数字图像处理与机器视觉基于MATLAB实现马本学课后参考答案

数字图像处理与机器视觉基于MATLAB实现习题答案马本学目录TOC\o"1-1"\h\u4927第一章绪论 114150第二章MATLAB数字图像处理基础 22354第三章数字图像处理基础知识 314231第四章图像的基本运算 425944第五章图像变换 4246第六章灰度变换与滤波 64204第七章图像分割 62117第八章彩色模型 101657第九章图像的表示与描述 124435第十章图像识别基础 1331826第十一章MATLABGUI设计基础 131245第十二章神经网络与数字图像处理 172581第十三章支持向量机的机器视觉应用 20第一章绪论1-1什么是数字图像处理？数字图像处理的特点是什么？数字图像处理(DigitalImageProcessing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理利用数字计算机或其他专用的数字设备处理图像，与模拟方式相比具有以下鲜明的特点：（1）处理精度高（2）重现性能好（3）灵活性高（4）图像信息量大（5）数字图像信号占用的频带较宽（6）处理费时。1-2数字图像处理常应用于哪些领域？（1）临床医学方面的应用（2）通信工程的应用（3）工业工程方面的应用（4）农业工程方面的应用1-3数字图像处理系统主要由哪几部分组成，每部分的功能是什么？数字图像处理系统所处理的信息量是十分庞大的，其商品化产品的种类也较多，但不论何种用途，数字图像处理系统是由图像数字化设备、图像处理计算机和图像输出设备组成。1-4数字图像处理主要研究内容有哪些？请简要阐述。数字图像处理研究的内容主要有以下几个方面：图像变换、图像增强、图像恢复、图像压缩编码、彩色图像处理、图像的三维重建、图像分割、图像的表示和描述、图像编码、图像分类、图像重建等。1-5数字图像处理常用的工具软件有哪些？你常用的是哪个，说说你的原因。数字图像处理常用的工具软件有MATLAB、Python、OpenCV、Java、C++、HALCON。常用工具软件学生可根据自身情况做开放式回答。第二章MATLAB数字图像处理基础二值图像：是一个数据矩阵，每个像素只取两个离散值中的一个；一个二值图像是以0和1的逻辑矩阵存储的。在二值图像中，像素的颜色只有两种可能取值：黑或白。MATLAB将二值图像存储为一个二维矩阵，每个元素的取值只有0和1两种情况，0表示黑色，而1表示白色。灰度图像：为单一的数据矩阵，矩阵中的每个元素分别代表图像中的像素，且是在一定范围内的颜色灰度值。矩阵中的元素可以是双精度的浮点类型、8位或16位无符号的整数类型。如果矩阵元素的类型是双精度的，则元素的取值范围是从0到1；如果是8位无符号整数，则取值范围从0到255。数据0表示黑色，而1（或255）表示最大亮度（通常为白色）。

索引图像：包括一个数据矩阵X和一个色图阵MAP。X可以是无符号8位整型、无符号16位整型或双精度浮点型数据；MAP是一个包含三列、若干行的数据阵列，每一个元素的值均为[0,1]之间的双精度浮点型数据。MAP矩阵的每一行分别代表红，绿和蓝色。在MATLAB中，索引图像时从像素值到颜色映射值，1指向矩阵MAP中的第一行，依次类推。RGB图像：为数据矩阵，使用3个一组的数据表达每个像素的颜色，即其中的红色、绿色和蓝色分量。在MATLAB中，RGB图像被存储在一个m×n×3的三维数组中。对于图像中的每个像素，存储的3个颜色分量合成像素的最终颜色。RGB图像存储为24位的图像，红、绿、蓝分别占8位，可以有1000多万种颜色。2-2如何将一张真彩图像转换为二值图像？2-3如何将一张真彩图像转换为灰度色图？2-4读入若干自己存储在文件中的图像，分别使用subimage和imshow结合subplot函数，将读入图像显示在同一窗格中。2-5使用读入的图像，制作完成一个GIF。第三章数字图像处理基础知识3-1简述数字图像与模拟图像的区别与联系。答：数字图像的空间坐标是离散的，灰度也是离散的；模拟图像的空间坐标是连续的，灰度也是连续的。数字图像是由模拟图像采样量化得到的。3-2简述采样率与量化级对图像质量的影响。答：采样率过低时，图像像素数越少，空间分辨率越低，会导致图像产生严重的马赛克效应。量化等级决定着图像的色彩位数，量化等级越高，图像层次越丰富，灰度分辨率越高，图像质量就越好；量化等级越少，图像层次欠丰富，灰度分辨率越低，会出现假轮廓现象，图像质量就越差。3-3一幅4bit量化的图像，其灰度级为多少？一幅灰度级为512的图像，其量化为多少bit？答：4bit量化的图像，其灰度级为16？一幅灰度级为512的图像，其量化为多少9bit？3-4灰度级为128的图像，其最小灰度值为多少？代表什么颜色？最大灰度值为多少？代表什么颜色？答：灰度级为128的图像，其最小灰度值为0，代表什么黑色；最大灰度值为127，代表什么白色。第四章图像的基本运算4-1图像基本运算有哪几类？答：图像基本运算有4类；分别为点运算、代数运算、逻辑运算、几何运算。4-2对一幅图像进行线性点运算时，若a>1，该图像的视觉效果将会变亮还是变暗？请以MATLAB图像库中的“pout.tif”图像为例，结合本章所学，检验该问题。答：对于“pout.tif”这幅图进行线性点运算，当a>1，图像的视觉效果变亮。示例代码：practice4_2.m4-3图像的代数运算可以分为哪几类？有哪几种常见的图像几何变换？答：图像的代数运算有加法运算、减法运算、乘法运算、除法运算。图像几何变换有图像平移、镜像，旋转、缩放以及灰度插值。4-4图像旋转会引起图像尺寸大小的改变吗？为什么？答：图像的旋转变换属于图像的位置变换，通常是以图像的中心为原点，将图像上的所有像素都旋转一个相同的角度。旋转后，图像的大小一般会改变。4-5结合本章所学，试利用MATLAB编程实现分别将图像库中的“eight.tif”图像逆时针旋转45°及顺时针旋转30°。答：示例代码：practice4_5.m4-6有哪些灰度插值处理方法？答：灰度插值处理方法分为向前映射法，向后映射法两大类，向后映射法有最近邻插值法、双线性插值法和三次内插法。第五章图像变换5-1傅里叶变换的目的是什么？傅里叶变换的目的是将时域内看不见的特性变换到频域内从而清楚得到，这将会给我们分析问题和计算上带来很大的方便。5-2说明二维傅里叶变换有哪些性质？①可分离性②周期性和共轭对称性③平移性④旋转性质⑤卷积性5-3将一幅图片进行傅里叶变换，滤除高频部分后，再进行傅里叶反变换观察有什么变化？在频谱图上，白色的斑点、噪声和边界等会表现为高频部分，所以通过滤去高频，可以降噪（图像的频谱函数统计特征：图像的大部分能量集中在低频和中频中，高频部分的分量很弱，仅仅体现了图像的某些细节。因此，滤波器滤噪，也就是除去高频部分、能量低的部分）。傅里叶变换将时域转换为频域，对频域图像进行消噪，然后再反变换为时域，就达到了消除噪声的效果。5-4写出二维离散傅里叶变换对的矩阵表达式及表达式中各个矩阵的具体内容，并写出N=4时矩阵的表达式。，5-5编写一个程序用来计算并显示一幅二维图像的傅立叶变换（幅度和相位谐）。拍摄一根笔的照片在拍摄间将笔旋转30°。用该程序处理图像，搜出幅度谱分量中桌上笔的部分。f=imread(‘铅笔照片’)F=fft2(f);Fc=fftshift(F);subplot(1,2,1),imshow(f,[]);title('原始图像');subplot(1,2,2),imshow(abs(Fc),[]);title('图像傅里叶变换');frotate=imrotate(f,30);%图像旋转Frotate=fft2(frotate);Fc2=fftshift(Frotate);%图像旋转后做傅里叶变换subplot(1,2,1),imshow(frotate,[]);title('图像旋转');subplot(1,2,2),imshow(abs(Fc2),[]);title('图像旋转后傅里叶');第六章灰度变换与滤波6-1图像增强方法按照自变量的不同可分为哪两大类？答：以时间为自变量的空间域增强法,以频率为自变量的频域增强法。6-2灰度变换有哪几种方法？答：灰度线性变换、灰度分段线性变换、反转变换、对数变换和幂次变换6-3尝试对图像添加高斯噪声，并利用中值滤波处理，观察结果，并分析原因。答：经过中值滤波处理后的高斯噪声图像，效果不理想，这是因为当噪声像素点周围的灰度值呈高斯分布时，取其周围像素点的灰度值中值来替代噪声点灰度值，会得到与噪声点灰度值大小类似的一个灰度值，故中值滤波对高斯噪声图像几乎无能为力。示例代码practice6_3.m6-4试以MATLAB图像库中的’foosball.jpg’图像为模板图像，以直方图规定化法处理’car_2.jpg’图像。答：示例代码practice6_4.m6-5试建立一个大小为500×500，截止频率为50，阶数为5的巴斯沃特低通滤波器，并绘制出其透视图。答：示例代码practice6_5.m第七章图像分割7-1设一幅7×7大小的二值图像中心处有一个值为0的3×3大小的正方形区域，其余区域的值为l，如题图7.1所示。使用Sobel算子来计算这幅图的梯度，并画出梯度幅度图（需要给出梯度幅度图中所有像素的值)。由水平模板wx，可得水平梯度G由垂直模板wy，可得垂直梯度G当用梯度计算公式时，计算得到的梯度为：当用梯度计算公式时，计算得到的梯度为：当用梯度计算公式时，计算得到的梯度为：7-2噪声对利用直方图取阈值进行图像分割的算法会有哪些影响?由于噪声会使图像中某些像素的灰度值增大或减小,此时的直方图图会变得不平滑;同时,噪声可能会填满直方图中的谷,还有可能产生新的峰,或者噪声会使直方图的峰值变低,甚至被淹没。此时直方图不能完全反映出图像的像素分布情况,这对于那些利用直方图来取阈值的图像分割算法来说,所取的阈值也就必然会存在偏差,造成分割的不准确。7-3选择一幅灰度图像，用迭代阈值法进行分割，试写出MATLAB程序，并给出分割结果。A=imread('rice.png');figure(1);imshow(A);T=mean2(A);%取均值作为初始阈值done=false;%定义跳出循环的理由i=0;%while循环进行迭代while~doner1=find(A<=T);%小于阈值的部分r2=find(A>T);%大于阈值的部分Tnew=(mean(A(r1))+mean(A(r2)))/2;%计算分割后两部分的阈值均值的均值done=abs(Tnew-T)<1;%判断迭代是否收敛T=Tnew;%如不收敛,则将分割后的均值的均值作为新的阈值进行循环计算i=i+1;endA(r1)=0;%将小于阈值的部分赋值为0A(r2)=1:%将大于阈值的部分赋值为1这两步是将图像转换成二值图像figure,imshow(A,[]);7-4选择一幅灰度图像，用最大类间方差法进行分割，根据最大类间方差法原理写出MATLAB程序，并给出分割结果。I=imread(‘rice.png’)figure(1),imshow(I);%显示原始图像O=graythresh(I)%计算得到最大类间方差的阈值BW1=im2bw(I,O);%使用得到的最大类间方差得到的阈值进行图像分割figure(2),imshow(BW1);%显示阈值分割后的图像7-5选择一幅灰度图像，将其转换成二值图像，试用3×3方形模板和3×4矩形模板分别对它进行膨胀和腐蚀操作，写出MATLAB程序，并给出结果。BW=zreos(9,11);BW(3:6,3:8)=1BW(4,7)=0BW(5,6)=0figure(1),imshow(BW)SE=strel('square',2)BW2=imdilate(BW,SE)figure(2),imshow(BW2)BW=zreos(9,10);BW(4:6,4:7)=1SE=strel('square',3)BW2=imdilate(BW,SE)7-6选择一幅灰度图像，将其转换成二值图像，试用形态学运算，对图像中物体内部的孔洞进行填充。I=imread('BWsDil.tif');BWDfill=imfill(BWsDil,'holes');figure,imshow(BWDfill);彩色模型8-1什么是三原色原理？人眼对红、绿、蓝最为敏感，人的眼睛像一个三色接收器的体系，大多数的颜色可以通过红、绿、蓝三色按照不同的比例合成产生。同样，绝大多数单色光也可以分解成红、绿、蓝三种色光，这是色度学的最基本的原理，也称三原色原理。8-2试写出将灰度范围由[0，50]拉伸为[0，80]，把[50，70]移动到[70，90]，将[40,60]压缩为[70，80]的变换方程。8-3如果一幅图像已经用直方图均衡化方法进行了处理，那么对处理后的图像再次应用直方图均衡化，处理的结果会不会更好?不会更好;处理结果与处理前结果大致相同，没有太大的变化，只是平均值稍有所变。8-4试编写MATLAB程序，生成一幅128×128RGB彩色图像，图像均分成4块，左上角为黄色，右上角为绿色，左下角为蓝色，右下角为白色。clear

rgb_R=zeros(128,128);

rgb_R(1:64,1:64)=1;rgb_R(64:128,1:64)=0;rgb_R(1:64,64:128)=0;rgb_R(64:128,64:128)=1;

rgb_G=zeros(128,128);

rgb_G(1:64,1:64)=1;rgb_G(64:128,1:64)=0;rgb_G(1:64,64:128)=1;rgb_G(64:128,64:128)=1;

rgb_B=zeros(128,128);

rgb_B(1:64,1:64)=0;rgb_B(64:128,1:64)=1;rgb_B(1:64,64:128)=0;rgb_B(64:128,64:128)=1;

rgb=cat(3,rgb_R,rgb_G,rgb_B);

figure,

imshow(rgb);8-5已知一幅64像素×64像素的数字图像，其灰度级有8个，各灰度级出现的频数如题3-4表（a）所示。试将此幅图像进行直方图变换，使其变换后的图像具有如题3-4表（b）所示的灰度级分布，并画出变换前后图像的直方图。S0S1S2S3S4S5S6S7处理前r0560560r1230690920r23337131046r3137568705r4356356r561206267r6170170r77272处理后00079010238509854488-6伪彩色处理是什么？为什么要进行伪彩色处理？伪色图是一种利用特殊的数位影像处理技术来将灰阶影像的图片转换成为全彩的彩色影像，其原理是利用原始影像中的灰阶度(亮度)来推测初期原始彩色影像中的色彩。因为人眼对彩色的分辨能力远高于对灰度的分辨能力，将灰度图像转化成彩色表示可以提高对图像细节的辨别力。所以伪彩色处理主要是提高人眼对图像细节的分辨能力，以达到图像增强的目的。图像的表示与描述9-1图像具有哪些特征？简要说明这些特征，它们在图像分析中有何用途？颜色特征、形状特征、纹理特征、边缘特征；颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。在\t"/item/%E9%A2%9C%E8%89%B2%E7%89%B9%E5%BE%81/_blank"图像检索中应用最为广泛。常见的形状特征可以分为两类，一类是描述物体边界形状的轮廓特征，一类是描述物体内部形状的区域特征。可减少在区域中原始数据的数量，还有利于区别带有不同特性的区域。纹理特征也是一种全局特征，它反映图像中同质现象的视觉特征，体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理特征描述使得计算机能够快速、准确对纹理进行识别。边缘特征是图像中特性(如像素灰度、纹理等)分布的不连续处，图像周围特性有阶跃变化或屋脊状变化等像素的集合。在计算机视觉、图象分析等应用中起着重要的作用。9-2学习并掌握MATLAB的函数pixval、impixel、impixelinfo、stdfilt、entropyfilt的用途。pixval函数命令可以用来查看图像上光标所指位置的像素值。impixel函数获取图像像素值。函数返回指定图像的红、绿、蓝颜色值。impixelinfo函数功能是显示绘制图像的像素信息。stdfilt函数计算图像的局部标准差。entropyfilt计算灰度图像的局部熵。9-3什么是傅里叶描述子？它有何特点？傅里叶描述子就是用一个向量代表一个轮廓，将轮廓数字化，从而能更好地区分不同的轮廓，进而达到识别物体的目的。特点是简单并且非常高效,是识别物体形状的重要方法之一。9-4什么是图像进行几何变换？试编写一个程序将一幅图像进行水平和垂直方向的平移。图像平移是将一幅图像中所有的点都按照指定的平移量在水平、垂直方向移动，平移后的图像与原图像相同。clearall;closeall;I=imread('rice.png');delta_x=10;%水平方向的偏移量delta_y=10;%垂直方向的偏移量[M,N]=size(I);%原图像的宽度和高度I2=zeros(M,N);forx=1:Mifx+delta_x<=Mfory=1:Nify+delta_y<=NI2(x+delta_x,y+delta_y)=I(x,y);endendendendsubplot(1,2,1),imshow(I);subplot(1,2,2),imshow(uint8(I2));第十章图像识别基础10-1监督学习的模式识别系统的组成部分有哪些？答：监督学习的模式识别系统由4大部分组成，分别是待识别对象、预处理、特征提取和分类识别10-2常见的模式识别方法有哪几种？答：线性判别法、模板匹配法、神经网络分配法10-3简述本文中模板匹配法识别车牌图像的原理。答：在本书中介绍的是一种在像素层面相对简单的图像比较方法。基本原理很简单：在待搜寻的图像中，移动模板图像，在每一个位置测量待搜寻图像的子图像和模板图像的差值，当差值最小时，即相似度达到最大时，记录其相应的位置。第十一章MATLABGUI设计基础11-1GUI打开方式 1.界面按钮打开 2.命令行输入guide打开11-2GUI编辑界面由哪几个部分组成？1.GUI工具栏2.GUI布局区3.GUI对象选择区4.当前对象标签5.鼠标所在点坐标6.当前对象的位置和大小11-3句柄图形对象的层次结构 11-4编程完成一个简单的GUI界面，实现的功能包括，1.读取图像，2.显示图像灰度直方图，3.边缘分割，4.使用oust方法进行全局阈值分割。functionvarargout=anli(varargin)%ANLIMATLABcodeforanli.fig%ANLI,byitself,createsanewANLIorraisestheexisting%singleton*.%%H=ANLIreturnsthehandletoanewANLIorthehandleto%theexistingsingleton*.%%ANLI('CALLBACK',hObject,eventData,handles,...)callsthelocal%functionnamedCALLBACKinANLI.Mwiththegiveninputarguments.%%ANLI('Property','Value',...)createsanewANLIorraisesthe%existingsingleton*.Startingfromtheleft,propertyvaluepairsare%appliedtotheGUIbeforeanli_OpeningFcngetscalled.An%unrecognizedpropertynameorinvalidvaluemakespropertyapplication%stop.Allinputsarepassedtoanli_OpeningFcnviavarargin.%%*SeeGUIOptionsonGUIDE'sToolsmenu.Choose"GUIallowsonlyone%instancetorun(singleton)".%%Seealso:GUIDE,GUIDATA,GUIHANDLES%Edittheabovetexttomodifytheresponsetohelpanli%LastModifiedbyGUIDEv2.522-Apr-202218:17:41%Begininitializationcode-DONOTEDITgui_Singleton=1;gui_State=struct('gui_Name',mfilename,...'gui_Singleton',gui_Singleton,...'gui_OpeningFcn',@anli_OpeningFcn,...'gui_OutputFcn',@anli_OutputFcn,...'gui_LayoutFcn',[],...'gui_Callback',[]);ifnargin&&ischar(varargin{1})gui_State.gui_Callback=str2func(varargin{1});endifnargout[varargout{1:nargout}]=gui_mainfcn(gui_State,varargin{:});elsegui_mainfcn(gui_State,varargin{:});end%Endinitializationcode-DONOTEDIT%Executesjustbeforeanliismadevisible.functionanli_OpeningFcn(hObject,eventdata,handles,varargin)%Thisfunctionhasnooutputargs,seeOutputFcn.%hObjecthandletofigure%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata(seeGUIDATA)%varargincommandlineargumentstoanli(seeVARARGIN)%Choosedefaultcommandlineoutputforanlihandles.output=hObject;%Updatehandlesstructureguidata(hObject,handles);%UIWAITmakesanliwaitforuserresponse(seeUIRESUME)%uiwait(handles.figure1);%Outputsfromthisfunctionarereturnedtothecommandline.functionvarargout=anli_OutputFcn(hObject,eventdata,handles)%varargoutcellarrayforreturningoutputargs(seeVARARGOUT);%hObjecthandletofigure%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata(seeGUIDATA)%Getdefaultcommandlineoutputfromhandlesstructurevarargout{1}=handles.output;%Executesonbuttonpressinpushbutton1.functionpushbutton1_Callback(hObject,eventdata,handles)%hObjecthandletopushbutton1(seeGCBO)%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata(seeGUIDATA)globalim;[filename,pathname]=...uigetfile({'*.jpg';'*.bmp';'*gif'},'selectpicture');str=[pathnamefilename];im=imread(str);axes(handles.axes1);imshow(im);%Executeswhenselectedobjectischangedinuibuttongroup1.functionuibuttongroup1_SelectionChangedFcn(hObject,eventdata,handles)%hObjecthandletotheselectedobjectinuibuttongroup1%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata(seeGUIDATA)globalim;str=get(hObject,'string');axes(handles.axes2);switchstrcase'原图'imshow(im);case'sobel'bw1=edge(rgb2gray(im),'sobel');imshow(bw1)case'prewitt'bw2=edge(rgb2gray(im),'prewitt');imshow(bw2)case'灰度直方图'bw3=rgb2gray(im)imhist(bw3)case'自适应阈值分割'O=graythresh(im)BW=im2bw(im,O)imshow(BW)end%Executesonbuttonpressinradiobutton7.functionradiobutton7_Callback(hObject,eventdata,handles)%hObjecthandletoradiobutton7(seeGCBO)%eventdatareserved-tobedefinedinafutureversionofMATLAB%handlesstructurewithhandlesanduserdata(seeGUIDATA)%Hint:get(hObject,'Value')returnstogglestateofradiobutton7神经网络与数字图像处理12-1人工神经元有哪些优点？(1)可以充分逼近任意复杂的非线性关系；.(2)所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；.(3)采用并行分布处理方法，使得快速进行大量运算成为可能；.(4)可学习和自适应不知道或不确定的系统；.(5)能够同时处理定量、定性知识。.人工神经网络的特点和优越性，主要表现在三个方面：.第一，具有自学习功能。.例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。12-2人工神经网络的工作工程及其特点。和人的认知过程一样，人工神经网络存在学习的过程。在神经网络结构图中，在信号的传递过程中要不断进行加权处理，即确定系统各个输入对系统性能的影响程度，这些加权值是通过对系统样本数据的学习确定的。当给定神经网络一组已知的知识，在特定的输入信号下，反复运算网络中的连接权值，使其得到期望的输出结果，这一过程成为学习过程。对于前馈型神经网络，它从样本数据中取得训练样本及目标输出值，然后将这些训练样本当做网络的输入，利用最速下降法反复调整网络的连接权值，使网络的实际输出和目标输出值一致。当输入一个非样本数据时，已学习的神经网络就可以给出系统最可能的输出值。人工神经网络的特点：（1）并行数据处理人工神经网络采用大量并行计算方式，经由不同的人工神经元来做运算处理。因此，用硬件实现的神经网络的处理速度远远高于通常计算机的处理速度。（2）容错能力强人工神经网络在运作是具有很强的容错能力，即使输入信号“不完整”或者“带有噪声”，也不会影响其运作的正确性。而且即使有部分人工神经元损坏，也不会影响整个神经网络的整体性能。（3）具有泛化能力通过记忆已知样本数据，对其他信号进行计算，计算该输入相对应的输出值。（4）可实现最优化计算神经网络可在约束条件下，使整个设计目标达到最优化状态。（5）具有自适应能力神经网络可以根据系统提供的样本数据，通过学习和训练，找出和输出之间的内在联系，从而求得问题的解，而不是依赖对问题的经验知识和规则，因此具有很好地适应性。12-3用MATLAB写出计算由图1所示三层神经网络的每层输出表达式。12-4利用所学的BP神经网络对一个感兴趣的非线性函数进行建模。%%清空环境变量clear%%训练数据预测数据提取及归一化%下载输入输出数据loaddatainputoutput%从1到2000间随机排序k=rand(1,2000);[m,n]=sort(k);%找出训练数据和预测数据input_train=input(n(1:1900),:)';output_train=output(n(1:1900));input_test=input(n(1901:2000),:)';output_test=output(n(1901:2000));%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train);%%初始化网络结构net=newff(inputn,outputn,5);net.trainParam.epochs=100;net.trainParam.lr=0.1;net.trainParam.goal=0.00004;%网络训练net=train(net,inputn,outputn);%预测数据归一化inputn_test=mapminmax('apply',input_test,inputps);%BP网络预测输出an=sim(net,inputn_test);%网络输出反归一化BPoutput=mapminmax('reverse',an,outputps);%%结果分析figure(1)plot(BPoutput,':og')holdonplot(output_test,'-*');legend('预测输出','期望输出')title('BP网络预测输出','fontsize',12)ylabel('函数输出','fontsize',12)xlabel('样本','fontsize',12)%预测误差error=BPoutput-output_test;figure(2)plot(error,'-*')title('BP网络预测误差','fontsize',12)ylabel('误差','fontsize',12)xlabel('样本','fontsize',12)其中data数据的采集可以用fori=1:2000input(i,:)=100*rand(1,2)-5;output(i)=input(i,1)^2+input(i,2)^2;end12-5卷积网络的层级结构包括哪些？每层的作用有哪些？输入层:用于数据的输入。 卷积层:使用卷积核进行特征提取和特征映射。池化层:进行下采样，对特征图稀疏处理，减少数据运算量。 激励层:由于卷积也是一种线性运算，因此需要增加非线性映射。全连接层:通常在CNN的尾部进行重新拟合，减少特征信息的损失。第十三章支持向量机的机器视觉应用13-1什么是支持向量机？支持向量机（SupportVectorMachine,SVM）是一类按监督学习（supervisedlearning）方式对数据进行二元分类的广义线性分类器（generalizedlinearclassifier），其HYPERLINK