matlab使用纹理特征（HOG+LBP）+svm（libsvm）对图片进行多分类

我的数据集不公开，分类代码就是这四个.m文件，具体使用说明可以看后文中的README

写在前面的碎碎念(可跳过)

想来想去还是把祖传代码给改了，目前只是调通了代码，但是分类accuracy只有80%左右，效果差了10%，但是本着做了工作就记录一下，不然就白做了的思想，可能后期还得学习一下svm的理论知识，把svm的参数调整一下，没准会更好。不过好像工作量挺大的样子，看来我又偷懒了。

下面这些和标题没啥关系，可以跳过,祖传代码是一份传奇的代码，我还没来的时候就有了，应该是参考以下这些博客的，感谢博主GoodboyBin，参考博客：https://www.cnblogs.com/xiangbin1207/p/6936993.html（这是一系列的博客，这个连接只是第一篇，总的内容包括了数据集怎么放置，然后还有代码，包括了hog和lbp特征，这是两种常见的纹理特征，理论知识网上特别多，LBP挺好懂的,HOG特征倒是卡了我很久，关于hog特征，有兴趣的可以看这个博客，写的超级无敌好https://blog.csdn.net/coming_is_winter/article/details/72850511，英语好可以看开山之作的原文：http://www.micc.unifi.it/delbimbo/wp-content/uploads/2011/03/reference_papers/Dalal.pdf）

关于祖传代码，因为是以前学长学姐们给我的，不是我自己的东西，我就不贴代码了，把那个参考博客多看几遍应该就会了，尤其是这篇：https://www.cnblogs.com/xiangbin1207/p/6937017.html，祖传代码里面的东西我自己就加了2个地方，关于特征提取的调整参数的，我把改动贴一下，其实就是很基本的调参，这些参数基本上见名知意，多看几篇论文和博客就会知道的，更为详细的内容可以在matlab的命令行里面输入 help extractHOGFeatures 和help extractLBPFeatures。

featuresTest2 = extractHOGFeatures(imageTrain,'CellSize',[4,4]);%原博客中只能调CellSize这个参数，
featureTest2 = extractHOGFeatures(scaleTestImage,'CellSize',[32 32],'BlockSize',[3 3],'NumBins',9);%我改进后的还能调BlockSize,和Numbins，嗯这些都是matlab自带的，只是你没写也是存在的就用了默认的参数而已，自己可调整
 
 lbpFeatures = extractLBPFeatures(I,'CellSize',[16 16],'Normalization','None');%原博客没有使用归一化，也没有调整Upright的参数
 featuresTest1= extractLBPFeatures(imageTrain,'CellSize',[32 32],'Normalization','L2','Upright',true);

然后又在后面加了一个绘制混淆矩阵的功能，代码还是学长学姐找的，来源于GitHub和何凌霄，之前有整理过了，在这里https://blog.csdn.net/qigeyonghuming_1/article/details/97934871

正题

libsvm分类部分

model=svmtrain(double_trainLabels,featuresTrain,'-c 2 -g 1');%参数还暂时不懂什么意义，后期要加强学习
[predict_label,accuracy]=svmpredict(double_testLabels,featuresTest,model);
predict_label=predict_label';%绘制混淆矩阵需要该变量是行向量

上面的代码是下文libsvm_hog_lbp.m的部分节选，matlab使用纹理特征（HOG+LBP）+libsvm对图片进行多分类，libsvm分类需要四个变量，就是代码里面的double_trainLabels（代表训练集的标签）、featuresTrain（代表训练集提取到的特征——即LBP+HOG特征）、double_testLabels（代表测试集的标签）、feturesTest（代表测试集提取到的特征——即LBP+HOG特征）注意，这四个变量都必须是double类型（双精度），否则代码会报错的。
predict_label是一个m2X1的列向量，绘制混淆矩阵的参数需要是行向量，所以我们将他进行转置。

划分数据集

%% 划分数据集
pwd='E:\libsvm-hog_svm\libsvm_更新的数据集8bitROI';
currentPath = pwd;  % 获得当前的工作目录
 
imdsImage = imageDatastore(fullfile(pwd,'organ'),'IncludeSubfolders',true,'LabelSource','foldernames');   % 载入所有图片集合
 numImages = length(imdsImage.Files); %图片总的张数
 [imdsTrain,imdsTest] = splitEachLabel(imdsImage, 0.8,'randomized');%每个类都按比例随机拆分数据集，训练集和测试集80：20，

上面的代码是下文libsvm_hog_lbp.m的部分节选，祖传代码分两个文件夹分别存放训练集和测试集，而本代码则是使用一个文件夹存放所有数据集，文件夹内有若干个子文件夹，文件夹名是各个类的类别名，然后使用splitEachLabel随机将整个数据集拆分为训练集和测试集，且数目比例大致为训练集80%，测试集20%，请参考 https://ww2.mathworks.cn/help/matlab/ref/matlab.io.datastore.imagedatastore.spliteachlabel.html
以及 https://blog.csdn.net/wanzi1122/article/details/80491937?utm_medium=distribute.pc_relevant.none-task-blog-title-3&spm=1001.2101.3001.4242

完整代码 ：libsvm_hog_lbp.m

clear all;                 
clc;
tic
%% 划分数据集
pwd='E:\libsvm-hog_svm\libsvm_更新的数据集8bitROI';
currentPath = pwd;  % 获得当前的工作目录
 
imdsImage = imageDatastore(fullfile(pwd,'dataset'),'IncludeSubfolders',true,'LabelSource','foldernames');   % 载入所有图片集合
 numImages = length(imdsImage.Files); %图片总的张数
 [imdsTrain,imdsTest] = splitEachLabel(imdsImage, 0.8,'randomized');%每个类都按比例随机拆分数据集，训练集和测试集80：20，
 %% 提取训练集的特征和训练集样本标签
 % 这一步我原先以为是没有用的，因为它只是I，只是一张但是后来发现，他只是要得到lbp的特征列数，也就是最后一句，这么做的目的是为了初始化特征矩阵
imageSize = [200 200];% 对所有图像进行此尺寸的缩放   参数1：图片大小
% 
 I = readimage(imdsTrain,1);
 scaleImage = imresize(I,imageSize); 
 m =size(scaleImage,3);%如果是彩色图片转成灰度图片，灰度图片则不处理
    if m>1
        scaleImage=rgb2gray(scaleImage);
    end    
    
%lbp的参数是以下三个，直接在这改，就不用在函数里一个一个的改动了
lbp_CellSize=32;
Normalization='L2';%参数有'None','L2'
Upright=true;%参数有true,false 

%hog的参数是以下三个，
hog_CellSize=32;
hog_BlockSize=3;
NumBins=9;

%构造和初始化两种特征向量矩阵
numTrainImages = length(imdsTrain.Files);  %训练集样本数
numTestImages = length(imdsTest.Files)