%-------------------------------------------------------------------------- % ENSEEIHT - 1SN - Analyse de données % TP3 - Classification bayésienne % exercice_1.m %-------------------------------------------------------------------------- clear close all clc % Chargement des données load donnees %% Calcul des vecteurs de moyenne des images de fleurs % Couleur moyenne de chaque image de pensée (fonction moyenne à coder) X_pensees = single(zeros(nb_images_pensees,2)); for i = 1:nb_images_pensees im = eval(['pe' num2str(i)]); X_pensees(i,:) = moyenne(im); end % Couleur moyenne de chaque image d'oeillet (fonction moyenne à coder) X_oeillets = single(zeros(nb_images_oeillets,2)); for i = 1:nb_images_oeillets im = eval(['oe' num2str(i)]); X_oeillets(i,:) = moyenne(im); end % Couleur moyenne de chaque image de chrysanthème (fonction moyenne à coder) X_chrysanthemes = single(zeros(nb_images_chrysanthemes,2)); for i = 1:nb_images_chrysanthemes im = eval(['ch' num2str(i)]); X_chrysanthemes(i,:) = moyenne(im); end %% Affichage des couleurs moyennes des images de fleurs % Vecteur r et v pour les axes pas = 0.0025; r = 0.35:pas:0.60; v = 0.2:pas:0.45; nb_r = length(r); nb_v = length(v); figure('Name','Couleurs moyennes des images',... 'Position',[0.1*L,0.1*H,0.5*L,0.8*H]) hold on plot(X_pensees(:,1),X_pensees(:,2),'r*','MarkerSize',10,'LineWidth',2) plot(X_oeillets(:,1),X_oeillets(:,2),'go','MarkerSize',10,'LineWidth',2) plot(X_chrysanthemes(:,1),X_chrysanthemes(:,2),'b+','MarkerSize',10,'LineWidth',2) grid on axis equal ij axis([r(1) r(end) v(1) v(end)]) hx = xlabel('$\bar{r}$','FontSize',20); set(hx,'Interpreter','Latex') hy = ylabel('$\bar{v}$','FontSize',20); set(hy,'Interpreter','Latex') legend('Pensées','Oeillets','Chrysanthèmes','Location','Best') view(-90,90) title('Couleurs moyennes des images','FontSize',20) clear ch* hx hy i* oe* pas pe* save resultats_ex1