模式识别分析题

判断是不是道路

用监督模式识别：先采集道路数据，根据数据找分类器，得到分类器参数;训练完将道路图片输入分类器就能判断是不是道路。

用非监督模式识别：收集包含各种地物的图像数据，不对其进行道路标记。这些图像可能包含道路、建筑物、植被等。从图像中提取特征，如颜色直方图、纹理特征、形状信息等，使用聚类算法（如K均值聚类）对提取的特征进行聚类，将图像区域分组成不同的类别。每个聚类对应于图像中的一个地物类型，但此时我们不知道哪个类别对应于道路。根据分析结果，选择可能对应于道路的聚类。这可能需要领域知识的辅助，例如人为地选择与道路特征相符的聚类。对被选择为道路的区域进行后处理，以改善结果的连续性和准确性，可能包括区域合并、去除小面积区域等。虽然没有监督的标签，但可以通过一些内部评估指标（如聚类内部紧密度和聚类间隔）来评估模型对道路的识别性能。

作业题中人脸识别的思路：

1. 加载数据集：

   • 通过设定 data_folder 变量，指定数据集的路径，这里是 ORL 人脸数据集。
   • 调用 load_ORL_dataset 函数加载数据，将数据集划分为训练集和测试集。

2. 数据预处理：

   • 计算训练数据的平均脸。
   • 将平均脸从训练数据和测试数据中减去，以去除图像中的整体亮度变化。

3. PCA 主成分分析：

   • 计算训练数据的协方差矩阵。
   • 对协方差矩阵进行特征值分解，得到特征向量和特征值。
   • 对特征向量按照对应特征值的大小进行降序排序。

4. 选择主成分：

   • 计算每个主成分对总能量的贡献。
   • 确定保留 90% 能量所需的主成分数量。

5. 投影数据到主成分空间：

   • 选择确定数量的主成分。
   • 使用这些主成分将训练数据和测试数据投影到新的低维空间。

6. 使用 k-NN 进行识别：

   • 使用 k-最近邻算法比较测试数据在主成分空间中的投影与训练数据的投影。
   • 根据最接近的训练样本的标签进行识别。

7. 计算准确率：

   • 比较预测标签和实际标签，计算识别准确率。

8. 显示错误分类的人脸：

   • 在测试集中找到被错误分类的样本。
   • 将这些样本的人脸图像显示出来，以便分析识别错误的原因。
   •