主要内容

评估

评价图像分类器对图像集的收集

折叠所有页面

语法

confMat =评估(categoryClassifier imd)
[confMat knownLabelIdx predictedLabelIdx,分数]=评估(categoryClassifier imd)

描述

例子

confMat=评估(categoryClassifier，洛桑国际管理发展学院）返回一个标准化的混淆矩阵，confMat．

［confMat，knownLabelIdx，预测Labelidx，分数) =评估(categoryClassifier，洛桑国际管理发展学院）另外，返回相应的标签索引和分数。

例子

全部折叠

这个示例使用:

打开实时脚本

加载两个图像类别。

setDir = fullfile (toolboxdir (“愿景”)，“visiondata”，“imageSets”）;imd = imageDatastore (setDir,“包含子文件夹”,真的,“标签源”，.．．“foldernames”）;

将数据集分割为训练数据和测试数据。从每组图像中选取30%作为训练数据，其余70%作为测试数据。

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

创建一袋视觉文字。

袋= bagOfFeatures (trainingSet);
创建特征包。------------------------------------*图像类别1：书籍*图像类别2：杯子*使用网格方法选择特征点位置。*从所选特征点位置提取冲浪特征。**网格步长为[8 8]，块宽度为[32 64 96 128]*从4幅图像中提取特征…完成。提取76800个特征。*保留每个类别中80%的最强特征。*创建500字的视觉词汇。*级别数：1*分支因子：500*聚类步骤数：1*[步骤1/1]群集词汇表级别1。*功能数量：61440*群集数量：500*初始化群集中心…100.00%.*群集…完成了25/100次迭代（~0.80秒/次）…在25次迭代中聚合。*完成了功能包的创建

用训练集训练分类器。

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。

使用测试图像评估分类器。显示混淆矩阵。

confMatrix =评估(categoryClassifier testSet)
评估图像类别分类器为2类。------------------------------------------------------- * 类别1:书*类别2:评估8杯*图片……。*完成所有测试集的评估。*此测试集的混淆矩阵为:PREDICTED KNOWN | books cups -------------------------- books | 0.75 0.25 cups | 0.25 0.75 * Average Accuracy is 0.75。
confMatrix =2×20.7500 0.2500 0.2500 0.7500

找出分类的平均准确度。

意思是(诊断接头(confMatrix))
ans = 0.7500

应用新训练的分类器对新图像进行分类。

img = imread (fullfile (setDir“杯子”，“bigMug.jpg”)); [labelIdx，得分]=预测（类别分类，img）；
使用功能包对图像进行编码。-----------------------------------------*对图像进行编码…完成。

显示分类标签。

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

输入参数

全部折叠

图像，在ImageDatastore对象

图像类别分类器，指定为imageCategoryClassifier对象

输出参数

全部折叠

混淆矩阵，作为矩阵返回。行索引对应已知标签，列对应预测标签。

图像集的标签索引，作为米-by-1矢量米图片。图片knownLabelIdx输出值对应于用于训练特征包的图像集的索引。

预测的标签索引，返回为米-by-1矢量米图片。图片预测Labelidx输出值对应于用于训练特征袋的图像集的索引。预测索引对应于图像中具有最大值的类别分数输出。

预测得分，指定为米——- - - - - -N矩阵。N表示类的数量。米中图像的数量图像集输入对象，imgSet。该分数提供每个类别的否定平均二进制损失。每个类别都是使用纠错输出码（ECOC）方法的支持向量机（SVM）多类别分类器。金宝app

另请参阅

|

R2014b中引入

计算机视觉工具箱文档

金宝app

用MATLAB引入深度学习

用MATLAB引入深度学习

下载电子书