modification des images de rejet et modifications finales du PMC

learning/code/learning.m

@@ -18,7 +18,8 @@ classes = []; %colonne [avance; arret; gauche; droite; rejet]
 % c'est lent
 % s'assurer que l'on choisit toutes les images
 % 
-for n=1:dataset_size
+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
@@ -29,10 +30,14 @@ for n=1:dataset_size
     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
@@ -47,11 +52,17 @@ for n=1:dataset_size
                classes = [classes , [0;0;1;0;0]];        
             elseif deb == 'dr'
                classes = [classes , [0;0;0;1;0]];        
-    elseif deb == 're'
+            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
@@ -74,7 +85,7 @@ end
 
 % utilisation de l'algorithme du perceptron multicouches
 
-[net, resultats_test] = PMC_training(vecteurs, classes, 10, 800);
+[net, resultats_test] = PMC_training(vecteurs, classes, 10, 1100);
 
 %faire une prediction : y = net(x)