使用特征袋进行图像分类
这个例子展示了如何使用特征袋方法进行图像类别分类。这种技巧也常被称为“词汇袋”。视觉图像分类是为被测图像分配类别标签的过程。类别可能包含代表任何事物的图像，例如狗、猫、火车、船。
加载图像数据集
解压缩用于本示例的图像集合。
解压缩(“MerchData.zip”）;
类加载图像集合imageDatastore帮助您管理数据。因为imageDatastore对图像文件位置进行操作，因此不会将所有图像加载到内存中，用于大型图像集合是安全的。
imds = imageDatastore(“MerchData”，“IncludeSubfolders”,真的,“LabelSource”，“foldernames”）;
你可以很容易地检查每个类别的图像数量以及类别标签，如下所示:
tbl = countEachLabel(imds)
台=5×2表标签计数_______________________ _____ MathWorks Cap 15 MathWorks Cube 15 MathWorks Playing Cards 15 MathWorks螺丝刀15 MathWorks Torch 15
注意，这些标签来自于用于构造ImageDatastore的目录名，但是可以通过手动设置ImageDatastore对象的labels属性进行自定义。接下来，显示一些图像以了解所使用的图像类型。
图蒙太奇(imds.Files (1:16)):
注意，为了使特征袋方法有效，对象的大部分必须在图像中可见。
准备训练和验证图像集
将数据集分为训练数据和验证数据。从每个集合中选择60%的图像作为训练数据，其余40%的图像作为验证数据。随机分割以避免结果的偏差。
[trainingSet, validationSet] = splitEachLabel(imds, 0.6，“随机”）;
上面的调用返回两个imageDatastore对象，用于训练和验证任务。
创建一个视觉词汇表和训练一个图像分类器
单词袋是一种适应于计算机视觉的自然语言处理技术。由于图像实际上不包含离散的单词，我们首先构造一个“词汇表”extractFeatures代表每个图像类别的特征。
这是通过对bagOfFeatures函数,该函数:
从所有图像类别的所有图像中提取SURF特征
利用K-means聚类对特征空间进行量化，减少特征数量，从而构建视觉词汇
bag = bagfeateatures (trainingSet);
创建Bag-Of-Features。------------------------- *图像类别1:MathWorks Cap *图像类别2:MathWorks Cube *图像类别3:MathWorks Playing Cards *图像类别4:MathWorks螺丝刀*图像类别5:MathWorks Torch *使用Grid方法选择特征点位置。*从选定的特征点位置提取SURF特征。** GridStep是[8 8]，BlockWidth是[32 64 96 128]。*从45张图像中提取特征…完成。提取了141120个特征。*保留每个类别中80%的最强功能。*创建500个单词的视觉词汇。*级别数:1 *分支因子:500 *聚类步骤数:1 *[步骤1/1]聚类词汇表级别1。*功能数量:112895 *集群数量:500 *初始化集群中心…100.00% * Clustering...completed 18/100 iterations (~1.05 seconds/iteration)...converged in 18 iterations. * Finished creating Bag-Of-Features
此外，bagfeatures对象提供了一个编码计算图像中可视单词出现次数的方法。它产生了一个直方图，成为一个新的和减少的图像表示。
Img = readimage(imds, 1);featureVector = encode(包，img);
使用Bag-Of-Features编码图像。-------------------------------------- * 编码图像做…。
绘制可视化单词出现的直方图图形栏(featureVector)“视觉单词出现”)包含(“视觉词汇索引”) ylabel (“发生频率”）
这个直方图形成了训练分类器和实际图像分类的基础。本质上，它将图像编码为特征向量。
来自每个类别的编码训练图像被馈送到分类器训练过程中调用trainImageCategoryClassifier函数。请注意，该函数依赖于统计和机器学习工具箱™中的多类线性SVM分类器。
categoryClassifier = trainImageCategoryClassifier(trainingSet, bag);
训练5个类别的图像分类器。-------------------------------------------------------- *类别1:MathWorks Cap *类别2:MathWorks Cube *类别3:MathWorks扑克牌*类别4:MathWorks螺丝刀*类别5:MathWorks Torch *编码功能45图像…完成。*完成分类器的训练。使用evaluate在测试集上测试分类器。
上面的函数利用编码输入方法袋对象中表示每个图像类别的特征向量trainingSet．
评估分类器性能
现在我们有了一个训练有素的分类器，categoryClassifier我们来计算一下。作为一个完整性检查，让我们首先用训练集测试它，它应该会产生接近完美的混淆矩阵，即对角线上的矩阵。
confMatrix = evaluate(categoryClassifier, trainingSet);
对5个类别的图像分类器进行评估。------------------------------------------------------- *类别1:MathWorks Cap *类别2:MathWorks Cube *类别3:MathWorks Playing Cards *类别4:MathWorks螺丝刀*类别5:MathWorks Torch *评估45个图像…完成。*完成所有测试集的评估。*此测试集的混淆矩阵为:预测已知| MathWorks帽MathWorks立方体MathWorks扑克牌MathWorks螺丝刀MathWorks火炬 ---------------------------------------------------------------------------------------------------------------------------------- MathWorks帽| MathWorks立方体| 1.00 0.00 0.00 0.00 0.00 0.00 - 0.89 0.00 0.00 0.11 MathWorks扑克牌| 0.00 0.00 1.00 0.00 0.00 MathWorks螺丝刀| MathWorks火炬| 0.00 0.00 0.00 1.00 0.00 0.00 - 0.00 0.00 0.00 1.00 *平均精度为0.98。
接下来，让我们计算validationSet上的分类器，该分类器在训练期间没有使用。默认情况下，评估函数返回混淆矩阵，这是一个很好的分类器执行情况的初始指示器。
confMatrix = evaluate(categoryClassifier, validationSet);
对5个类别的图像分类器进行评估。------------------------------------------------------- *类别1:MathWorks Cap *类别2:MathWorks Cube *类别3:MathWorks Playing Cards *类别4:MathWorks螺丝刀*类别5:MathWorks Torch *评估30个图像…完成。*完成所有测试集的评估。*此测试集的混淆矩阵为:预测已知| MathWorks帽MathWorks立方体MathWorks扑克牌MathWorks螺丝刀MathWorks火炬 ---------------------------------------------------------------------------------------------------------------------------------- MathWorks帽| MathWorks立方体| 1.00 0.00 0.00 0.00 0.00 0.00 - 0.67 0.17 0.17 0.00 MathWorks扑克牌| 0.00 0.00 1.00 0.00 0.00 MathWorks螺丝刀| MathWorks火炬| 0.00 0.00 0.00 1.00 0.00 0.17 - 0.00 0.00 0.00 0.83 *平均精度为0.90。
计算平均准确率意思是(诊断接头(confMatrix))
Ans = 0.9000
你可以调整bagOfFeatures超参数，并继续评估训练的分类器，直到您对结果满意为止。可以使用evaluate函数返回的其余参数导出其他统计信息。参见help forimageCategoryClassifier /评估．
在测试图像上尝试新训练的分类器
现在可以应用新训练的分类器对新图像进行分类。
Img = imread(fullfile(“MerchData”，“MathWorks帽”，“Hat_0.jpg”));图imshow (img)
[labelIdx, scores] = predict(categoryClassifier, img);
使用Bag-Of-Features编码图像。-------------------------------------- * 编码图像做…。
显示字符串标签categoryClassifier.Labels (labelIdx)
ans =1x1单元阵列{' MathWorks帽'}
您也可以从以下列表中选择一个网站:
