主要内容

imageCategoryClassifier

预测图像类别

扩展所有的页面

描述

的imageCategoryClassifier对象包含了一个线性支持向量机(SVM)分类器训练来金宝app识别图像的类别。

你必须有一个统计和机器学习工具箱™许可使用这个分类器。这个分类器使用多个MATLAB支金宝app持并行计算®工人。支持并行计算使用计算机视觉工具箱的偏好对话框。打开计算机视觉工具箱™偏好,在家选项卡,环境部分中,点击首选项。选择计算机视觉系统工具箱。

创建

使用trainImageCategoryClassifier函数创建imageCategoryClassifier对象。

袋= bagOfFeatures (trainingSet);categoryClassifier = trainImageCategoryClassifier (trainingSet、袋);

属性

全部展开

分类标签,指定为一个单元阵列。

培训类别,存储为一个整数值。

对象的功能

评估 评价图像分类器集合的图像集
预测 预测图像类别

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。

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

将数据集分为训练和测试数据。选择图像从每组训练数据的30%,其余70%的测试数据。

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

创建包的视觉单词。

袋= bagOfFeatures (trainingSet);
创建Bag-Of-Features。- - - - - - - - - - - - - - - - - - - - - - - - - *图像类别1:书*图像类别2:杯*使用网格方法选择特征点的位置。*从所选特征点提取冲浪功能位置。* * GridStep [8], BlockWidth (32 64 96 128)。*从4图像中提取特征……做的。提取76800特性。*保持最强的功能从每个类别的80%。*创建一个500字的视觉词汇。*层数:1 *分支系数:500 *的聚类步骤:1 *[1/1]步聚类词汇一级。*的特点:61440 *集群数量:500 *初始化聚类中心…100.00%。 * Clustering...completed 47/100 iterations (~0.87 seconds/iteration)...converged in 47 iterations. * Finished creating Bag-Of-Features

训练分类器的训练集。

categoryClassifier = trainImageCategoryClassifier (trainingSet、袋);
训练一个图像类别分类器两类。- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *类别1:书*类别2:杯* 4图片…完成编码功能。*完成培训类别分类器。使用评估测试测试集上的分类器。

评估分类器使用测试图像。显示混合矩阵。

confMatrix =评估(categoryClassifier testSet)
评价图像类别分类器两类。- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *类别1:书*类别2:评估8杯*图片……。*完成评估的所有测试集。*的混淆矩阵测试集是:预测已知|书杯- - - - - - - - - - - - - - - - - - - - - - - - - - - -书| | 0.25 - 0.75 * 0.75 - 0.25杯的平均精度为0.75。
confMatrix =2×20.7500 0.2500 0.2500 0.7500

发现平均分类精度。

意思是(诊断接头(confMatrix))
ans = 0.7500

应用新训练的分类器进行分类的新图像。

img = imread (fullfile (setDir“杯子”,“bigMug.jpg”));[labelIdx,分数]=预测(categoryClassifier, img);
使用Bag-Of-Features编码图像。- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - *编码图像做…。

显示分类标签。

categoryClassifier.Labels (labelIdx)
ans =1 x1单元阵列{“杯”}

引用

[1]Csurka G。,C. R. Dance, L. Fan, J. Willamowski, and C. Bray视觉分类袋要点在计算机视觉,车间在统计学习,大会1(22页),1 - 2。

扩展功能

版本历史

介绍了R2014b

另请参阅

|||(统计和机器学习的工具箱)

主题