miniprojet/learning/code/learning.m

close all

%acceptable threshold values: 15-30
threshold = 20;
cmax = 10;
cmin = -cmax;
n_classes = 16;
iterations = 50;
N = 200;

dataset = dir('../images/*/*.jpg');
dataset_size = length(dataset);

vecteurs=zeros(2*(cmax-cmin+1),dataset_size); %TODO: renommer en vectors

classes = []; %colonne [avance; arret; gauche; droite; rejet]

% c'est lent
% s'assurer que l'on choisit toutes les images
% 
n=1;
while n<dataset_size+1
    % choix d'une image aleatoire
    choix = 1 + floor(dataset_size*rand(dataset_size, 1));
    % extraction de l'image du dataset
    image = dataset(choix(1));
    % lecture de l'image
    img = imread([image.folder '/' image.name]);
    % filtrage de la couleur de la peau
    binary = rgb_filter(img, threshold);
    % determination du contour
    c = contourc(binary);
    if size(c,2)~=0
        
        % Determination du contour de taille max
        cont = max_contour(c);
        % transformation en signal complexe
        z = cont(:,1) + 1i*cont(:,2);
        if length(z)>11
            
            % calcul des descripteurs de Fourier
            [coeff,ncoeff]=descripteurfouriernorm(z,cmax);
            % Extraction des composantes
            vecteurs(:,n)=[real(coeff);imag(coeff)];
            % Ajout de la classe correspondante
            deb = dataset(choix(1)).name(1:2);
            if deb == 'av'
                classes = [classes , [1;0;0;0;0]];         
            elseif deb == 'ar'
               classes = [classes , [0;1;0;0;0]];       
            elseif deb == 'ga'
               classes = [classes , [0;0;1;0;0]];        
            elseif deb == 'dr'
               classes = [classes , [0;0;0;1;0]];        
            else
               classes = [classes , [0;0;0;0;1]];     
            end 
            
            
            % affichage de l'avancement
            disp(n/dataset_size);
            n = n+1;
        end
    end  
    
end

% utilisation de l'algorithme des kmeans
kmeans = kmoyennes(vecteurs, n_classes, iterations);

% affichage des prototypes
figure
for n=1:n_classes
    contfil=resconstrdesfour(kmeans(1:end/2,n)+1i*kmeans(end/2+1:end,n),N,cmax);
    subplot(4,4,n)
    h=plot(real(contfil),imag(contfil),'-',real(contfil(1)),imag(contfil(1)),'o');
    title(['prototype ' int2str(n)])
    set(h(1),'LineWidth',2)
    set(h(2),'LineWidth',3)
    grid on
    axis equal
    axis ij
    drawnow
end

% utilisation de l'algorithme du perceptron multicouches

[net, resultats_test] = PMC_training(vecteurs, classes, 10, 1100);

%faire une prediction : y = net(x)