基于libsvm的gist和phog特征的图像分类研究(2)

标签设置，用svmtrain()函数完成对训练集图像的训练过程，同样提取测试集图像的phog特征并对不同类别的图像进行标签设置，用svmpredict函数完成对测试集图像的测试，从而完成分类过程，得到分类准确率。 3.2.2 框图设计

开始 . 读入训练图像 提取phog图像特征

设置训练图像标签 对训练集图像进行训练 读入测试图像 提取测试图像的phog图像特征 设置测试图像的标签 对读入的测试图像进行测试 得到准确率 结束

4. 代码及相关注释

本文主要采用梅兰竹菊和松竹梅两组图像，其图像大小均为60*60像素，且每一类的训练集均为10个图片，每一类的测试集均为30个图片。 梅兰竹菊组的训练图像如下：

梅兰竹菊组的测试图像如下：

松竹梅组的训练图像如下：

松竹梅组的测试图像如下：

4.1 基于libsvm的gist特征提取分类仿真结果

4.1.1 代码及注释 梅兰竹菊训练样本代码：

clc clear all close all tic;

%读入训练图像；

A=dir('D:\\梅兰竹菊gist\\train\\*.jpg'); C=[];

for k=1:size(A)%k为训练图像的总数； B=strcat('D:\\梅兰竹菊gist\\train\\',A(k).name); img=imread(B);

%获取图像的GIST特征向量；

Nblocks = 4;

imageSize = 60;

orientationsPerScale = [8 8 8 8];%每个数值范围的方向数量

numberBlocks = 4;

createGabor(orientationsPerScale, imageSize); G = createGabor(orientationsPerScale, imageSize); output = prefilt(double(img), 4);

g = gistGabor(output, numberBlocks, G); C(k,:)=g;%C为该图像的特征矩阵； end

%设置训练图像标签； s=[]; for i=1:4

A=i*ones(10,1); s=[s;A]; end

%对图像进行训练； model = svmtrain(s, C); t1=toc

梅兰竹菊测试样本代码： Tic;

A=dir('D:\\梅兰竹菊gist\\test\\*.jpg'); D=[];

%读入测试图像；

for k=1:size(A)%k为测试图像的总数； B=strcat('D:\\梅兰竹菊gist\\test\\',A(k).name); img=imread(B);

%获取图像的GIST特征向量； Nblocks = 4; imageSize = 60;

orientationsPerScale = [8 8 8 8];%每个数值范围的方向数量 numberBlocks = 4;

createGabor(orientationsPerScale, imageSize); G = createGabor(orientationsPerScale, imageSize); output = prefilt(double(img), 4); g = gistGabor(output, numberBlocks, G); D(k,:)=g;%C为该图像的特征矩阵； end T=[]; for i=1:4

A=i*ones(30,1); T=[T;A]; end

%对图像进行测试；