如何使用GIST+LIBLINEAR分类器提取CIFAR-10 dataset数据集中图像特征，并用测试数据进行实验

上学期开了多媒体的课程，把其中一个课程设计实现的过程与大家分享。

 

转载请注明出处，谢谢。

最近整理文件的时候，发现了我以前写的文档和源码，附上github的下载地址

https://github.com/bigfishman/Gist-LIBLINEAR-CIFAR-10   

喜欢的朋友可以fork

这个课程设计是为了实现图像分类的整个过程，通过完成整个的工作过程，更好的理解图像分类这一概念，提高自己的理论与实践结合的能力。整个项目分为四大步：导入数据、特征提取部分、分类器训练部分、标签预测部分。根据课程，我们选择的数据集为CIFAR-10，特征提取采用的是GIST特征提取方法，分类方法我们使用的是LIBLINEAR中自带的Train和Predict程序。到最后得出结果，进行结果分析。

工具及设计方案详细介绍

CIFAR-10 dataset

CIFAR-10数据集包括60000个32x32彩色图像，分布在在10类,每个类有6000幅图像。这60000幅图片中分别包括50000幅训练图像和10000幅测试图像。　　

数据集被分成了五个训练文件和一个测试文件，每一个文件都有10000张图片。测试文件中随机的包含了每个类的1000幅图片，但是每个训练批次中的图像是随机的，其中包含的图像并不是固定一样的。所以一些培训批次可能某一个类包含更多的图像。而五个训练文件，每个类的总数为5000个，这样就保证了样本的概率平衡。

还需要注意的是，从CIFAR-10中加载的内容中的data数据是整数，需要我们转换成图片，在网站上面我们可以看到也给出了相应的解释。每一个文件中有一个10000x3072N数组。数组的每一行存储一个32x32的彩色图像。前1024项代表的红色，中间1024个代表的是绿色，和最后1024代表的是蓝色。图像存储是按行主序，使数组的前32项是图像的第一排红色通道值。

GIST特征提取

根据项目提供的网站，我们可以大致知道，GIST特征提取是提出一个识别现实世界的计算模型，这个模型绕过个别对象或区域的分割和处理。用一个五维的感知维度来代表一个场景的主要内容，包括自然性、开放性、粗糙度、扩张性和坚固性。这些维度能够可靠的估计使用的光谱和粗定位信息，虽有可用这些维度来代表一个场景图片。

LIBLINEAR分类器

LIBLINEAR是一个用于大规模数据分类的线性分类器，支持逻辑回归和向量机。同时，LIBLINEAR还为开发者提供了好用的命令行和库接口。不管是开发者还是深层次的使用者，LIBLINEAR都有对应的文档供其查阅。实验证明，LIBLINEAR对于大规模数据分析十分有效。

从上面的数据集我们可以知道，数据的数量为60000，而相应的类却仅仅为10，数据数量远远大于数据类别。所以我们使用LIBLINEAR分类器，

具体设计方案

从相应网站下载相应软件。这里CIFAR-10我们下载MATLAB版，解压数据得到训练和测试数据，可以在MATLAB中用LOAD加载，只是现在的数据是整数类型，我们需要将其转换成图片，然后对转换后的图片进行特征提取，将相应的结果保存下来，保存的格式非常重要，我们可以将从LIBLINEAR中下载的数据中的heart-scale打开，记住相应的格式为：labelID：feartures。重复将所有的图片都做一遍，然后将所有的结果保存到一个特定的地方（Feartures.txt），就相当于特征已经提取出来，接下来要做的只是运用LIBLINEAR分类器将所得的特征进行分类（Train），然后用相应的数据进行测试然后进行标签预测（Predict）。从而完成整个图片分类过程。

实践操作

导入数据

实践部分我们根据上面的具体设计来进行

图一：下载的CIFAR-10数据集包