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
@@ -29,29 +30,39 @@ for n=1:dataset_size
     binary = rgb_filter(img, threshold);
     % determination du contour
     c = contourc(binary);
-    % Determination du contour de taille max
+    if size(c,2)~=0
-    cont = max_contour(c);
+        
-    % transformation en signal complexe
+        % Determination du contour de taille max
-    z = cont(:,1) + 1i*cont(:,2);
+        cont = max_contour(c);
-    % calcul des descripteurs de Fourier
+        % transformation en signal complexe
-    [coeff,ncoeff]=descripteurfouriernorm(z,cmax);
+        z = cont(:,1) + 1i*cont(:,2);
-    % Extraction des composantes
+        if length(z)>11
-    vecteurs(:,n)=[real(coeff);imag(coeff)];
+            
-    % Ajout de la classe correspondante
+            % calcul des descripteurs de Fourier
-    deb = dataset(choix(1)).name(1:2);
+            [coeff,ncoeff]=descripteurfouriernorm(z,cmax);
-    if deb == 'av'
+            % Extraction des composantes
-       classes = [classes , [1;0;0;0;0]];         
+            vecteurs(:,n)=[real(coeff);imag(coeff)];
-    elseif deb == 'ar'
+            % Ajout de la classe correspondante
-       classes = [classes , [0;1;0;0;0]];       
+            deb = dataset(choix(1)).name(1:2);
-    elseif deb == 'ga'
+            if deb == 'av'
-       classes = [classes , [0;0;1;0;0]];        
+                classes = [classes , [1;0;0;0;0]];         
-    elseif deb == 'dr'
+            elseif deb == 'ar'
-       classes = [classes , [0;0;0;1;0]];        
+               classes = [classes , [0;1;0;0;0]];       
-    elseif deb == 're'
+            elseif deb == 'ga'
-       classes = [classes , [0;0;0;0;1]];        
+               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  
-    % affichage de l'avancement
+    
-    disp(n/dataset_size);
 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)