自适应图像分割算法.docVIP

· 下载演示项目 98.8 KB · 下载源 19.9 KB 内容 · 简介 · 背景信息 · 使用代码的 · 图书馆 · 应用于自然图像和面向对象群的应用。 · 自适应图像分割算法。 简介 人工智能方法分为监督型和非监督型两类。 第一个用于培训分类器，当你知道培训集中存在的类并且想要发现它的结构时。 即，你希望获得低维映射 2D 或者 3D，你可以轻松地发现最初的高维数据组如何组合在一起。 例如在已知的IRIS数据集中，有 3个 4维对象，假设你事先不知道它们是 3的。 如果数据的维数是两或者三个，你将把它们绘制成散图，并确定有多少类。 但如果维度是 1000？ 你可以以考虑自组织地图( n 。SOMs ) 作为一种降维技术。 它将它的网格上的未知数据集组合在一起，即调整它的权重系数以便与它的提供的数据样本相接近。 所以它有效地学习了数据中的集群。 对于虹膜集，一些SOM节点类似于 setosa，有些到 virgi，它的他类似的条目将在网格上分组。 如果比较相邻的SOM节点权重之间的距离，相似的重量与不同类的节点间距会有更大的距离。 绘制了距离后，你将获得集群的边界，然后只将未知的数据样本分类到所发现的类别。 在这个 C++ 库中，我介绍了数据的规范化。 如果某些特性的数值范围显著增加，则需要对它的进行规范化( 比如 。 身高和体重。第一特征范围约 1.50至 2.20米，第二 50 - 150. 后者占优势，并且你的聚类结果将偏向于权重) 。 除了欧几里德距离，我使用平方距离( SOSD )，出租车和向量之间的角度。 我留下了未完成的马氏距离，但是你可以很容易地添加代码。 仅在使用的训练数据中包含协方差矩阵的逆。 本代码中支持的数据文件格式在我的反向传播人工神经网络中描述在 C++ 。 lib的另一个特性是，你可以创建任意维度的SOM 。 通常是 2D 或者 3D 地图，但是通过我的代码，你可以以选择地图的任意数量的维度。 背景信息 你可以了解有关SOM技术和在我研究主题时使用的站点的应用程序： 自组织自组织自组织特征映射 。自组织网和自组织自组织图 AI 。 在我的文章前阅读前先阅读它们。 使用代码的 lib实现是在控制台应用程序中生成的，。 控制台的帮助行如下所示： 1 t-train 2 net.som 3 class.txt 4 epochs 5 [test set] 6 [slow] [slow=0]fast=1 training 7 [dist] distance [0-euclidian],1-sosd,2-taxicab,3-angle 8 [norm] normalize input data [0-none],1-minmax,2-zscore,3-softmax,4-energy 1 r-run 2 net.som 3 class.txt 我已经在演示下载中附加了 train.bat，以便你可以立即开始集群。 例如我用红。绿和蓝颜色表示 rgbs.txt和的rgbs1.txt files 。 用于训练SOM网络的命令行 为： som.exe t rgb.som rgbs.txt 500 为 500个时代的rgbs.txt数据训练的rgb.som 网络。 6到 8参数是可选的，你可以忽略它们。 只有当你将网络用于 2不同类别的分类时，才使用 5th 参数。 你可以在训练后提供测试数据，以便在训练后立即获得性能准确性或者作为空文件。 在后一种情况下，训练集的随机半部分将用于测试。 否则省略 5th 参数，并在 4后立即按相同顺序使用 6 - 8. som.exe t rgb.som rgbs.txt 500 1 2 2 这与前面的示例相同，但使用快速训练模式( 请参见下面的说明)，cab作为距离度量和zscore数据标准化。 训练 1或者 2文件后，将根据你是否使用未知或者已知的类成员身份群集数据来保存。 相邻SOM节点的距离映射将保存到 rgb_map文件中。 如果不知道示例的类成员身份，请使用以下条目在向量名后不带类标记： name1 x1 x2 x3.. . xN name2 x1 x2 x3.. . xN ... 使用距离映射文件来发现群集的边界。 它将包含与SOM网格相同大小的2D 矢量。 最高值对应于分离不同簇的脊。 在这种情况下，只有 rgb_2.som文件将被保存为0 网格中的SOM类成员身份的零标记。 你已经从距离映射文件定义了集群。 现在，在 rgb_2.som文件中替换SOM网格中的零for需要的类 1.2.。 如果你知道数据的类成员身份并想生成多类分类器，我将详细说明下一个例子。 rgbs.txt文件包含 3类红色。绿色和蓝色颜色( 3d 矢量) 。 经过训练，将创建个SOM文件