《数字图像处理》实验8-图像识别与分类

clear, clc, close all;

% 读取原始图像和模板（模板为待检测目标，如单个硬币）
img = imread('Coins.png');       % 包含多枚硬币的原始图像
template = imread('Coin.png');   % 单独截取的硬币模板

% 转换为灰度图（消除颜色干扰，简化计算）
img_gray = rgb2gray(img);
template_gray = rgb2gray(template);

% 可视化原图与模板
figure('Name', '模板与原始图像', 'NumberTitle', 'off');
subplot(1,2,1); imshow(img_gray); title('原始图像');
subplot(1,2,2); imshow(template_gray); title('模板图像');

% 计算归一化互相关系数（相似度矩阵）
corr_map = normxcorr2(template_gray, img_gray);

% 找到相似度最高的位置（相关系数最大值对应的坐标）
[max_corr, max_idx] = max(corr_map(:));
[rows, cols] = ind2sub(size(corr_map), max_idx);

% 计算目标在原始图像中的左上角坐标
t_rows = size(template_gray, 1);  % 模板高度
t_cols = size(template_gray, 2);  % 模板宽度
top_left_row = rows - t_rows + 1;  % 目标左上角行坐标
top_left_col = cols - t_cols + 1;  % 目标左上角列坐标

% 标记并显示识别结果
figure('Name', '模板匹配结果', 'NumberTitle', 'off');
imshow(img_gray); hold on;
% 红色矩形框标记匹配目标
rectangle('Position', [top_left_col, top_left_row, t_cols, t_rows], ...
          'EdgeColor', 'r', 'LineWidth', 2);
title(['模板匹配结果（最大相关系数：', num2str(max_corr, '%.3f'), '）']);
hold off;

clear, clc, close all;

% 步骤1：设置数据集路径（根据实际路径修改）
car_dir = 'C:\Users\xinxixueyuan\Desktop\数字图像处理\实验八\Matlab\dataSet\Car';
bike_dir = 'C:\Users\xinxixueyuan\Desktop\数字图像处理\实验八\Matlab\dataSet\Bike';

% 步骤2：读取训练集文件（支持jpg、png格式）
car_files = [dir(fullfile(car_dir, '*.jpg')); dir(fullfile(car_dir, '*.png'))];
bike_files = [dir(fullfile(bike_dir, '*.jpg')); dir(fullfile(bike_dir, '*.png'))];

% 步骤3：提取HOG特征（统一图像尺寸为128x64，HOG特征常用尺寸）
img_size = [128, 64];
features = [];  % 存储所有样本特征
labels = [];    % 标签：1=汽车，-1=自行车

% 提取汽车样本HOG特征
for i = 1:length(car_files)
    try
        img_path = fullfile(car_dir, car_files(i).name);
        img = imread(img_path);
        % 彩色图转灰度图
        img_gray = size(img, 3) == 3 ? rgb2gray(img) : img;
        % 统一图像尺寸
        img_resized = imresize(img_gray, img_size);
        % 提取HOG特征
        [hog_feat, ~] = extractHOGFeatures(img_resized);
        features = [features; hog_feat];
        labels = [labels; 1];
        fprintf('已处理汽车图像 %d/%d\n', i, length(car_files));
    catch ME
        fprintf('处理汽车图像 %s 失败：%s\n', car_files(i).name, ME.message);
    end
end

% 提取自行车样本HOG特征
for i = 1:length(bike_files)
    try
        img_path = fullfile(bike_dir, bike_files(i).name);
        img = imread(img_path);
        img_gray = size(img, 3) == 3 ? rgb2gray(img) : img;
        img_resized = imresize(img_gray, img_size);
        [hog_feat, ~] = extractHOGFeatures(img_resized);
        features = [features; hog_feat];
        labels = [labels; -1];
        fprintf('已处理自行车图像 %d/%d\n', i, length(bike_files));
    catch ME
        fprintf('处理自行车图像 %s 失败：%s\n', bike_files(i).name, ME.message);
    end
end

% 检查特征提取有效性
if size(features, 1) == 0
    error('未提取到有效特征，请检查数据集路径或图像格式');
end
fprintf('\n特征提取完成：共 %d 个样本，每个样本 %d 维特征\n', size(features, 1), size(features, 2));

% 步骤4：训练SVM分类器（线性核函数，标准化特征）
fprintf('开始训练SVM分类器...\n');
svm_model = fitcsvm(features, labels, 'KernelFunction', 'linear', 'Standardize', true);

% 计算训练准确率
train_pred = predict(svm_model, features);
train_accuracy = sum(train_pred == labels) / length(labels);
fprintf('训练准确率：%.2f%%\n', train_accuracy * 100);

% 步骤5：测试分类
test_img_path = 'XiaomiSu7.png';  % 测试图像路径
try
    test_img = imread(test_img_path);
    test_gray = size(test_img, 3) == 3 ? rgb2gray(test_img) : test_img;
    test_resized = imresize(test_gray, img_size);
    test_hog = extractHOGFeatures(test_resized);  % 提取测试图像HOG特征
    
    % 预测类别
    pred = predict(svm_model, test_hog);
    
    % 可视化结果
    figure('Name', 'SVM分类结果', 'NumberTitle', 'off');
    % 显示测试图像及分类结果
    subplot(1,2,1); imshow(test_img);
    title(pred == 1 ? '分类结果：汽车' : '分类结果：自行车', ...
          'Color', pred == 1 ? 'blue' : 'red', 'FontSize', 14);
    % 可视化HOG特征
    subplot(1,2,2); imshow(test_resized); hold on;
    plot(test_hog, 'LineWidth', 2, 'Color', 'green');
    title('HOG特征可视化', 'FontSize', 12); hold off;
    
    % 输出分类详情
    fprintf('\n=== 测试分类结果 ===\n');
    fprintf('测试图像：%s\n', test_img_path);
    fprintf('预测类别：%s\n', pred == 1 ? '汽车' : '自行车');
    fprintf('决策函数值：%.4f\n', svm_model.Beta' * test_hog' + svm_model.Bias);
catch ME
    fprintf('测试图像处理失败：%s\n', ME.message);
end

% 读取图像
Image = imread('3.png');

% 二值化（OTSU自动计算阈值）
Th = graythresh(Image);
OriginBW = im2bw(Image, Th);

% 图像反转（便于形态学处理）
BW1 = 1 - OriginBW;

% 定义结构元素：正方形（提取矩形块）、45°线段（提取线段）
se_square = strel('square', 3);  % 3x3正方形结构元素
se_line45 = strel('line', 25, 45);  % 长度25、角度45°的线段结构元素

% 开运算（先腐蚀后膨胀）提取目标形状
BW_rect = 1 - imopen(BW1, se_square);  % 提取矩形块
BW_line = 1 - imopen(BW1, se_line45);  % 提取45°线段

% 可视化结果
figure('Name', '形态学形状提取', 'NumberTitle', 'off');
subplot(1,3,1); imshow(OriginBW); title('原始二值图像');
subplot(1,3,2); imshow(BW_rect); title('矩形块提取');
subplot(1,3,3); imshow(BW_line); title('线段提取');

% 保存结果
imwrite(OriginBW, 'pattern1.bmp');
imwrite(BW_rect, 'rectang1.bmp');
imwrite(BW_line, 'line1.bmp');

clc; clear; close all;

% 步骤1：读取图像并转为灰度图
g = imread('rice.png');
if size(g, 3) == 3
    g = rgb2gray(g);  % 彩色图转灰度图
end

% 步骤2：形态学开运算（先腐蚀后膨胀），平滑轮廓、去除小噪声
SE = strel('disk', 4);  % 圆盘形结构元素（半径4）
I = imopen(g, SE);

% 步骤3：背景去除（提取背景并从原图中减去）
BG = imopen(I, strel('disk', 15));  % 大圆盘提取背景
I2 = imsubtract(I, BG);  % 图像减背景，突出米粒目标

% 步骤4：二值化（OTSU最优阈值）
level = graythresh(I2);
bw2 = imbinarize(I2, level);

% 步骤5：连通区域标记（8连通域，标记每个米粒）
[labeled, numObjects] = bwlabel(bw2, 8);
[L, n] = bwlabel(bw2, 8);  % n为米粒总数

% 步骤6：可视化处理流程与计数结果
figure('Name', '米粒计数与标注', 'Position', [100, 100, 1200, 800]);
subplot(2,3,1); imshow(g); title('原图');
subplot(2,3,2); imshow(I); title('开运算后');
subplot(2,3,3); imshow(BG); title('背景');
subplot(2,3,4); imshow(I2); title('消除背景');
subplot(2,3,5); imshow(bw2); title('二值化');

% 标注米粒质心与编号
subplot(2,3,6); imshow(bw2); title(['米粒计数：', num2str(n)]);
hold on;
for k = 1:n
    [r, c] = find(L == k);  % 找到第k个米粒的所有像素坐标
    rbar = mean(r);  % 质心行坐标
    cbar = mean(c);  % 质心列坐标
    % 白色圆圈标记质心
    plot(cbar, rbar, 'Marker', 'o', 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'w', 'MarkerSize', 8);
    % 红色编号标注
    text(cbar, rbar, num2str(k), 'Color', 'red', 'FontSize', 12, 'FontWeight', 'bold');
end
hold off;

% 单独显示编号标注结果
figure('Name', '米粒编号标注', 'NumberTitle', 'off');
imshow(bw2); title('米粒编号');
hold on;
for k = 1:n
    [r, c] = find(L == k);
    rbar = mean(r);
    cbar = mean(c);
    plot(cbar, rbar, 'Marker', '*', 'MarkerEdgeColor', 'w', 'MarkerSize', 10);
    text(cbar, rbar, num2str(k), 'Color', 'blue', 'FontSize', 14);
end
hold off;

% 输出计数结果
fprintf('米粒总数：%d\n', n);