matlab绘制动物,使用BOF实现动物分类：matlab版本

1.训练集测试集划分(同上一篇)

2.代码部分

1)训练部分代码：training.m

%% 该函数是使用Bag of Features来提取test_images下图片的特征的，代码编写参考matlab官方文档

% 内部采用k-means训练，可能需要点时间

%% 1.获取图片以及相关的分类

currentPath = pwd; % 获得当前的工作目录

imds = imageDatastore(fullfile(pwd,‘train_images‘),...

‘IncludeSubfolders‘,true,...

‘LabelSource‘,‘foldernames‘); % 载入图片集合

tbl = countEachLabel(imds);

% 2.预处理：每一类的图片要一样多

minSetCount = min(tbl{:,2});

imds = splitEachLabel(imds, minSetCount, ‘randomize‘);

% 提示信息

disp(‘开始训练数据...‘);

%3. 划分测试集合和训练集合

[trainingSet, validationSet] = splitEachLabel(imds, 0.9, ‘randomize‘);

% 4.训练包

bag = bagOfFeatures(trainingSet);

categoryClassifier = trainImageCategoryClassifier(trainingSet, bag);

% 5.计算可能性

confMatrix = evaluate(categoryClassifier, trainingSet);

mean(diag(confMatrix));

save categoryClassifier

% 提示信息

disp(‘训练阶段结束！！！‘);

2)测试部分代码：classify.m

%% 该函数用来对图片进项分类 BOF + SVM

%% 1.读入待分类的图片集合

currentPath = pwd;

imdsTest = imageDatastore(fullfile(pwd,‘test_image‘));

%% 2.分类，预测并显示预测效果图

% 载入分类器

load categoryClassifier

numTest = length(imdsTest.Files);

% correctCount:正确图片张数

correctCount = 0;

fprintf(‘开始分类......\n‘);

for i = 1:numTest

testImage = readimage(imdsTest,i); % imdsTest.readimage(1)

[labelIdx, scores] = predict(categoryClassifier, testImage);

figure;imshow(imresize(testImage,[256,256]));

imgName = imdsTest.Files(i);

tt = regexp(imgName,‘\‘,‘split‘);

cellLength = cellfun(‘length‘,tt);

tt2 = char(tt{1}(1,cellLength));

% 统计正确率

if strfind(tt2,char(categoryClassifier.Labels(labelIdx)))==1

correctCount = correctCount+1;

end

fprintf(‘%s == %s\n‘,tt2,char(categoryClassifier.Labels(labelIdx)));

title([‘分类结果: ‘,tt2,‘--‘,char(categoryClassifier.Labels(labelIdx))]);

end

% 显示正确率

fprintf(‘分类结束，正确了为：%.1f%%\n‘,correctCount * 100.0 / numTest);

原文：http://www.cnblogs.com/xiangbin1207/p/6937010.html