實驗 A：主成分分析實驗結果

主成分分析的辨識過程，第一步為輸入辨識影像，第二步對輸入影像 做 YCbCr 和 Canny 運算，第三步對 YCbCr 和 Canny 運算後的影像做 PCA 降維，第四步對於降維後的結果放進 SVM 中分類，其影像辨識系統流程 圖如圖 4-2 所示：

圖 4-2 PCA 辨識系統流程圖 影像輸入

Canny 運算 YCbCr 運算

PCA

SVM

系統輸出

在此將每種貝類的 12 張影像中，其中 6 張為訓練樣本，另外 6 張為測 試樣本，故訓練與測試樣本各為 264 張。利用 Matlab 將每一張影像做 YCbCr 運算，如圖 4-3 所示：

(a) 原圖[42] (b) YCbCr 影像 圖 4-3 YCbCr 運算影像圖

另一方面對貝類影像做 Canny 運算，其結果如圖 4-4 所示：

(a) 原圖[42] (b) Canny 邊緣影像 圖 4-4 Canny 運算影像

根據 3.3 節的主成分分析理論，對訓練資料進行降維，此處以 YCbCr 降維過程為例，在此研究的 M=264、N²=400×400×3=480000，並算其^ATA之 特徵值與特徵向量，取其前幾個較大的特徵值，本研究選取前 19 個特徵 值，因為前 19 個特徵值已佔全特徵值的 95%，故影像特徵由原本的 48 萬 個特徵降到 19 個特徵，在此只列出前十個特徵值，其特徵值所佔的比例，

如圖 4-5 所示：

圖 4-5 YCbCr 特徵值累積比重圖

同理在 Canny 降維過程，選取前 233 個特徵值，因為前 233 個特徵值 已佔全特徵值的 95%，故影像特徵由原本的 48 萬個特徵降到 233 個特徵，

在此只列出前十個特徵值，其特徵值所佔的比例，如圖 4-6 所示：

圖 4-6 Canny 特徵值累積比重圖

訓練的樣本經由 PCA 可轉換到另一個平面，而測式樣本也是如此，值

得一提的是，測式樣本必須減去與訓練樣本一樣的平均向量，再經由訓

練樣本的轉換數據，即訓練樣本所對應之特徵向量做轉換，這樣所轉換到 的平面才會是同一個平面，否則會轉換到另一個平面上。

將降維後的數據轉成 libsvm 可以判別之數據格式，利用 libsvm 中的 easy.py 或 grid.py 去預測 c(cost)與 g(gamma)值，可以找出最適合的參數模 型，其預測之參數如圖 4-7 所示：

圖 4-7 easy.py 參數選擇

得到最佳參數後，將原本降維後的數據，轉換成 weka 可讀之數據型 式，接下來放入 weka 中辨識，其操作之介面如圖 4-8 所示：

圖 4-8 weka 分類之操作介面

根據主成分分析的方法，先將有貝類和沒有貝類的影像各 264 張，放 入系統中先判斷影像是否有貝類，其結果如下表所示：

表 4-1 PCA 辨識貝類與沒有貝類之實驗

SVM

根據真實影像情況判斷之結果

影像判斷沒有貝類 影像判斷為貝類 正確率

真實情況

貝類 0 264 100%

沒有貝類 264 0 100%

總共影像張數 528 張 100%

根據 YCbCr 運算後的影像，再利用主成分分析後的結果，將貝類影像

續表 4-2 顏色主成分分析測試之準確率

續表 4-3 邊緣主成分分析測試之準確率

表 4-4 顏色加邊緣主成分分析測試之準確率

續表 4-4 顏色加邊緣主成分分析測試之準確率