Github地址

Image-classification-task-based-on-minsit-datasethttps://github.com/Yufccode/CollegeWorks/tree/main/ImageProcessing/Image-classification-task-based-on-minsit-dataset

README

摘要

本次实验报告用两种方式完成了基于minst数据集完成了图像的分类任务

第一种方式采用课件所讲述的差值法对训练集里的每一张图片进行了预测，并最后得出总体的测试acc，由于只是简单采用差值法对图片进行预测，没有作其他的操作，因此acc只达到了16.8%

第二种方式采用了深度学习，2d卷积神经网络的方式进行图像分类。acc达到了0.98267

实验内容及目的

实验内容为通过差值法和2dCNN的方法，对每一类1000张，共10类的minsit数据集作分类任务。实验目的是为：掌握Matlab图片导入、分析和操作的方式。

实验相关原理描述

差值法的原理：

本质上是矩阵之间的相似性，相似度最大的即为预测类别，其中公式如所示

$similarity = \frac{\alpha }{\begin{Vmatrix} (matrix1-matrix2) \end{Vmatrix}} \quad (\alpha \in R)$

该模型不需要进行训练，在测试的时候，每一张图片所对应的矩阵与哪一个带有标签的矩阵相似度最大即可，则该图片的预测结果即位对应的标签值。

2dCNN法的原理：

通过2d卷积神经网络，让学习器学习minst数据集图像特征，最后根据学习到的特征进行分类的预测。

CNN网络模型图如图所示：

实验过程

差值法

在数据处理方面，在使用差值法进行图像分类时，我利用了Python语言对所有图片进行打标签工作，以便于Matlab程序读取每一张图片及其相对应的标签，代码如下：

import pandas as pd
import os
import numpy as np

csv_path = r'/Users/demac/我的文件/SYSU/4. 2022第二学期/图像处理实验/实验一/图像实验一/number_recognize/Data.csv'
df = pd.read_csv(csv_path)
arr = np.array(df)
arr = arr.tolist()
f = open(r'/Users/demac/我的文件/SYSU/4. 2022第二学期/图像处理实验/实验一/图像实验一/number_recognize/Data.txt', 'w')

for cur_label in range(0, 10):
    for root, dirs, files in os.walk(fr"/Users/demac/我的文件/SYSU/4. 2022第二学期/图像处理实验/实验一/图像实验一/number_recognize/train_dataset/{cur_label}"):
        for file in files:
            # 获取文件路径
            path = os.path.join(root, file)
            # f.write(path + '\n')
            new_row = [path, cur_label]
            arr.append(new_row)

arr = np.array(arr)
df = pd.DataFrame(arr)
df.to_csv(csv_path)
print()

分类代码如下：

clear all;
opts = delimitedTextImportOptions("NumVariables", 3);

% 指定范围和分隔符
opts.DataLines = [2, Inf];
opts.Delimiter = ",";

% 指定列名称和类型
opts.VariableNames = ["VarName1", "VarName2", "VarName3"];
opts.VariableTypes = ["double", "string", "double"];

% 指定文件级属性
opts.ExtraColumnsRule = "ignore";
opts.EmptyLineRule = "read";

% 指定变量属性
opts = setvaropts(opts, "VarName2", "WhitespaceRule", "preserve");
opts = setvaropts(opts, "VarName2", "EmptyFieldRule", "auto");
opts = setvaropts(opts, ["VarName1", "VarName3"], "ThousandsSeparator", ",");

% 导入数据
Data = readtable("Data.csv", opts)

% 数据预处理
clear opts
array = table2array(Data);
% 此时array里面存的就是路径和标签
% 在所有数据中取出9张作为label比对图片
img_model = {};
idx = 1;
for i = 1:9
    img_model{i} = imread(array(idx,2)); 
    idx = idx+1000;
end
% img_model已经处理好了
开始test
correct = 0;
for i = 1:length(array)
    true = array(i,3);
    img = imread(array(i,2));
    pred_idx = -1;
    min_err = 100000;
    for j = 1:length(img_model)
        error = count_err(img_model{j},img);
        if(error < min_err)
            min_err = error;
            pred_idx = j - 1;
        end
    end
    if pred_idx == -1
        disp("error");
    end
    if pred_idx == str2num(true)
        % 代表预测正确
        correct = correct + 1;
    end
end
disp(correct);
disp("最终的准确率为: " + num2str(correct/length(array)));

function error = count_err(img1,img2)
    error = norm(double(img1) - double(img2));
end

2dCNN

clear all;
DatasetPath = fullfile(['/Users/demac/我的文件/SYSU/' ...
    '4. 2022第二学期/图像处理实验/实验一/图像实验一/number_recognize/train_dataset/']);
imds = imageDatastore(DatasetPath, ...
    'IncludeSubfolders',true, ...
    'LabelSource','foldernames');
每个类别有1000张图片，取700张进行train，300张进行test
train_size = 700;
[imdsTrain,imdsValidation] = splitEachLabel(imds,train_size,'randomized');
% 定义神经网络的forward
inplane = [28,28,1]; % 图像输入大小
numClasses = 10; %10分类任务
layers = [
    imageInputLayer(inplane)
    convolution2dLayer(5,20) % 卷积层
    batchNormalizationLayer % 归一层
    reluLayer % 激活函数
    fullyConnectedLayer(numClasses) % 全链接层
    softmaxLayer
    classificationLayer];
% train
options = trainingOptions("sgdm", ...
    "MaxEpochs",5, ...
    "ValidationData",imdsValidation, ...
    "ValidationFrequency",30, ...
    "Verbose",false, ...
    "Plots",'training-progress'); % 最后输出训练过程的趋势
net = trainNetwork(imdsTrain,layers,options); % 构建网络
% test
Pred = classify(net,imdsValidation);
YValidation = imdsValidation.Labels;
acc = mean(Pred == YValidation);
disp("acc: " + num2str(acc));