Matlab圖像識別/檢索系列(2)—10行代碼完成分類、識別

在Matlab2016/2017中進行圖像分類變得非常容易，下面是幾個例子。

1. exam1：統計學習工具箱內置SVM函數

    %exam1.m
    load fisheriris
    xdata = meas(51:end,3:4);
    group = species(51:end);
    figure;
    svmStruct = svmtrain(xdata,group,'ShowPlot',true);
    Xnew = [5 2; 4 1.5];
    species = svmclassify(svmStruct,Xnew,'ShowPlot',true);
    hold on;
    plot(Xnew(:,1),Xnew(:,2),'ro','MarkerSize',12);
    hold off

該示例使用Matlab內置的SVM函數進行分類，

    SVMStruct = svmtrain(Training,Group,Name,Value)

Training和Group表示訓練數據和類別標籤，每行表示一個樣本，行數應相同。得出SVM模型後，用它進行分類。

    Group = svmclassify(SVMStruct,Sample)

Sample表示測試數據，每一列表示一個樣本。結果返回測試樣本所屬類別。

1. exam2：利用圖像BOW進行識別

   %exam2.m
    setDir  = fullfile(toolboxdir('vision'),'visiondata','imageSets');
    imgSets = imageSet(setDir, 'recursive');
    %將30%的數據用作訓練集，其餘的用作測試集
    [trainingSets, testSets] = partition(imgSets, 0.3, 'randomize');
    bag = bagOfFeatures(trainingSets);
    %訓練得出圖像類別分類器
    categoryClassifier = trainImageCategoryClassifier(trainingSets, bag);
    %預測測試集中第一幅圖像的類別
    [labelIdx, score] = predict(categoryClassifier, testSets(1));   

   該示例直接使用Computer Vision工具箱的函數

   classifier = trainImageCategoryClassifier(imds,bag,Name,Value)

   輸入參數的imds由partition對imageSets分割得來，返回值是imageCategoryClassifier類型的類，predict函數用它對測試圖像進行預測，完成圖像識別功能。