
%% 存放图片label于矩阵phi_label % 定义标签，1:机场;2:面包房;3:bathroom;4:bedrood
% phi_label(1,all_imgnum-img_num+1:all_imgnum)=label*ones(1,img_num);% 行拼接每个标签给对应的图片个数拼成一行
% Ltrain=phi_label(1,train_num);
Ltrain(1,all_e-e+1:all_e)=i*ones(1,e);% 行拼接每个标签给对应的图片个数拼成一行
Ltest(1,all_f-f+1:all_f)=i*ones(1,f);
end
%% 7种椒盐噪声
d0=[0.01 0.1 0.2 0.5 0.6 0.8 1]; %椒盐噪声
size_d0=size(d0);
b=size(Xtest); %625 10
b0=size(Xtrain);
noise_Xtest=cell(size_d0(2),b(2));
noise_Xtrain=cell(size_d0(2),b0(2));
for m=1:size_d0(2) %注意是从1开始
noise=d0(m);
%% 对测试集图片加入椒盐噪声
for a = 1:b(2)
for c = 1:b(1)
img = Xtest{c,a};
img2 = imnoise(img,'salt & pepper',noise);
phi0(c,:)=double(reshape(img2,1,[]));
end
for d = 1:b0(1)
img1=Xtrain{d,a};
img3 = imnoise(img1,'salt & pepper',noise);
phi1(d,:)=double(reshape(img3,1,[]));
end
noise_Xtest{m,a}=phi0;
noise_Xtrain{m,a}=phi1;
end
end
%% 保存划分后的数据集
save('noise_Xtrain.mat','noise_Xtrain'); % 存数据
save ('noise_Xtest.mat','noise_Xtest');
save('Ltrain.mat','Ltrain');% 存标签
save('Ltest.mat','Ltest');
%% 读取数据集
%clear;clc
load noise_Xtrain.mat
load noise_Xtest.mat
load Ltrain.mat
load Ltest.mat
%% 夹角余弦和欧式距离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
d0=[0.01 0.1 0.2 0.5 0.6 0.8 1];
size_d0=size(d0);
% rateture0 = zeros(1,b(2));rateture1 = zeros(1,b(2));
meanture0=zeros(1,size_d0(2));meanture1=zeros(1,size_d0(2));
for m=1:size_d0(2) % 7种噪声
noise=d0(m)
for a = 1:b(2) % 10次划分
res = ones(1,length(Ltest)); % 保存预测值
for k = 1:length(Ltest) % 对每一个测试集，计算内积（夹角余弦）
test_d = noise_Xtest{m,a}(k,:); % 提取测试数据
tmp_res0 = ones(length(Ltrain),1); % 临时保存一个测试对应的所有的训练的夹角余弦
tmp_res1 = ones(length(Ltrain),1); % 欧氏距离
for p = 1:length(Ltrain)
train_d = noise_Xtrain{m,a}(p,:); % 提取训练数据
tmp_res0(p)= sqrt(sum(abs(train_d-test_d)).^2); %sum(x.^2)计算数组的平方和
tmp_res1(p)= sum(train_d.*test_d)/norm(test_d)/norm(train_d); % 求夹角余弦
end
[n0,index0] = max(tmp_res0);
[n1,index1] = max(tmp_res1);
res0(k) = Ltrain(index0); % 将每一个测试集预测的结果保存在res里
res1(k) = Ltrain(index1);
end
% 求正确率、错误率
count = 0;flag = 1;
for i = 1:length(res0)
if( res0(i)==Ltest(i) )
count = count + 1;
end
if( res1(i)==Ltest(i) )
flag = flag + 1;
end
end
% 计算每个测试集的准确率
rateture0(a) = count/length(res0);% 欧式距离
rateture1(a) = flag/length(res1);% 夹角余弦
end
%% 计算当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度
meanture0(m) = mean(rateture0(:)) * 100;
meanture1(m) = mean(rateture1(:)) * 100;
sprintf('当噪声密度为%.2f时，十次留出法划分得到 欧式距离的正确率为：%.2f 夹角余弦的正确率为：%.2f\n',noise,meanture0(m),meanture1(m))
end
%% 画出精度曲线图，通过曲线图分析噪声对两种方法的影响
x = d0;y1 = meanture0;y2 = meanture1;
% x = [0.01 0.1 0.2 0.5 0.6 0.8 1];y1 = [98 97 87 86 88 91 94];
% y2 = [95 95 95 95 95 95 95];
% 新建图画，若figure(1)即指定图画句柄1
f1 = figure(1);
% 设置布画大小，合适的大小可防止粘贴到word文档时图片模糊
set(gcf,'unit','centimeters','position',[10 5 14 7]);
% 设置布画背景色
set(gcf,'Color',[0.9 0.9 0.9]);
plot(x,y1,'--ob')
hold on
plot(x,y2,':*g')
axis([0 1 0 1])
% 设置坐标格
grid on;
% 批量设置曲线粗细
set(findobj(get(gca,'Children'),'LineWidth',0.5),'LineWidth',2);
set(gca,'XTick', [0.01 0.1 0.2 0.5 0.6 0.8 1]);
set(gca,'XTickLabel',{'0.01','0.1','0.2','0.5','0.6','0.8','1'});
% 设置字体格式
set(gca,'FontSize',15); xlabel('噪声密度','fontsize',17);
ylabel('分类精度','fontsize',17);
legend('欧氏距离','夹角余弦')
title('精度曲线图');
实验五2.0改进版（6）——仅测试集椒盐噪声
% ##改进版## 3.对测试集添加椒盐噪声，
% 记录当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度，
% 并画出精度曲线图，通过曲线图分析噪声对两种方法的影响。
%% 设置参数
clc;clear;close all;
warning('off') %关掉警告
base_path = 'D:\Desktop\大三上\神经网络\数据\MIT室内场景';
path = string();
subpath = dir( base_path );
a=10; %留出法次数
%% 读取指定路径单文件夹下，all文件夹内的all图像
all_imgnum=0;all_e=0;all_f=0;
for i = 1:length(subpath)-2 % 读取单文件夹下，all文件夹% 1,2分别是.和..% 先获取第一个子文件路径，然后获取第二个子文件路径
sub_path = fullfile(base_path, subpath(i+2).name);% disp(sub_path); % D:\Desktop\大三上\神经网络\数据\MIT室内场景\airport_inside
image_name = dir(sub_path); % 获取文件夹里的所有图像信息% disp(image_name(3).name); % airport_inside_0001.jpg
img_num=length(image_name)-2; % 文件夹里图像个数% disp(img_num); % 608 405 197 662
all_imgnum=all_imgnum+img_num;% disp(all_imgnum); % 608 1013 1210 1872
e=round(img_num*2/3); % 留出法划分比例
f=img_num-e;
all_e=all_e+e;
all_f=all_f+f;
%% 获取图片数据
for j = 1:img_num % 获取子文件夹下图片的路径
% fullfile函数利用文件各部分信息创建并合成完整文件名
img_path = fullfile(sub_path, image_name(j+2).name); % 子文件夹+图片名称
read_img = imread(img_path); % 读图
if(ndims(read_img)==3)
read_img = rgb2gray(read_img); % RGB图像转灰度图像
end
image = imresize(read_img, [64,64]); % 图片统一大小，指定长宽[64,64]
phi_cell{1,all_imgnum-img_num+j}=image; % 存放每个图片data于元胞数组phi_cell，一个元胞存放一个图像
end
%% 留出法a次二划分互斥的训练集和测试集 数据
for k=1:a
% 划分训练集和测试集比例(2:1划分）
num=randperm(img_num); %打乱列序列
train_num=num(1:e); %取打乱序列的前60%
test_num=num(e+1:end); %取打乱序列的后40% %end直到数组结尾
% 划分数据
for ai=1:length(train_num)
Xtrain{all_e-e+ai,k}=phi_cell{1,all_imgnum-img_num+train_num(ai)};%Xtrain{k,:}第k次留出法的训练集
end
for bi=1:length(test_num)
Xtest{all_f-f+bi,k}=phi_cell{1,all_imgnum-img_num+test_num(bi)};
end
end
%% 存放图片label于矩阵phi_label % 定义标签，1:机场;2:面包房;3:bathroom;4:bedrood
% phi_label(1,all_imgnum-img_num+1:all_imgnum)=label*ones(1,img_num);% 行拼接每个标签给对应的图片个数拼成一行
% Ltrain=phi_label(1,train_num);
Ltrain(1,all_e-e+1:all_e)=i*ones(1,e);% 行拼接每个标签给对应的图片个数拼成一行
Ltest(1,all_f-f+1:all_f)=i*ones(1,f);
end
%% 7种椒盐噪声
d0=[0.01 0.1 0.2 0.5 0.6 0.8 1]; %椒盐噪声
size_d0=size(d0);
b=size(Xtest); %625 10
b0=size(Xtrain);
noise_Xtest=cell(size_d0(2),b(2));
Xtrain1=cell(1,b0(2));
for m=1:size_d0(2) %注意是从1开始
noise=d0(m);
%% 对测试集图片加入椒盐噪声
for a = 1:b(2)
for c = 1:b(1)
img = Xtest{c,a};
img2 = imnoise(img,'salt & pepper',noise);
phi0(c,:)=double(reshape(img2,1,[]));
end
for d = 1:b0(1)
img1=Xtrain{d,a};
phi1(d,:)=double(reshape(img1,1,[]));
end
noise_Xtest{m,a}=phi0;
Xtrain1{1,a}=phi1;
end
end
%% 保存划分后的数据集
save('Xtrain1.mat','Xtrain1'); % 存数据
save ('noise_Xtest.mat','noise_Xtest');
save('Ltrain.mat','Ltrain');% 存标签
save('Ltest.mat','Ltest');
%% 读取数据集
%clear;clc
load Xtrain1.mat
load noise_Xtest.mat
load Ltrain.mat
load Ltest.mat
%% 夹角余弦和欧式距离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
d0=[0.01 0.1 0.2 0.5 0.6 0.8 1];
size_d0=size(d0);
% rateture0 = zeros(1,b(2));rateture1 = zeros(1,b(2));
meanture0=zeros(1,size_d0(2));meanture1=zeros(1,size_d0(2));
for m=1:size_d0(2) % 7种噪声
noise=d0(m)
for a = 1:b(2) % 10次划分
res = ones(1,length(Ltest)); % 保存预测值
for k = 1:length(Ltest) % 对每一个测试集，计算内积（夹角余弦）
test_d = noise_Xtest{m,a}(k,:); % 提取测试数据
tmp_res0 = ones(length(Ltrain),1); % 临时保存一个测试对应的所有的训练的夹角余弦
tmp_res1 = ones(length(Ltrain),1); % 欧氏距离
for p = 1:length(Ltrain)
train_d = Xtrain1{1,a}(p,:); % 提取训练数据
tmp_res0(p)= sqrt(sum(abs(train_d-test_d)).^2); %sum(x.^2)计算数组的平方和
tmp_res1(p)= sum(train_d.*test_d)/norm(test_d)/norm(train_d); % 求夹角余弦
end
[n0,index0] = max(tmp_res0);
[n1,index1] = max(tmp_res1);
res0(k) = Ltrain(index0); % 将每一个测试集预测的结果保存在res里
res1(k) = Ltrain(index1);
end
% 求正确率、错误率
count = 0;flag = 1;
for i = 1:length(res0)
if( res0(i)==Ltest(i) )
count = count + 1;
end
if( res1(i)==Ltest(i) )
flag = flag + 1;
end
end
% 计算每个测试集的准确率
rateture0(a) = count/length(res0);% 欧式距离
rateture1(a) = flag/length(res1);% 夹角余弦
end
%% 计算当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度
meanture0(m) = mean(rateture0(:)) * 100;
meanture1(m) = mean(rateture1(:)) * 100;
sprintf('当噪声密度为%.2f时，十次留出法划分得到 欧式距离的正确率为：%.2f 夹角余弦的正确率为：%.2f\n',noise,meanture0(m),meanture1(m))
end
%% 画出精度曲线图，通过曲线图分析噪声对两种方法的影响
x = d0;y1 = meanture0;y2 = meanture1;
% x = [0.01 0.1 0.2 0.5 0.6 0.8 1];y1 = [98 97 87 86 88 91 94];
% y2 = [95 95 95 95 95 95 95];
% 新建图画，若figure(1)即指定图画句柄1
f1 = figure(1);
% 设置布画大小，合适的大小可防止粘贴到word文档时图片模糊
set(gcf,'unit','centimeters','position',[10 5 14 7]);
% 设置布画背景色
set(gcf,'Color',[0.9 0.9 0.9]);
plot(x,y1,'--ob')
hold on
plot(x,y2,':*g')
axis([0 1 0 1])
% 设置坐标格
grid on;
% 批量设置曲线粗细
set(findobj(get(gca,'Children'),'LineWidth',0.5),'LineWidth',2);
set(gca,'XTick', [0.01 0.1 0.2 0.5 0.6 0.8 1]);
set(gca,'XTickLabel',{'0.01','0.1','0.2','0.5','0.6','0.8','1'});
% 设置字体格式
set(gca,'FontSize',15); xlabel('噪声密度','fontsize',17);
ylabel('分类精度','fontsize',17);
legend('欧氏距离','夹角余弦')
title('精度曲线图');