SVM手写数字识别

实验环境

(1) Windows7，MatlabR 2016b；
(2) LIBSVM工具箱；

遇到的问题及解决方法：
起初安装的MATLABr2014b，配置libsvm工具包的过程中，遇到make不成功等问题，后来在网上看了各种帖子后，把Matlab2014换成matlab2016，最后成功解决了问题，当然期间安装了编译器，尝试了很多种办法，最后才成功使用libsvm工具包。

案例背景

数据集获取：《Matlab神经网络43个案例分析》，MATLAB技术论坛网址为http://www.matlabsky.com/

图像预处理

训练样本的部分截图
对图像标准化处理的子函数pic_preprocess代码如下所示。

%% sub function of pre-processing pic
function pic_preprocess = pic_preprocess(pic)
% 图片预处理子函数
% 图像反色处理
pic = 255-pic;
%设定阈值，将反色图像转成二值图像
pic = im2bw(pic,0.4) ;
%查找数字上所有像素点的行标y和列标x
[y,x] = find(pic == 1);
%截取包含完整数字的最小区域
pic_preprocess = pic (min(y):max(y),min(x):max(x));
%将截取的包含完整数字的最小区域图像转成16*16的标准化图像
pic_preprocess = imresize(pic_preprocess, [16, 16]);

导入训练样本

%%载入训练数据，利用uigetfile函数交互式选取训练样本
 [FileName,PathName,FilterIndex]=uigetfile(...
    {'*.png';'*bpm'},'请导入训练图片','*.png','MultiSelect','on');
if ~FilterIndex %如果用户取消，则返回上一步
    return;
end
num_train=length(FileName);%filename是一个字符串数组
TrainData=zeros(num_train,16*16);
TrainLabel=zeros(num_train,1);
for k=1:num_train
    pic=imread([PathName,FileName{k}]);%逐个读图
    pic=pic_preprocess(pic); %将一幅图转为16*16个二进制数
    TrainData(k,:)=double(pic(:)');%单引号是将pic转一维数组，存放在第K行
    TrainLabel(k)=str2double(FileName{k}(6));%文件名中第4个字符是该图片的数字
end

建立SVM模型

% 创建/训练SVM模型
model = svmtrain(TrainLabel,TrainData);
[predict_label_1,accuracy_1] = svmpredict(TrainLabel,TrainData,model);

对测试样本进行与训练样本同样的图像预处理

%%载入测试样本
[FileName,PathName,FilterIndex]=uigetfile(...
    {'*.png';'*bpm'},'请导入测试图片','*.bmp','MultiSelect','on');
if ~FilterIndex %如果用户取消，则返回上一步
    return;
end
num_train=length(FileName);%filename是一个字符串数组
TrainData=zeros(num_train,16*16);
TrainLabel=zeros(num_train,1);
for k=1:num_train
    pic=imread([PathName,FileName{k}]);%逐个读图
    pic=pic_preprocess(pic); %将一幅图转为16*16个二进制数
    TrainData(k,:)=double(pic(:)');%单引号是将pic转一维数组，存放在第K行
    TrainLabel(k)=str2double((FileName{k}(6))-1);%文件名中第4个字符是图片的数字
end

对测试样本进行识别

%%对测试样本进行分类
preTestLabel=svmpredict(TestLabel,TestData,Model);
TestLabel'
PreTestLabel'

测试样本的实际分类与预测分类对比效果图

%% 绘图
figure
plot(1:length(TestLabel),TestLabel,'r-*')
hold on
plot(1:length(TestLabel),predict_label_2,'b:o')
grid on
legend('真实类别','预测类别')
xlabel('测试集样本编号')
ylabel('类别标签')
string = {'测试集的实际分类和预测分类对比图';
          ['accuracy = ' num2str(accuracy_2(1)) '%']};
title(string)