همپوشان

[rahnema1]

اصلاح شد

tool=size(pelak,2);

arz=size(pelak,1);

map1=getmapping(8,'u2');

map2=getmapping(16,'u2');



Ilbp=LBP(pelak,1,8,map1,'i');

tool=size(Ilbp,2);

arz=size(Ilbp,1);

m1=Ilbp(:,1:round(tool*3/7));

m2=Ilbp(:,round(tool*2/7)+1:round(tool*5/7));

m3=Ilbp(:,round(tool*4/7)+1:tool);



bins = map1.num;

H1=hist(m1(:), 0:(bins-1));

H2=hist(m2(:), 0:(bins-1));

H3=hist(m3(:), 0:(bins-1));

H4=LBP(pelak,2, 8,map1,'h');

H5=LBP(pelak,2, 16,map2,'h');

H=[H1, H2, H3, H4, H5];

plot(H);

[sama.66]

ممنونم از شما

[sama.66]

قبلا باراهنماییتون کدی نوشتیم که خروجی تو یه فایلی ذخیره میشد،برای اینکه بتونم تواین برنامه هم خروجی رو به صورت رشته سیو کنم کدش به این صورت میشه؟؟

image_files=dir(fullfile(cd,'\*.jpg'));
mkdir('lbp');
current_directory=cd;
dimension=size(image_files);
number_of_samples=dimension(1);
for Q=1:number_of_samples

    
    
file_name=image_files(Q).name;
file=strcat(current_directory,'\',file_name);



filesave=strcat(current_directory,'\lbp\hist-',file_name);
dlmwrite('myfile.txt',filesave,H);
end

[rahnema1]

فکر کنم این جور میشه

image_files=dir(fullfile(cd,'\*.jpg'));

mkdir('lbp');

current_directory=cd;

dimension=size(image_files);

number_of_samples=dimension(1);

for Q=1:number_of_samples



    

    

file_name=image_files(Q).name;

file=strcat(current_directory,'\',file_name);







filesave=strcat(current_directory,'\lbp\hist-',file_name,'.txt');

dlmwrite(filesave,H);

end 

فقط یک نکته اینکه map1 و map2 را تنها یک بار در اول برنامه حساب کنید کافیه ( دیگه نمی خواد مرتبا اونها را حساب کنید)

[sama.66]

1:این کدروکه مینویسم ارور میده

c=imread('file');

2:منظورتون کدgetmapping که یه بار بنویسم؟؟؟

[rahnema1]

1:این کدروکه مینویسم ارور میده

c=imread('file');

2:منظورتون کدgetmapping که یه بار بنویسم؟؟؟

اگه بتونید کد ها را داخل تگ HTML نذارید داخل یه تگ دیگه مثل VB بذارید بهتر نشون داده میشه

file را داخل ' ' قرار ندهید
منظورم map1=getmapping هست

[sama.66]

بله چشم.
بازم ارور داد

Undefined function or variable 'file'.



Error in Untitled15 (line 17)

c=imread(file);

 

[rahnema1]

دقت کنید داخل فولدر مورد نظر فایلها با پسوند jpg باشند نه JPG در غیر این صورت کد را تغییر بدید
این جور اجرا می کنید و خطا میده؟

image_files=dir(fullfile(cd,'\*.jpg'));

mkdir('lbp');

current_directory=cd;

dimension=size(image_files);

number_of_samples=dimension(1);

for Q=1:number_of_samples



    

    

file_name=image_files(Q).name;

file=strcat(current_directory,'\',file_name);



c=imread(file);



filesave=strcat(current_directory,'\lbp\hist-',file_name,'.txt');

dlmwrite(filesave,H);

end 

[sama.66]

ارورش رفع شدو همه هیستوگرامهای نهایی سیو میشه تو فولدر،امافقط یکیشو نمایش میده،میخوام همشونو نمایش بده

[rahnema1]

قبل از هر دستور plot یه دستور figure بنویسید تا پلات ها در پنجره های جدید ایجاد بشن

[sama.66]

سلام
میشه درمورد کلاسیفایر svmراهنماییم کنید؟؟چطوری میتونم داده هامو اموزش بدم؟؟

[sama.66]

lotfan mishe komakam konid????????

[rahnema1]

شما ابتدا باید یه برنامه svm را گیر بیارید و داده ها را مانند سایر روشها در اون آموزش بدید

[sama.66]

توی تولباکس متلب نداره؟؟

[rahnema1]

فکر نکنم تولباکس داشته باشه

[sama.66]

من این برنامه رو پیداکردم چجوری باید ازش استفاده کنم

function [D, a_star] = SVM(train_features, train_targets, params, region)



% Classify using (a very simple implementation of) the support vector machine algorithm

% 

% Inputs:

%     features- Train features

%    targets    - Train targets

%    params    - [kernel, kernel parameter, solver type, Slack]

%               Kernel can be one of: Gauss, RBF (Same as Gauss), Poly, Sigmoid, or Linear

%               The kernel parameters are:

%                   RBF kernel  - Gaussian width (One parameter)

%                   Poly kernel - Polynomial degree

%                   Sigmoid     - The slope and constant of the sigmoid (in the format [1 2], with no separating commas)

%                          Linear          - None needed

%               Solver type can be one of: Perceptron, Quadprog

%    region    - Decision region vector: [-x x -y y number_of_points]

%

% Outputs

%    D            - Decision sufrace

%    a            - SVM coeficients

%

% Note: The number of support vectors found will usually be larger than is actually 

% needed because both solvers are approximate.



[Dim, Nf]       = size(train_features);

Dim             = Dim + 1;

train_features(Dim,:) = ones(1,Nf);

z                     = 2*(train_targets>0) - 1; 



%Get kernel parameters

[kernel, ker_param, solver, slack] = process_params(params);



%Transform the input features

y    = zeros(Nf);

switch kernel,

case {'Gauss','RBF'},

   for i = 1:Nf,

      y(:,i)    = exp(-sum((train_features-train_features(:,i)*ones(1,Nf)).^2)'/(2*ker_param^2));

   end

case {'Poly', 'Linear'}

   if strcmp(kernel, 'Linear')

      ker_param = 1;

   end

   

   for i = 1:Nf,

      y(:,i) = (train_features'*train_features(:,i) + 1).^ker_param;

   end

case 'Sigmoid'

    if (length(ker_param) ~= 2)

        error('This kernel needs two parameters to operate!')

    end

    

   for i = 1:Nf,

      y(:,i) = tanh(train_features'*train_features(:,i)*ker_param  (1)+ker_param(2));

   end

otherwise

   error('Unknown kernel. Can be Gauss, Linear, Poly, or Sigmoid.')

end



%Find the SVM coefficients

switch solver

case 'Quadprog'

   %Quadratic programming

   if ~isfinite(slack)

       alpha_star    = quadprog((z'*z).*(y'*y), -ones(1, Nf), [], [], z, 0, 0)';

   else

       alpha_star    = quadprog((z'*z).*(y'*y), -ones(1, Nf), [], [], z, 0, 0, slack)';

   end

   a_star        = (alpha_star.*z)*y';

   

   %Find the bias

   in           = find((alpha_star > 0) & (alpha_star < slack));

   if isempty(in),

       bias = 0;

   else

        B            = z(in) - a_star * y(:,in);

       bias         = mean(B(in));

   end

   

case 'Perceptron'

   max_iter        = 1e5;

   iter            = 0;

   rate        = 0.01;

   xi                = ones(1,Nf)/Nf*slack;

   

   if ~isfinite(slack),

       slack = 0;

   end

   

   %Find a start point

   processed_y    = [y; ones(1,Nf)] .* (ones(Nf+1,1)*z);

   a_star        = mean(processed_y')';

   

   while ((sum(sign(a_star'*processed_y+xi)~=1)>0) & (iter < max_iter))

      iter         = iter + 1;

      if (iter/5000 == floor(iter/5000)),

         disp(['Working on iteration number ' num2str(iter)])

      end

      

      %Find the worse classified sample (That farthest from the border)

      dist            = a_star'*processed_y+xi;

      [m, indice] = min(dist);

      a_star        = a_star + rate*processed_y(:,indice);

      

      %Calculate the new slack vector

      xi(indice)  = xi(indice) + rate;

      xi                = xi / sum(xi) * slack;

   end

   

   if (iter == max_iter),

      disp(['Maximum iteration (' num2str(max_iter) ') reached']);

   else

      disp(['Converged after ' num2str(iter) ' iterations.'])

    end

   

   bias   = 0; 

   a_star = a_star(1:Nf)';

   

case 'Lagrangian'

    %Lagrangian SVM (See Mangasarian & Musicant, Lagrangian Support Vector Machines)

    tol         = 1e-5;

    max_iter    = 1e5;

    nu          = 1/Nf;

    iter        = 0;



    D           = diag(z);

    alpha       = 1.9/nu;

    

    e           = ones(Nf,1);

    I           = speye(Nf);

    Q           = I/nu + D*y'*D;

    P           = inv(Q);

    u           = P*e;

    oldu        = u + 1;

    

    while ((iter<max_iter) & (sum(sum((oldu-u).^2)) > tol)),

        iter    = iter + 1;

        if (iter/5000 == floor(iter/5000)),

           disp(['Working on iteration number ' num2str(iter)])

        end

        oldu    = u;

        f       = Q*u-1-alpha*u;

        u       = P*(1+(abs(f)+f)/2);

    end

  

    a_star    = y*D*u(1:Nf);

    bias      = -e'*D*u;  

    

otherwise

   error('Unknown solver. Can be either Quadprog or Perceptron')

end



%Find support verctors

sv        = find(abs(a_star) > 1e-10);

Nsv    = length(sv);

if isempty(sv),

   error('No support vectors found');

else

   disp(['Found ' num2str(Nsv) ' support vectors'])

end



%Margin

b    = 1/sqrt(sum(a_star.^2));

disp(['The margin is ' num2str(b)])



%Now build the decision region

N           = region(5);

xx             = linspace (region(1),region(2),N);

yy          = linspace (region(3),region(4),N);

D                 = zeros(N);



for j = 1:N,

   y = zeros(N,1);

   for i = 1:Nsv,

      data         = [xx(j)*ones(1,N); yy; ones(1,N)];

      

      switch kernel,

        case {'Gauss','RBF'},

         y            = y + a_star(i) * exp(-sum((data-train_features(:,sv(i))*ones(1,N)).^2)'/(2*ker_param^2));

        case {'Poly', 'Linear'}

         y            = y + a_star(i) * (data'*train_features(:,sv(i))+1).^ker_param;

        case 'Sigmoid'

         y            = y + a_star(i) * tanh(data'*train_features(:,sv(i))*ker_param(1)+ke  r_param(2));

      end

   end

   D(:,j) = (y + bias);

end





D = D>0;

[rahnema1]

توی ابتدای فایل نحوه استفاده را نوشته بسته به داده شما داره
بهتره در مورد svm مطالعه کنید تا بدونید چه ورودی هایی را باید بدید
حالا بگردید شاید از این راحت تر هم باشه که فقط داده ها رابهش بدید و خروجی بگیرید چون تو اینجا پارامترهای پیش فرض نداره حتما باید بدونید چی می خواهید بهش بدید

[sama.66]

توی همون کدهایی که فرستاده بودم این فایل برای کلاسیفایربودازاین میتونم استفاده کنم؟؟

function [final_accu,PreLabel] = NNClassifier(Samples_Train,Samples_Test,Labels_Tra  in,Labels_Test)



Train_Model = Samples_Train;

Test_Model = Samples_Test;

numTest = size(Test_Model,2);

numTrain = size(Train_Model,2);



current_test = [];

current_comp = [];

PreLabel = [];

current_value = 0;

min_value = 99999;

class_index = 1;



for index2 = 1:numTest

    current_test = Test_Model(:,index2);

    for index3 = 1:numTrain

        current_comp = Train_Model(:,index3);



        current_value = sum(abs(current_test - current_comp));

        if(current_value<min_value)

            min_value = current_value;

            class_index = Labels_Train(1,index3);

        end

    end

        

    PreLabel = [PreLabel,class_index];

    min_value = 99999;

    class_index = 1;

end



Comp_Label = PreLabel - Labels_Test;

Comp_Label = Comp_Label;

accu_count = 0;

for index3 = 1:size(Comp_Label,2)

    if(Comp_Label(1,index3)==0)

        accu_count = accu_count+1;

    end

end



final_accu = (accu_count/double(size(Comp_Label,2)))*100;

    

        

[rahnema1]

دقیقا چی کار می خواهید بکنید؟

[sama.66]

یه سری تصاویر داشتم ،ازشون lbp گرفتم hلان میخوام ایناروبه یک svm بدم

[rahnema1]

حالا svm میخواد چیکار کنه؟

[sama.66]

که به عنوان یه ویژگی ازش استفاده کنم
svmتومطلب دستورداره ولی نمیدونم چجوری استفاده کنم لطفا راهنماییم کنید
svmtrainبرای اموزش

و svmclassifyبرای ازمایش

[rahnema1]

که به عنوان یه ویژگی ازش استفاده کنم(دو دسته داده دارم پلاک و غیر پلاک وقتی svm بتونه با دقت بالا جداشون کنه یعنی توی تصویر هم میتونه این کار رو بکنه.,یعنی اگر یک پنجره رو توی تصویر بلغزونم svm می تونه پیداش کنه و آشکارش کنه)
svmتومطلب دستورداره ولی نمیدونم چجوری استفاده کنم لطفا راهنماییم کنید
svmtrainبرای اموزش

و svmclassifyبرای ازمایش

توی هلپش فکر کنم توضیح داده حالا من متلب ندارم و از octave استفاده می کنم که چنین دستوری نداره شاید دوستان دیگه بتونند توضیح بیشتری بدهند شما خودتون یه کم جلو ببرید هر جا اشکال داشتید بگید

[sama.66]

helpe matlabo k mikhunam yekami gij misham kasi hast betune komakam kone?????

[rahnema1]

helpe matlabo k mikhunam yekami gij misham kasi hast betune komakam kone?????

ببینید الان توی اینترنت این صفحه هلپ svclassify هست (فکر کنم هلپ متلب هم همین طوره )آخر صفحه را نگاه کنید یک نمونه کد برای اجرا گذاشته شده همون را اجرا کنید
بعد داده های خودتون را مطابق همین بذارید داخل کد
اشکال کجاشت؟

http://www.mathworks.com/help/stats/​svmclassify.html

[sama.66]

manzuretun in code?

load fisheriris

xdata = meas(51:end,3:4);

group = species(51:end);

svmStruct = svmtrain(xdata,group,'ShowPlot',true);

dadamo k mizaram tuye workspace vali chejuri ouno mikhune?

[rahnema1]

manzuretun in code?

load fisheriris

xdata = meas(51:end,3:4);

group = species(51:end);

svmStruct = svmtrain(xdata,group,'ShowPlot',true);

dadamo k mizaram tuye workspace vali chejuri ouno mikhune?

شما تعدادی هیستوگرام برای پلاکها داریدمثلا 50 تا هر کدوم به ابعاد یک در 512
حالا تمام اینها را بچسبونید به هم تا یک ماتریس 50 در 512 ایجاد بشه
و برای غیر پلاکها هم مثلا 30 تا هیستوگرام غیر پلاک دارید اونها را هم به انتهای اون قبلی اضافه کنید تا نهایتا یک ماتریس 80 در 512 ایجاد بشه
که این در دستور svmtrain تشکیل پارامتر xdataرا میده
بعد باید یک ماتریس به ابعاد 80 در یک ایجاد کنید که 50 تا عضو اول اون یک و مابقی صفر باشن و اسم ماتریس را هم بذارید group
بعد مانند کدی که گذاشتید اجرا کنید به همین راحتی

[sama.66]

(درکل 660 تا پلاک و 1200تا غیرپلاک دارم،ابعاد یک در479هستن)
من میخوام مثلا دوتادرمیان دوتا غیرپلاک و یکی پلاک روبدم بهsvm،
یعنی باید هردفعه دوتاغیرپلاک و یکی پلاک رو بهم بچسبونم؟؟( که ابعادش میشه 3در479)بعدیک ماتریس به ابعاد3در479ایجادکنم که 2تاغیرپلاک روصفربزارم اون یه دونه پلاک رو هم یک بزارم،به این شکل درسته؟؟؟

[rahnema1]

(درکل 660 تا پلاک و 1200تا غیرپلاک دارم،ابعاد یک در479هستن)
من میخوام مثلا دوتادرمیان دوتا غیرپلاک و یکی پلاک روبدم بهsvm،
یعنی باید هردفعه دوتاغیرپلاک و یکی پلاک رو بهم بچسبونم؟؟( که ابعادش میشه 3در479)بعدیک ماتریس به ابعاد3در479ایجادکنم که 2تاغیرپلاک روصفربزارم اون یه دونه پلاک رو هم یک بزارم،به این شکل درسته؟؟؟

شما باید ابتدا از پلاک و غیر پلاک هر کدومشون دو سوم اونها را واسه آموزش و یک سوم را برای آزمایش جدا کنید یعنی 440 پلاک به همراه 800 غیر پلاک ( جمعا 1240) را برای آموزش و مابقی (220 پلاک و 400 غیر پلاک جمعا 620 ) را برای آزمایش نگه دارید
اینکه دو در میون باشن ترتیبشون مهم نیست همون بهتره که مثلا ماتریس که 1240 در 479 هست، تعداد 440 تای اولی پلاک و مابقی غیر پلاک باشن یعنی لازم نیست یک در میون بذارید چون وارد برنامه که میشه اصلا ربطی به ترتیب نداره
بنابراین شما در ابتدا یک اتریس 1240 در 479 به نام xdata برای svmtrain ایجاد می کنید سپس یک ماتریس 1240 در یک به نام group ایجاد می کنید که 440 تای اولی یک باشه و بقیه صفر باشه
سپس با svmclassify داده هایی که برای آزمایش نگه داشته بودید را طبقه بندی می کنید و کارآیی روش را به دست می آورید

[sama.66]

اتصال مثلا 2تا ماتریس به این شکله؟

 C=cat(1,A,B) 

چجوری ایناروبهم بچسبونم

[rahnema1]

اتصال مثلا 2تا ماتریس به این شکله؟

 C=cat(1,A,B) 

چجوری ایناروبهم بچسبونم

این داده ها کجا هستند توی فایلند یا جای دیگه؟

[sama.66]

نه منظورم اینه E=cat(1,A,B)

نمیدونم چرا به اون شکل نمایش داده شد

[rahnema1]

نه منظورم اینه E=cat(1,A,B)

نمیدونم چرا به اون شکل نمایش داده شد

مثلا شما یه ماتریس a,b دارید می خواهید به هم بچسبونید
که اگه بخواهید ستون به ستون باشه میشه c اگه بخواهید سطر به سطر باشه میشه d

a=[1 2 3];

b=[4 5 6];

c=[a b];

d=[a; b];

یه مثال دیگه من یک ماتریس خالی به ابعاد 10 در سه میسازم و می خوام سطرهای اون را با ماتریس های یک در سه پر کنم
توجه: دستور rand یه سری عدد تصادفی میسازه که برای این مثال به کار بردم

a= zeros(10,3);



for i=1:10

	b=rand(1,3);

	a(i,:)=b;

end

[sama.66]

خب 1240تارو چجوری بهم بچسبونم متوجه نمیشم

[rahnema1]

خب 1240تارو چجوری بهم بچسبونم متوجه نمیشم

من هم دارم همین میگم این داده ها کجا هستند؟ توی workspace یا توی فایل ذخیره شدن؟

[sama.66]

من توی فایل دارم این داده هارو،نمیدونم باید بیارم توی workspace یا نه؟؟؟؟؟؟

[rahnema1]

من فرض کردم دو تا فولدر هست به نام pelak و nonpelak و پسوند فایلها هم txt هست
اطلاعات هر کدوم را می ریزه داخل دو تا ماتریس
حالا کاری که شما می کنید اینکه که به همون ترتیبی که گفتم داده ها را از این ماتریس ها استخراج کرده و در ماتریس xdata میذارید اگه به مشکل برخوردید اطلاع بدید

cd pelak;

fil=dir('*.txt');

for i=1:numel(fil)

	pelakdata(i,:)=dlmread(fil(i).name);

end



cd nonpelak;

fil=dir('*.txt');

for i=1:numel(fil)

	nonpelakdata(i,:)=dlmread(fil(i).name);

end

[sama.66]

فقط اولی رو میخونه

Error using cd

Cannot CD to nonpelak (Name is nonexistent or not a directory).



Error in Untitled (line 9)

cd nonpelak;

[rahnema1]

این را بذارید

cd ..

cd nonpelak;

[sama.66]

قبلا تو یه فایلی به همون ترتیبی که فرمودید برای ازمایش و یه فایلم برای اموزش جدا کردم،ولی الان چجوری باید ازتوی ماتریس واسه اموزش و ازمایش جداکنم؟