Загрузите данные о метках поля, которые содержат поля и метки для одного изображения. Высота и ширина каждого поля [20,20].

d  = load('balanceBoxLabelsData.mat');

bboxes    = d.BoxLabels.Boxes;
labels    = d.BoxLabels.Labels;
boxLabels = table(bboxes,labels);

Найдите неустойчивость класса в метках поля.

blds = boxLabelDatastore(boxLabels);
tbl1 = countEachLabel(blds);
figure;
h1 = histogram('Categories',tbl1.Label,'BinCounts',tbl1.Count);

Найдите неустойчивость класса путем оценки, если коэффициент изменчивости больше 1.

CVBefore = std(tbl1.Count)/mean(tbl1.Count)

CVBefore = 1.5746

Определите номер наблюдений путем нахождения медианы количества каждого класса и умножения его на количество классов.

numClasses = height(tbl1);
numObservations = mean(tbl1.Count)*numClasses;

Создайте большое изображение размера 500 500 пиксели.

bigImages = bigimage(zeros([500,500]));

Установите размер изображения каждого наблюдения.

blockSize = [50,50];

Установите уровни разрешения для больших объектов изображения.

levels = 1;

Сбалансируйте метки поля.

locationSet = balanceBoxLabels(boxLabels,bigImages,levels,blockSize,numObservations);

Balancing box labels for 1 images with [==================================================] 100%
[==================================================] 100%
Balancing box labels complete.

Считайте метки, которые содержатся в блоках изображений.

bldsBalanced = boxLabelDatastore(boxLabels,locationSet);
tbl2 = countEachLabel(bldsBalanced);

Проверяйте, сбалансированы ли метки поля. Сравните новые и исходные гистограммы количества метки. Если не сбалансированный, используйте различное значение в количестве блоков, numBlocks. Гистограммы показывают, что метки поля сбалансированы.

hold on;
h2 = histogram('Categories',tbl2.Label,'BinCounts',tbl2.Count);
title(h2.Parent,'Balanced Class Labels');

Проверяйте, меньше ли значение коэффициента изменчивости исходного значения.

CVAfter = std(tbl2.Count)/mean(tbl2.Count)

CVAfter = 0.3731