按一种特征分类教学反思

按一种特征分类教学反思（共3篇）

篇1：按一种特征分类教学反思

5月28日，我来到临桂大雄村支教，本次活动我上内容是《按一种特征分类》。上完课后，老师同学们都对我的这次活动提出了一些问题，而我自己通过回看上课视频也发现了不少的问题，以下是我对这次教学活动的反思：

1、严重超时。小班的上课时间一般在15分钟左右，而我本次活动的时间却用了半个小时，比规定时间多出了一半。而导致超时的原因有两点：导入部分的手指游戏做了太久，有大概6分多钟；二是教具准备得不够完善，用双面胶把水果贴在纸上面之后是非常难撕下来的，我们大部分的时间主要耗在了撕水果上面；三是我事前没有给幼儿一个示范让幼儿把水果贴在哪里，导致了许多幼儿一直在上面拿着水果的图片在没有胶的地方一直拍。

2、课堂秩序比较混乱。由于叫幼儿上来撕水果时没有讲明要按秩序上来，导致幼儿是一窝蜂上来的，所以造成了一个比较混乱的场面。

3、没有把情境完全贯穿始终。活动中我设置了一个情境是小象的水果店，我是要模仿小象的声音来给幼儿讲的，但是由于到后来过于兴奋了，就把小象的声音给忘了，用回了我自己的声音。

4、与孩子的熟悉度不够。由于我们当天来得比较晚，所以我们一来到幼儿园就开始上课，还没有来得及跟他们熟悉。对于大多数孩子来说他们对生人是比较胆怯的，所以当我在组织活动时，许多幼儿并没有很好的配合我的活动。

5、没有留意到孩子们需要休息。当教室里的活动结束后我就带着孩子出到室外打算和他们一起玩游戏了，而没有考虑到孩子已经上了这么长时间的课了，他们已经很疲劳了。还好当时张园长在我旁边提醒我。这对我以后的教学活动也是次教训。

6、没有注意到孩子的已有经验。比如我的水果中有一样水果是桃子，或许是孩子对桃子并不多见，也或许是我的图片上的桃子画得不够形象，很多孩子并不认得这是桃子。

7、没有考虑到该年龄层孩子生理发展的特点。我们教的班级虽然是小班，但是他比正常小班幼儿的年龄阶段要小半年，所以我们的幼儿是偏小的，生理发展上是与平常我们所接触的小班的幼儿是不同的。这个年龄层的孩子手指发育得还不是很好，所以在玩手指游戏的时候有些幼儿的手指是无法完成的。

8、没有很好的启发孩子思考。这次活动我并没有完全的按照我写的教案来上，漏了一个很重要的启发孩子思考的环节，就是让幼儿思考这些水果除了按照种类、颜色分还可以怎么分。

9、没有很好的顾到全班幼儿，课堂上比较依赖积极的幼儿。班上有几个比较活跃的幼儿，而我每次提问都是让几个幼儿来回答，从而忽视了那些比较文静的孩子。

这是我一次非常宝贵的上课机会，为此我也做了很多准备，虽然仍然存在着不少问题，但是我从中也收获了很多，给我未来的教学发展指明了前进的道路。

篇2：按一种特征分类教学反思

活动目标

1、能给物体按一种特征进行分类。

2、了解标记的的含义，对符号初步具有敏感性。

3、体验分类的乐趣。

4、培养幼儿比较和判断的能力。

5、有兴趣参加数学活动。

活动准备

小象公仔、货架图片、橙子、梨、红绿苹果、葡萄、西瓜、香蕉、草莓图片若干。

活动过程

一、通过手指游戏安抚幼儿情绪。

手指游戏：《小小手》

伸出你的手指，捏一捏;收起你的手指，握拳头;看见你的朋友，招招手;我们一起握握手。

小朋友们，上午好!小潘老师见到见到小朋友们真高兴，看!我的手指宝宝已经动起来啦，它想要给小朋友们表演一个节目，大家想不想看，那小眼睛就要看好老师咯：伸出你的手指，捏一捏;收起你的手指，握拳头;看见你的朋友，招招手;我们一起握握手。谁来跟我握握手呀?

好，现在，老师请小朋友们把你们的手指宝宝请出来和我一起跳个舞，跟着老师啊!(重复做)

二、能给物体按一种特征进行分类，并尝试说出同类物体的共同特征。

创设情境：小象开水果店

1、咚咚咚!(助教敲击门)小朋友们看一下谁来了!(出示公仔小象)我们一起来拍拍小手欢迎小象吧。

小朋友们好!我是小象笨笨，我今天来是想和小朋友们分享一个好消息，我的水果店过两天就要开张了!可是，我们的水果还没有摆上货架呢!我想请小朋友们帮个忙，帮我把我的水果放到货架上摆好，可以吗?谢谢小朋友们，你们真是热心善良的好孩子!(教师模仿小象的声音)

小朋友们你们认识这些什么水果吗?(拿着各种水果的图片问)

咦?拿是什么?小朋友们看看你们的椅子底下都有些什么?水果宝宝什么跑到大家的椅子下面去啦?那现在请小朋友们把椅子下面的水果放到这两个货架上(助教事先偷偷地在幼儿椅子底下放一个橙子或梨)(助教出示货架图片)

(待幼儿上来放好后)嗯?这样~这样~你们觉得这样子放好吗?是不是有点乱了?我们把这些水果都分类摆放好吧，在这边放的是橙子，在这边放的是梨。(教师一边说一边把橙子和梨的标记贴在黑板左上角)所以，这个梨宝宝它跑丢了，我们把它送回到属于它的家里去吧?还有哪些水果宝宝也跑丢啦?老师请一位宝贝上来把水果宝宝正确的放在水果架。

2、我还有好多水果要请小朋友们帮忙放到货架上呢!(助教把红苹果、青苹果香蕉的图片趁小朋友们上去放水果时偷偷放在椅子底下)小朋友们再看一下这次又有哪些淘气的水果宝宝跑到了你们的椅子下面。它们都是些什么颜色的呀?好，这次小朋友们要听清楚我的要求来帮水果宝宝放好咯。请小朋友们在这一排货架上放红色的水果，在这一排货架上放绿色的水果，在这一排货架上放黄色的水果。(教师一边说一边在每一排货架旁边贴好标记)小朋友们认真看好货架旁边的标记，不要放错了哟。

谢谢小朋友们，小朋友们真能干!

3、还有呢还有呢!我还有水果呢!(助教再次把红苹果、绿苹果、西瓜、草莓的图片发下去)这次我想要小朋友们把红色的大水果放在这一排上，红色的小水果放在这一排上，绿色的大水果放在这一排上，绿色的小水果放在这一排上。(教师一边说一边贴标记)

现在请小朋友们开动小脑筋想一想，这些水果除了按照品种分类、颜色分类、大小分类还可以怎么分类呢?(出示苹果、梨、香蕉等水果图片)

谢谢小朋友们啦!小朋友们都太棒了!我要送给小朋友们一些好吃的水果。(助教把桃子的图片和葡萄的图片发到幼儿手上)

活动延伸

我们到外面玩游戏好不好?请桃子宝宝跟小潘老师出去，葡萄宝宝跟小陈老师出去。

教学反思：

数学活动对于小朋友来说是个很愉快的课程，因为整节活动中游戏的时间多，而且小朋友动手操作的机会比较多，但是要让孩子们能真正的理解这节教学活动的内容，并做到熟练掌握、灵活运用却不是那么容易。

篇3：一种基于图像特征的图像分类方法

图像特征一般分为统计特征、空间特征和认知特征。图像类别是认知特征中较难通过量化分析的特征[1]。图像类别主要指一幅图像是计算机生成图像还是自然景物或人物。

不同类别的图像追求的效果是不同的, 如前者要求保持原有的色彩关系, 但要给人大的视觉冲击, 这在商业广告图中表现得最为明显;而后者追求的是画面和谐, 符合人们通常的视觉习惯, 颜色层次感强等效果。

不同类型的图像要求不同的处理方法, 各自针对某一个方面具有良好的性能。因此, 在进行色域匹配算法的设计时, 应该针对不同类别的图像设计相应的算法, 以使图像的某一方面得到很好的保持[2]。对图像进行分类是图像处理中一个很重要的环节。

在此研究的重点是如何对图像进行分类, 提出了一种图像分类的方法, 该方法可以获得较高的识别精度。

1 分类算法的理论基础及数学模型

计算机生成图像最显著的特点是具有大片色彩均匀的区域或是颜色变化均匀的区域, 当从一个区域过渡到另一区域时, 边缘分界非常显著。此外, 生成图像所包含的颜色种类有限, 并且含有线条、文字和明显且较长的边缘[3];而景物图像颜色丰富, 颜色之间的过渡平滑, 通常这类图像中的物体之间的边界不明显, 边界线较短且是断断续续的。

算法的基本思想是:利用图像纹理、颜色和边缘特征相结合的方法对图像进行特征统计;然后对统计结果做出评判, 对于无法分辨的图像, 再用神经网络进行分类, 得出图像类型。

1.1 图像颜色特征统计模型

首先提取一幅图的明亮度 (L) 、彩色度 (C) 和色调 (H) 三个通道。对这三个通道分别计算直方图, 然后用图像总像素数对这三个直方图进行归一化处理。设I (i) 是图像某一通道的第i级直方图, 则其归一化直方图H (i) 的定义如式 (1) 所示, 其中GL为直方图的级数[4,5]。

${\rm H}(i)={\rm I}(i)/{\displaystyle \sum _{i=0}^{GL-1}{\rm I}}(i)(1)$

因为计算机生成图像时是用有限的颜色数, 而且包含许多颜色均匀的区域, 因此它的直方图会有几个尖锐的波峰;而自然景物图像的颜色丰富多变, 过渡平滑, 因此其直方图变化平缓。直方图的这些变化可用式 (2) 反映, 其中H_H, H_C和H_L分别代表L, C和H三个通道的直方图。

$\begin{array}{l}R\_{\rm H}={\displaystyle \sum _{i=1}^{GL-1}|}{\rm H}\_{\rm H}(i+1)-{\rm H}\_{\rm H}(i)|\\ R\_C={\displaystyle \sum _{i=1}^{GL-1}|}{\rm H}\_C(i+1)-{\rm H}\_C(i)|\\ R\_L={\displaystyle \sum _{i=1}^{GL-1}|}{\rm H}\_L(i+1)-{\rm H}\_L(i)|\end{array}(2)$

1.2 基于空间灰度级的纹理统计

计算机生成图像通常包含少量的纹理, 而自然景物图像会包含诸如水、天空、植物、建筑等实体, 因而纹理丰富。因此, 图像的纹理特征可以用来进行分类。运用SGLD技术[3]可以进行纹理分析。SGLD矩阵基于一个GL×GL的二维直方图, 是一个GL×GL的矩阵, 其中GL是灰度级数。SGLD矩阵的建立方法如下:

$\begin{array}{l}Y(i,j)=\\ \{\begin{array}{l}X(i,j+d)‚|X(i,j+d)-X(i,j)|>\\ |X(i+d,j)-X(i,j)|Y(i,j)\\ X(i+d,j),\text{e}\text{l}\text{s}\text{e}\end{array}(3)\end{array}$

首先对于图像中的每个像素点, 其邻近像素点的值用式 (3) 计算。这里X (i, j) 是像素点在 (i, j) 的灰度值; (i+d, j) 和 (i, j+d) 是其水平或竖直方向邻近点的值;d是一个固定值 (通常为1或2) 。对整幅图像进行统计, 灰度特征为[X, Y]在SGLD矩阵的相应元素加1。

图像的纹理在SGLD矩阵中表现得非常明显, 最后将其加以量化, 用式 (4) 将纹理特征提取出来:

$V={\displaystyle {\sum }_{|n-m|>\Delta }s}(m,n)(m-n){}^2/{\rm N}(4)$

式中:N=∑s (m, n) ;s (m, n) 是SGLD矩阵在 (m, n) 处的元素值;Δ的取值一般在1～16之间。

在公式中, 所有在均匀区域中的元素值都被忽略, 对于计算机生成图像, 保留了其边缘值;而对于自然图像, 很少存在这样的均匀区域, 因此生成图像会有较小的V值, 而自然图像的V值就会较大。

1.3 图像边缘特征统计

首先使用一个标准的Canny算子对图像进行边缘检测;然后用标准的8-连通对边缘映射图中的边缘进行连通处理;最后将每条连通边上的平均像素数作为该图像的边缘特征, 其计算公式如式 (5) 所示。通常, 生成图像的连通边较长而个数少, 每条边上分布的像素点多, 因此E的值较大, 而自然景物图像正好相反, 这一特点在E值很高时的正确率非常高。也就是说, 如果E的值很大, 则几乎可以肯定该图像为生成图像;然而, 如果E的值小, 则不能因此确定该图是生成图像, 还是自然图像。

$E=\frac{\text{所}\text{有}\text{在}\text{边}\text{缘}\text{上}\text{的}\text{像}\text{素}\text{的}\text{个}\text{数}}{\text{连}\text{通}\text{边}\text{的}\text{个}\text{数}}(5)$

2 分类算法

算法如图1所示。首先输入图像, 然后提取图像特征。边缘特征E在其值较大时, 精度很高, 因此第一个判定是:在E>TE时, 就可以判断出是否为生成图像。图像的明度能很好地反映图像的特征, 在此用图像的R_L作为第二个判定条件。通过实验发现, 当TE=60, TH=0.5, TL=0.1时, 可以得到较高的精度。但是, 有些图像用以上两个判定都不能分辨出来, 由于神经网络的判定精度较高[6,7], 所以用神经网络对这些图像进行判断。将已提取出来的图像特征作为神经网络的输入, 在输入前, 先将其正则化到[0, 1]之间。算法使用标准前馈结构的网络, 网络的训练使用反向传播算法, 其结构如图2所示。该网络包含一个输入层, 一个隐含层和一个输出层。输入矢量包含5个元素, 隐含层和输出层各包含一个神经元, 其传递函数均为对数-S型函数。输出结果是0或1, 分别代表是生成图像, 还是自然图像。网络的训练使用那些已被前两个判定正确区分出来的样本, 测试则用其余样本。

通过对150幅自然照片图像和150幅计算机生成图像进行实验, 该分类算法的正确率可以达到96.6%。

3 结 语

研究设计了一种利用统计图像颜色、纹理和边缘特征进行判定的分类方法, 分类正确率较高。实验中被误判的图像在3个特征值上处于临界状况, 即计算机生成图像颜色数多, 光照和阴影逼真, 纹理精致;而自然景物图像却颜色单一缺乏细节。对于这些图像分类的研究是下一步的工作。

摘要：图像分类是色域匹配的关键环节, 不同类型的图像采用不同的匹配方法。针对如何有效分类图像, 设计了一种基于图像特征的图像分类算法。首先建立图像颜色的三个通道特征统计模型和基于空间灰度级的纹理统计、边缘特征的统计模型, 然后根据模型计算出图像的三类特征值, 利用特征统计评判和神经网络技术分析计算数据, 最后得出图像类型。实验结果表明, 算法有较高的分类精度。

关键词：图像特征,图像分类,颜色,纹理,边缘特征

参考文献

[1]Jan Morovic, Sun Peili.Methods for Investigating theInfluence of Image Characteristics on Gamut Mapping[A].Proc.of IS&T/SID 7thCol.Imaging Conf.[C].1999:138-143.

[2]Ethan D Montag, Mark D Fairchild.Gamut Mapping:Evalu-tion of Chroma Clipping Techniques for Three DestinationGamuts[A].The Sixth Color Imaging Conference[C].1998.

[3]Kite T D, Venkata N D, Evans B L, et al.A Fast, HighQuality Inverse Halftoning Algorithm for Error DiffusedHalftones[J].IEEE Trans.on Image Processing, 2000, 9 (9) :1 583-1 592.

[4]孔月萍, 曾平, 何波, 等.基于HVS的彩色逆半调色差预测及可视化方法[J].华中科技大学学报, 2008, 38 (6) :1 474-1 479.

[5][美]冈萨雷斯.数字图像处理[M].北京:电子工业出版社, 2003.

[6]焦李成.神经网络系统理论[M].西安:西安电子科技大学出版社, 1990.