技术标签: Project work
%% load imds
svmimds= imageDatastore('F:\machine learning\moistureDamage\SVMfeature\pic', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
%% random the dataset
imdsrand = shuffle(svmimds);
countEachLabel(imdsrand)
Please see the detail in http://www.willberger.org/cascade-haar-explained/ or wiki
function: haart2 in matlab
hint:
for SVM and image classifier: see
https://medium.com/@dataturks/understanding-svms-for-image-classification-cf4f01232700
or you can look the exmaple in matlab:https://www.mathworks.com/help/vision/examples/digit-classification-using-hog-features.html
SVM: (http://web.mit.edu/6.034/wwwbob/svm-notes-long-08.pdf )
use level 1 of haar feature
Train the model
% use svm and LLorig to train the SVM model
numImages = numel(imdsrand.Files);
p=0.2
numImages=3000;
imgsz=[128,128];
for i = 1:numImages%(numImages*(1-p))
img = readimage(imdsrand, i);
% img=imresize(img,imgsvmsize);
img = rgb2gray(img);
img = imresize(im2double(img),[128 128]);
[ LLorig ,LHorig,HLorig,HHorig] = haart2(img,1);
trainingFeatures(i,:)=reshape(LLorig,[64*64,1]);
end
% Get labels for each image.
trainingLabels = imdsrand.Labels(1:int16(numImages*(1-p)));
% AllLabel=imdsrand.Labels
% fitcecoc uses SVM learners and a 'One-vs-One' encoding scheme.
classifier = fitcecoc(trainingFeatures(1:numImages*(1-p),:), trainingLabels,'Learners','svm');
test the accuracy
predictedLabels = predict(classifier, trainingFeatures(int16(numImages*0.8+1):numImages,:))
% imdsrand.Labels(801)
% Tabulate the results using a confusion matrix.
confMat = confusionmat( imdsrand.Labels(int16(numImages*0.8+1):numImages), predictedLabels);
% helperDisplayConfusionMatrix(confMat)
confMat = bsxfun(@rdivide,confMat,sum(confMat,2));
helperDisplayConfusionMatrix(confMat)
Test Results:
the result is just so-so, more data should be added to traint he model.
% Read the original data
num=30;
% img1=rgb2gray(imread(MoisImageset.imageFilename{num}));
img1=(imread(MoisImageset.imageFilename{num}));
% figure
% imagesc(img1(40:167,40:155,:))
% % figure
% imagesc(img1)
% figure
% img = rgb2gray(img1);
% imshow(imbinarizeimg1(40:167,40:155))
% img = imbinarize(img1);
A=zeros(1090,300)';
inum=0;
% w1=20;h1=100;
anchorsvm=[64 64 ;127 115;20 34;26 46;59 43;127 50];
sz1=size(anchorsvm,1);
for isz1=1:sz1
w1= anchorsvm(isz1,1);h1=anchorsvm(isz1,2);
for h2=40:5:100%10:150 % height
for wid=30:5:1020%20:1020%:w1:1020 %width
% wid=580
%
testarea=img1(h2:h2+h1,wid:min(wid+w1,1020),:);
% Apply pre-processing steps
% testarea = imbinarize(testarea);
% figure
% imshow(testarea)
bbox=[wid,h2,min(w1,max(1020-wid,0)),h1];
imtestareag=imresize(testarea,[128 128]);
img = rgb2gray(imtestareag);
img = imresize(im2double(img),[128 128]);
[ LLorig,LHorig,HLorig,HHorig] = haart2(img,1);
testFeatures=reshape(LLorig,[64*64,1]);
predictedLabels = predict(classifier, testFeatures');
% testFeat = extractHOGFeatures(imtestareag, 'CellSize', cellSize);
% predictedLabel = predict(classifier, testFeat);
% imtestareag = colorspace('yuv<-rgb',imtestareag);
% [count,x] = imhist(imtestareag(:,:,1),16);
% if sum(count(6:8))/sum(count)<=0.42
if predictedLabels=='Moisture'
A=A+ChangeBox2Arr(bbox,1090,300);
inum=inum+1;
end
end
end
end
I=img1;
% ground truth
Mbbox=MoisImageset.Moisture{num};Jbbox=MoisImageset.Joint{num};
if ~isempty(Mbbox)
I = insertShape(I, 'Rectangle', Mbbox,'LineWidth',3,'Color','green');
end
if ~isempty(Jbbox)
I = insertShape(I, 'Rectangle', Jbbox,'LineWidth',3,'Color','red');
end
figure
imshow(I)
hold on;
maxi=max(max(A));
% % % A=(A-ones(300,1090)*maxi*0.6);
B=A;
B(A<0.8*maxi)=0;
alpha = (~(B==0))*0.3;%% adjust the color
OverlayImage =imshow(B);
caxis auto
colormap( OverlayImage.Parent, jet );
colorbar( OverlayImage.Parent );
% Set the AlphaData to be the transparency matrix created earlier
set( OverlayImage, 'AlphaData', alpha );
filter:80% of result
The method has some intesting results, but it doesn't meet my requirement. Large erros.
文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下:http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态:[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态
文章浏览阅读1.3w次,点赞45次,收藏99次。我个人用的是anaconda3的一个python集成环境,自带jupyter notebook,但在我打开jupyter notebook界面后,却找不到对应的虚拟环境,原来是jupyter notebook只是通用于下载anaconda时自带的环境,其他环境要想使用必须手动下载一些库:1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境
文章浏览阅读5.2k次,点赞19次,收藏28次。选择scoop纯属意外,也是无奈,因为电脑用户被锁了管理员权限,所有exe安装程序都无法安装,只可以用绿色软件,最后被我发现scoop,省去了到处下载XXX绿色版的烦恼,当然scoop里需要管理员权限的软件也跟我无缘了(譬如everything)。推荐添加dorado这个bucket镜像,里面很多中文软件,但是部分国外的软件下载地址在github,可能无法下载。以上两个是官方bucket的国内镜像,所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn
文章浏览阅读4.5k次,点赞2次,收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了,例如:这里的:sty..._vue el-color-picker
文章浏览阅读640次。基于芯片日益增长的问题,所以内核开发者们引入了新的方法,就是在内核中只保留函数,而数据则不包含,由用户(应用程序员)自己把数据按照规定的格式编写,并放在约定的地方,为了不占用过多的内存,还要求数据以根精简的方式编写。boot启动时,传参给内核,告诉内核设备树文件和kernel的位置,内核启动时根据地址去找到设备树文件,再利用专用的编译器去反编译dtb文件,将dtb还原成数据结构,以供驱动的函数去调用。firmware是三星的一个固件的设备信息,因为找不到固件,所以内核启动不成功。_exynos 4412 刷机
文章浏览阅读2w次,点赞24次,收藏42次。Linux系统配置jdkLinux学习教程,Linux入门教程(超详细)_linux配置jdk
文章浏览阅读3.3k次,点赞5次,收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图:_matlab微米怎么输入
文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件,可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中,对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数,而关闭则使用fclose函数。在C语言中,可以使用fread和fwrite函数进行二进制读写。 Biaoge 于2024-03-09 23:51发布 阅读量:7 ️文章类型:【 C语言程序设计 】在C语言中,用于打开文件的函数是____,用于关闭文件的函数是____。
文章浏览阅读3.4k次,点赞2次,收藏13次。跟随鼠标移动的粒子以grid(SOP)为partical(SOP)的资源模板,调整后连接【Geo组合+point spirit(MAT)】,在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in(CHOP)鼠标位置到metaball的坐标,实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动
文章浏览阅读178次。项目运行环境配置:Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。项目技术:Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成,B/S模式 + Maven管理等等。环境需要1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计
文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多,会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析,后面会慢慢更新。另外,博客只作为自己学习记录的一种方式,对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图
文章浏览阅读2.4k次,点赞41次,收藏13次。java 数据结构与算法 ——快速排序法_快速排序法