第1步：设置图像类别集

整理和图像分割成训练和测试的子集。使用imageDatastore功能存储图像用于训练的图像分类。组织图像进行分类处理，使大集图像容易得多。您可以使用splitEachLabel功能将图像分割为训练和测试数据。

阅读类别的图像和创建图像集。

setDir =完整文件（toolboxdir（ '视力'）， 'visiondata'， 'imageSets'）;IMDS = imageDatastore（setDir， 'IncludeSubfolders'，真， 'LABELSOURCE'，... 'foldernames'）;

分隔成集训练和测试图像的子集。在这个例子中，图像的30％的被划分为训练和测试剩余部分。

[trainingSet，测试集] = splitEachLabel（IMDS，0.3， '随机化'）;

第2步：创建特色袋

创建视觉词汇，或特征的袋，通过从每个类别的代表性图像中提取特征描述符。

该bagOfFeatures对象定义的特征，或视觉的话，通过使用k均值聚类从提取的特征描述符（统计和机器学习工具箱）算法trainingSets。该算法迭代组描述成ķ互斥集群。将得到的簇紧凑，并通过类似的特征分隔开。每个群集中心表示的特征，或视觉词。

您可以提取基于特征检测的功能，也可以定义一个网格，提取特征描述符。网格方法可能会失去细粒度的尺度信息。因此，使用不包含显着特征，图像网格例如含图像的风景，就像海滩。使用加速稳健特征（SURF或）检测器提供了更大的尺度不变性。默认情况下，该算法运行'格'方法。

该算法的工作流程的全部分析图像。图片必须说明他们所代表的阶级适当的标签。例如，一组汽车的图像可以被标记的汽车。工作流不依赖于空间信息，也没有对标记的图像中的特定对象。袋的视觉词该技术依赖于检测而无需定位。

步骤3：培养的图像分类随着袋的视觉词的

该trainImageCategoryClassifier函数返回一个图像分类。该函数使用列车具有二进制支持向量机（SVM）分类器的纠错输出编码（ECOC）框架多类分类器。万博1manbetx该trainImageCategoryClassfier功能使用的由返回的视觉词袋bagOfFeatures目的是在图像组成的视觉词直方图编码图像。的视觉词直方图然后被用作阳性和阴性样品来训练分类器。

步骤4：分类的图像或图像集

使用imageCategoryClassifier预测新的图像上的方法来确定其类别。