主要内容

预测

预测图像类别

折叠所有页面

语法

[labelidx，得分] =预测（类别Classifier，i）
[labelIdx,分数]=预测(categoryClassifier imd)
[labelIdx,分数]=预测(＿＿＿“详细”,真的)

描述

例子

［labelIdx，分数] =预测（categoryClassifier，我）返回输入图像的预测标签索引和得分。

预测金宝app支持并行计算使用多个MATLAB®工人。使用。启用并行计算计算机视觉工具箱首选项对话框。要打开计算机视觉工具箱™首选项，请在首页选项卡,环境部分中,点击首选项．选择“计算机视觉”工具箱。

［labelIdx，分数] =预测（categoryClassifier，洛桑国际管理发展学院）中指定的图像的预测标签索引和评分洛桑国际管理发展学院．

［labelIdx，分数] =预测（＿＿＿，“详细”,真正的)还可以在屏幕上显示进度。设置为假关闭它。

例子

全部折叠

这个示例使用:

打开生活的脚本

加载两个图像类别集。

setDir = fullfile (toolboxdir (“愿景”)，“visiondata”，“imageSets”）;imd = imageDatastore (setDir,“IncludeSubfolders”,真的,“LabelSource”，．..“foldernames”）;

将两组分成培训和测试数据。从每个集合中挑选30％的图像，为训练数据和测试数据的剩余70％。

[trainingSet, testSet] = splitEachLabel (imd, 0.3,“随机”）;

创建一袋视觉单词。

袋= bagOfFeatures (trainingSet);
创建袋子功能。------------------------ *图像类别1：书籍*图片类别2：杯子*使用网格方法选择要点位置。*从所选功能点位置提取冲浪功能。** GridStep是[8 8]，BlockWidth是[32 64 96 128]。*从4张图像中提取功能......完成。提取了76800个功能。*保留每个类别的最强功能的80％。*创建500字视觉词汇表。*级别数：1 *分支因子：500 *聚类步骤数：1 * [步骤1/1]聚类词汇级别1. *特征数：61440 *群集数：500 *初始化集群中心... 100.00％。*聚类...完成25/100迭代（〜0.66秒/迭代）...收敛于25次迭代。 * Finished creating Bag-Of-Features

训练一个分类器。

categoryClassifier = trainImageCategoryClassifier (trainingSet、袋);
训练一个图像分类器用于2个类别。-------------------------------------------------------- * 类别1:书*类别2:杯* 4图片…完成编码功能。*完成分类器的训练。使用evaluate在测试集中测试分类器。

为测试集中的图像之一预测类别标签。

img = readimage (testSet, 1);[labelIdx, score] = predict(分类器，img);
使用特性袋进行编码图像。-------------------------------- *编码图像......完成。
categoryClassifier.Labels (labelIdx)
ans =1 x1单元阵列{'书'}

输入参数

全部折叠

输入图像，指定为米——- - - - - -N- × 3的真彩色图像或米——- - - - - -N二维灰度图像。

图像分类器，指定为imageCategoryClassifier目的。

图像，指定为一个ImageDatastore目的。

输出参数

全部折叠

预测的标签索引，返回为米1的向量为米图像或单个图像的标量值。的labelIdx输出值对应于用于培训特征袋的图像集的索引。预测索引对应于eCOC SVM分类器的平均二进制损耗最低的类。

预测得分，指定为1-by-N矢量或an米——- - - - - -N矩阵。N表示类的数量。米中图像的数量镜头集输入对象,imgSet．该分数每课提供否定平均二进制损耗。每个类都是一个支持向量机（SVM金宝app）多包类分类器，它使用纠错输出代码（ECOC）方法。

扩展功能

另请参阅

|

在R2014B中介绍

计算机视觉工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书