SVM + HOG实现图像分类

数据集组成

• test_image 测试数据
  
• train_image 训练数据
  包含 5 个类别，分别为飞机、蝴蝶、相机、剪刀和太阳花
  
  

SVM 和 HOG 特征实现图像分类

%% 目标：用 HOG 特征对图像进行多分类，svm训练
%% 构建数据集（训练和测试）
imdsTrain = imageDatastore('H:\DataSet\ausr\svm_images\train_images',...  
    'IncludeSubfolders',true,...  
    'LabelSource','foldernames');  
imdsTest = imageDatastore('H:\DataSet\ausr\svm_images\test_image');  

%% 显示训练集图片的标签 Labels 和数量 Count
Train_disp = countEachLabel(imdsTrain);
disp(Train_disp);
  
%% 对训练集中的每张图像进行 HOG 特征提取，测试图像一样  
%% 预处理图像,主要是得到 features 特征大小，此大小与图像大小和 Hog 特征参数相关
imageSize = [256,256];  % 对图像进行此尺寸的缩放
image1 = readimage(imdsTrain,1); % 先拿一张图片看看HOG特征
scaleImage = imresize(image1,imageSize);  % 缩放该图片
%% 显示提取了 HOG 特征的该图片
[features, visualization] = extractHOGFeatures(scaleImage);  
imshow(scaleImage);
hold on; 
plot(visualization)  
  
% 对所有训练图像进行特征提取  
numImages = length(imdsTrain.Files);  % 得到训练集文件的图片个数
% 创建存储各图像特征的矩阵，featuresTrain为单精度  
featuresTrain = zeros(numImages,size(features,2),'single'); 
% 对训练集中的每个图像进行处理
for i = 1:numImages 
	% 读取图片
    imageTrain = readimage(imdsTrain,i);  
    % 对图片进行缩放
    imageTrain = imresize(imageTrain,imageSize);  
    % 提取HOG特征，存储在矩阵的每一行
    featuresTrain(i,:) = extractHOGFeatures(imageTrain);  
end  
  
%% 取出所有训练图像的标签
trainLabels = imdsTrain.Labels;  
  
%% 开始 SVM 多分类训练，fitcsvm用于二分类，fitcecoc用于多分类
classifer = fitcecoc(featuresTrain,trainLabels);  
  
%% 对测试数据进行分类并显示分类结果图  
numTest = length(imdsTest.Files); % 获取测试集图片数量
%% 对每张测试图片进行预测
for i = 1:numTest  
	% 读取测试图片
    testImage = readimage(imdsTest,i);  
    % 缩放测试图片大小
    scaleTestImage = imresize(testImage,imageSize);  
    % 提取特征
    featureTest = extractHOGFeatures(scaleTestImage); 
    % 预测 
    [predictIndex,score] = predict(classifer,featureTest); 
     
    figure;
    imshow(testImage);  
    title(['predictImage: ',char(predictIndex)]);  
end  

训练集标签和数量的统计结果：

>> disp(Train_disp);
      Label      Count
    _________    _____

    airplanes     48  
    butterfly     48  
    camera        53  
    scissors      36  
    sunflower     46  

提取到的 HOG 特征

初步了解特征的选区是否合适，不适合可以调节 extractHOGFeatures 里的参数，比如 cellsize，blocksize，bins等。
参考：extractHOGFeature

测试数据分类结果

只列出几项最终的分类结果：