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选题意义及内容01算法简介03设计流程02THEMAINCONTENTS图像处理04测试分类05

1第部分选题意义及内容

选题意义及目的01LOGO本设计综合运用了数字图像处理，模式识别的理论来构建起一个简单的水果智能分类系统。实现了在相同条件下拍摄的水果图片的特征提取和种类识别，在此基础上设计出了基于人工神经网络的水果智能分类器，由计算机自动调整神经网络中各个权值，达到水果种类识别的自动化，同时还能在不同水果种类设置不同水果价格。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

设计流程02LOGO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

算法简介03LOGOTITLETITLETITLETITLETITLETITLEK-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

算法简介03LOGOTI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

算法简介03LOGOTI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。

算法简介03LOGO(1)收集数据：可以使用任何方法。

一般流程：(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

图像处理04LOGO数字图像处理01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。

图像处理04LOGORGB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。彩色图像的灰度化02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。

图像处理04LOGO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03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

图像处理04LOGO二值化04二值化：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