统计车牌识别里面各个lable 的数量
使用的方法是:
参考:http://blog.sina.com.cn/s/blog_8db762e60101q9du.html
a = [2 4 6 8;3 5 6 3; 9 8 5 3; 7 6 4 0];
>> a
a =2 4 6 83 5 6 39 8 5 37 6 4 0
>> aa = tabulate(a(:))
aa =0 1.0000 6.25002.0000 1.0000 6.25003.0000 3.0000 18.75004.0000 2.0000 12.50005.0000 2.0000 12.50006.0000 3.0000 18.75007.0000 1.0000 6.25008.0000 2.0000 12.50009.0000 1.0000 6.2500
我的结果是:
索引 | 样本标号 | 样本标号 | 样本个数 | 样本个数 | 样本占百分比 | 样本占百分比 |
京 | 0 | 0 | 0.059 | 59 | 0.0001 | 0.1 |
沪 | 0.001 | 1 | 0.014 | 14 | 0 | 0 |
津 | 0.002 | 2 | 0.364 | 364 | 0.0006 | 0.6 |
渝 | 0.003 | 3 | 0.67 | 670 | 0.001 | 1 |
冀 | 0.004 | 4 | 2.338 | 2338 | 0.0036 | 3.6 |
晋 | 0.005 | 5 | 0.716 | 716 | 0.0011 | 1.1 |
蒙 | 0.006 | 6 | 0.121 | 121 | 0.0002 | 0.2 |
辽 | 0.007 | 7 | 0.662 | 662 | 0.001 | 1 |
吉 | 0.008 | 8 | 0.028 | 28 | 0 | 0 |
黑 | 0.009 | 9 | 0.033 | 33 | 0.0001 | 0.1 |
苏 | 0.01 | 10 | 0.103 | 103 | 0.0002 | 0.2 |
浙 | 0.011 | 11 | 0.027 | 27 | 0 | 0 |
皖 | 0.012 | 12 | 0.122 | 122 | 0.0002 | 0.2 |
闽 | 0.013 | 13 | 0.073 | 73 | 0.0001 | 0.1 |
赣 | 0.014 | 14 | 0.005 | 5 | 0 | 0 |
鲁 | 0.015 | 15 | 0.611 | 611 | 0.0009 | 0.9 |
豫 | 0.016 | 16 | 1.08 | 1080 | 0.0017 | 1.7 |
鄂 | 0.017 | 17 | 0.376 | 376 | 0.0006 | 0.6 |
湘 | 0.018 | 18 | 0.201 | 201 | 0.0003 | 0.3 |
粤 | 0.019 | 19 | 1.494 | 1494 | 0.0023 | 2.3 |
桂 | 0.02 | 20 | 0.001 | 1 | 0 | 0 |
川 | 0.022 | 22 | 0.013 | 13 | 0 | 0 |
贵 | 0.023 | 23 | 0.003 | 3 | 0 | 0 |
云 | 0.024 | 24 | 0.001 | 1 | 0 | 0 |
陕 | 0.026 | 26 | 0.128 | 128 | 0.0002 | 0.2 |
甘 | 0.027 | 27 | 0.003 | 3 | 0 | 0 |
青 | 0.028 | 28 | 0.006 | 6 | 0 | 0 |
宁 | 0.029 | 29 | 0.01 | 10 | 0 | 0 |
新 | 0.03 | 30 | 0.001 | 1 | 0 | 0 |
0 | 0.031 | 31 | 3.491 | 3491 | 0.0054 | 5.4 |
1 | 0.032 | 32 | 4.061 | 4061 | 0.0063 | 6.3 |
2 | 0.033 | 33 | 3.57 | 3570 | 0.0055 | 5.5 |
3 | 0.034 | 34 | 3.666 | 3666 | 0.0057 | 5.7 |
4 | 0.035 | 35 | 1.159 | 1159 | 0.0018 | 1.8 |
5 | 0.036 | 36 | 3.458 | 3458 | 0.0053 | 5.3 |
6 | 0.037 | 37 | 3.663 | 3663 | 0.0056 | 5.6 |
7 | 0.038 | 38 | 4.002 | 4002 | 0.0062 | 6.2 |
8 | 0.039 | 39 | 3.684 | 3684 | 0.0057 | 5.7 |
9 | 0.04 | 40 | 3.748 | 3748 | 0.0058 | 5.8 |
A | 0.041 | 41 | 2.606 | 2606 | 0.004 | 4 |
B | 0.042 | 42 | 0.738 | 738 | 0.0011 | 1.1 |
C | 0.043 | 43 | 2.46 | 2460 | 0.0038 | 3.8 |
D | 0.044 | 44 | 0.87 | 870 | 0.0013 | 1.3 |
E | 0.045 | 45 | 0.703 | 703 | 0.0011 | 1.1 |
F | 0.046 | 46 | 1.444 | 1444 | 0.0022 | 2.2 |
G | 0.047 | 47 | 0.888 | 888 | 0.0014 | 1.4 |
H | 0.048 | 48 | 0.859 | 859 | 0.0013 | 1.3 |
J | 0.049 | 49 | 0.793 | 793 | 0.0012 | 1.2 |
K | 0.05 | 50 | 0.691 | 691 | 0.0011 | 1.1 |
L | 0.051 | 51 | 0.669 | 669 | 0.001 | 1 |
M | 0.052 | 52 | 1.219 | 1219 | 0.0019 | 1.9 |
N | 0.053 | 53 | 0.608 | 608 | 0.0009 | 0.9 |
P | 0.054 | 54 | 0.629 | 629 | 0.001 | 1 |
Q | 0.055 | 55 | 0.519 | 519 | 0.0008 | 0.8 |
R | 0.056 | 56 | 1.242 | 1242 | 0.0019 | 1.9 |
S | 0.057 | 57 | 0.739 | 739 | 0.0011 | 1.1 |
T | 0.058 | 58 | 0.59 | 590 | 0.0009 | 0.9 |
U | 0.059 | 59 | 0.479 | 479 | 0.0007 | 0.7 |
V | 0.06 | 60 | 0.486 | 486 | 0.0007 | 0.7 |
W | 0.061 | 61 | 0.436 | 436 | 0.0007 | 0.7 |
X | 0.062 | 62 | 0.514 | 514 | 0.0008 | 0.8 |
Y | 0.063 | 63 | 0.499 | 499 | 0.0008 | 0.8 |
Z | 0.064 | 64 | 0.395 | 395 | 0.0006 | 0.6 |
统计车牌识别里面各个lable 的数量相关推荐
- 最新优秀开源:车牌识别、车型分析、车流统计、违停检测统统行
停车场闸机的车牌识别.道路两侧的违停检测.繁华路口的车流统计.茫茫车海中的车辆锁定-这些场景背后的技术原理大家是否在心中简单构思过?抑或想要抽时间自己攒一套出来可却又不知从何下手?--PP-Vehic ...
- OpenCV(项目)车牌识别4 -- 总结篇
目录 一.效果 1.成功案例 2.经典失败案例(单字符识别成类似字符) 3.其他失败案例 二.总结 三.车牌识别总代码 一.效果 1.成功案例 2.经典失败案例(单字符识别成类似字符) 3.其他失败案 ...
- OpenCV(项目)车牌识别2 -- 车牌字符分割(直方图)
目录 试错 1.没有膨胀/膨胀过小:无法连接上单个字符. 2.膨胀过大:错误连接相邻字符. 一.直方图处理原理 1.横向分割 2.纵向分割 过程: 一.中值滤波.灰度化 二.二值化(统一黑底白字) 三 ...
- 深度神经网络实践:车牌识别
深度神经网络实践:车牌识别 任务描述: 深度神经网络(DNN) 数据集介绍 1.数据准备 2.定义模型 3.训练模型 4.模型评估 5.使用模型 5.1对车牌图像进行预处理 5.2 对标签进行转换 5 ...
- 我用AI回怼美女汽车销售系列[yolo车牌识别](四)
上期回顾 上一期中,我们从数据增强角度,对车牌识别进行了mixup,彷射变换,模糊处理等,最终在ccpd数据集的测试集上面将t将top1准确率从0.9683提升到了0.991(提升了2.3个点),但是 ...
- 用PaddlePaddle(飞浆)实现车牌识别
项目描述:本次实践是一个多分类任务,需要将照片中的每个字符分别进行识别,完成车牌的识别 实践平台:百度AI实训平台-AI Studio.PaddlePaddle1.8.0 动态图 数据集介绍(自己去网 ...
- 车牌识别及验证码识别的一般思路
本文源自我之前花了2天时间做的一个简单的车牌识别系统.那个项目,时间太紧,样本也有限,达不到对方要求的95%识别率(主要对于车牌来说,D,0,O,I,1等等太相似了.然后,汉字的识别难度也不小),因此 ...
- 车牌识别EasyPR--开发详解
非常详细的讲解车牌识别 转载自:http://www.cnblogs.com/subconscious/p/3979988.html http://www.cnblogs.com/asks/p/437 ...
- 【opencv机器学习】基于SVM和神经网络的车牌识别
基于SVM和神经网络的车牌识别 深入理解OpenCV:实用计算机视觉项目解析 本文用来学习的项目来自书籍<实用计算机视觉项目解析>第5章Number Plate Recognition 提 ...
最新文章
- STM32 KEIL中 负数绝对值处理
- 关于MySQL的四种事务隔离级别!
- 聚类分析在用户行为中的实例_聚类分析在用户分类中的应用
- [bzoj3131]淘金[sdoi2013][数位DP]
- 腾讯物联网开发者社区平台Tencent Things Network发布 让IoT应用开发快速安全
- 为什么DDD是设计微服务的最佳实践
- 如何成为一名好的研究生
- 苹果第三代iPhone SE或将于12月份开始投产 明年春季发布
- Python学习之购物车
- Unlocker v4.1.3 VMware 虚拟机 MacOS 系统解锁工具
- 反编译工具Reflector下载(转)
- 遗传算法求解TSP问题及MTATLAB代码
- java下载神奇宝贝mega,神奇宝贝mega
- 服务器被挖矿入侵,进程 command为ld-linux-x86-64占用cpu很高
- Opencv人脸识别之发送QQ邮箱
- bootstrap collapse切换改变图标
- 设计LDO电路需考虑因素
- 在solaris上自动启动oracle
- 基于HTTP的QQ协议分析
- Verilog HDL语言入门(一)
热门文章
- 吴恩达深度学习1.2练习_Neural Networks and Deep Learning
- Angular6入门
- Unity屏幕坐标转UI坐标
- es-03-DSL的简单使用
- Codeforces 861 A k-rounding 数论
- SSH抛出org.apache.ibatis.exceptions.PersistenceException: 异常
- 总有几位老师让你一生感激不尽----我的大学老师
- 【Win10 应用开发】实现数据的增量加载
- [Learn AF3]第七章 App framework组件之Popup
- ffmpeg文档3:播放声音