图像分类svm算法思想,基于svm的图像分类

　　【图像分类】基于HOG特征结合SVM的图像分类识别，带matlab代码_ MATLAB仿真技术博客_博客

　　1内容介绍为了满足人工智能在目标识别方法上的应用需求，需要具备对海量数据进行智能分类、识别和解释的能力。进一步挖掘目标特征数据库的数据，将基于HOG SVM的目标识别算法应用到红外目标识别过程中。选取汽车、直升机、飞机、舰船、无人机等采集目标。结合HOG算子和SVM分类方法，实现目标检测和分类算法，从而实现智能目标分类的研究，为进一步分析目标特性和导引头智能算法设计提供支持。

　　2部分代码%%使用hog特征对图像进行多分类，svm训练，一对一

　　%% 1数据集，包括训练和测试(注意你的图像存储路径，我会在附录中给你一个样本下载图像链接)

　　IMD strain=image datastore( train _ images ，

　　包含子文件夹，真，

　　LabelSource ， foldernames )；

　　IMD test=image datastore( test _ image )；

　　%%显示训练图片类型标签和数量计数。

　　train _ disp=countEachLabel(IMD strain)；

　　disp(Train _ disp)；

　　%% 2对训练集中的每一幅图像进行hog特征提取，测试图像相同。

　　%对图像进行预处理，主要是获取特征的特征尺寸，这与图像尺寸和Hog特征参数有关。

　　imageSize=[256，256]；%按此尺寸缩放所有图像。

　　image1=readimage(imdsTrain，1)；

　　scaleImage=imresize(image1，imageSize)；

　　[features，visualization]=extracthogffeatures(scale image)；

　　im show(scale image)；坚持住；绘图(可视化)

　　%对所有训练图像执行特征提取。

　　numImages=length(imdsTrain。文件)；

　　feature strain=zeros(numi images，size(features，2)， single )；% featuresTrain是单精度。

　　对于I=1:numi images

　　imageTrain=readimage(imdsTrain，I)；

　　imageTrain=imresize(imageTrain，imageSize)；

　　featuresTrain(i，)=extracthogfeafeatures(image train)；

　　目标

　　%所有训练图像标签

　　trainLabels=imdsTrain。标签；

　　%开始svm多分类训练。注：fitcsvm用于二分类，fitcecoc用于多分类，1 VS 1方法。

　　classifer=fitcecoc(feature strain，train labels)；

　　%%预测并显示预测效果图。

　　numTest=length(IMD test。文件)；

　　对于i=1:numTest

　　testImage=readimage(IMD test，I)；

　　scaleTestImage=im resize(testImage，imageSize)；

　　feature test=extracthogfeafeatures(scaleTestImage)；

　　[predictIndex，score]=predict(classifer，feature test)；

　　图；im show(testImage)；

　　Title([预测图像：，char(predict index)])；

　　目标

　　3运行结果

　　4参考文献[1]蒋经纬，程传瑞。基于HOG SVM的图像分类系统的设计与实现[J].漯河职业技术学院学报，2017，16(2):4。

　　[2]宋，周泽亚，等.基于HOG特征和SVM分类器的智能红外图像检测与分类方法[J].红外线，2022(043-004)。

　　有些理论引用自网络文献。如有侵权，联系博主删除。

　　原创作品来自matlab研究助手，

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。