第一步:建立图像类别集合
将图像分割成训练子集和测试子集。利用imageDatastore函数来存储训练分类器的图像。可以利用splitEachLabel函数将图像分割成训练数据和测试数据。
读取类别图像和创建图像子集
setDir = fullfile(toolboxdir('vision'),'visiondata','imageSets')
imds = imageDatastore(setDir,'IncludeSubfolders',true,'LabelSource','foldernames')
分割图集成训练和测试子集。下例中,30%作为训练数据,余下的作为测试数据。
[trainingSet,testSet] = splitEachLabel(imds,0.3,'randomize')
第二步:建立特征词袋
通过从每个类别的有代表性的图像中提取特征描述符,创建视觉词汇表或特征包。
通过在训练集合中提取出的特征描述符上利用k-means聚类算法,bagOfFeatures对象定义特征,视觉词汇。该算法迭代地将描述符分成k个互斥簇。由此产生的簇是紧密的,并具有相似的特性。每个集群中心代表一个特征,或一个可视词。可以基于特征检测器提取特征,也可以定义一个网格来提取特征描述符。网格方法可能丢失细节信息。因此,对不包含明显特征的图像使用网格,例如海滩等景物的图像。使用Speed up robust features(或SURF)检测器提供更大的尺度不变性。默认情况下,该算法运行“网格”方法。
该算法工作流对图像进行整体分析。图像必须有适当的标签来描述它们所代表的类。例如,一组汽车图像可以被标记为汽车。工作流不依赖于空间信息,也不依赖于标记图像中的特定对象。视觉词袋技术依赖于非局部化的检测技术。
第三步:通过视觉词袋训练图像分类器
trainImageCategoryClassifier函数返回一个图像分类器。该方法使用基于2分类支持向量机(SVM)的error-correcting output codes(ECOC)框架来训练一个多分类器。
该方法利用bagOfFeatures对象返回的视觉词袋将图像集中的图像编码成视觉词直方图。然后将视觉词直方图作为训练分类器的正负样本。
1、将训练集中的每幅图像利用bagOfFeature的encode方法进行编码。该函数检测和提取图像中的特征,然后利用最近邻算法构造每个图像的特征直方图。函数将描述符逼近聚类中心来增加直方图各bin的数值。直方图的长度取决于bagOfFeatures对象构造的出来的视觉词的数量。最终将直方图作为图像的特征向量。
2、对训练集中的每幅图像重复步骤1,建立训练数据
3、评价分类器。在测试图像集上使用imagecategoryclassifier的evaluate方法测试分类器。输出混淆矩阵可以分析预测结果。理想的分类结果是对角线上包含一个标准矩阵。不正确的分类导致出现分数值。
第四步:对图像或图像集进行分类
最后使用imageCategoryClassifier 的predeict方法对新图像进行分类来确定其类型。
sem的意思是:
1、abbr. 扫描式电子显微镜(scanning electron microscope);标准电子组件(Standard Electronic Modules)
2、n. (Sem)(泰、柬)森(人名);(Sem)(西、挪)塞姆(人名)
【读音】英 [,es i: 'em]
【短语】
1、SEM Analysis 扫描电镜分析 扫描电子显微镜分析 sem分析
2、sem image sem图像 sem图
3、sem break 空白时间
4、sem valor 无用
5、SEM WATCH 搜索引擎营销观察
6、TSINGHUA SEM 理学院 清华经管学院 清华大学经济管理学院 大学经济管理学院
扩展资料
sem的近义词
seminar
【读音】英 [ˈsemɪnɑː(r)] 美 [ˈsemɪnɑːr]
【意思】n. 讨论会,研讨班
【短语】
1、seminar course 研究学程 专题研究科目 研究科目
2、Olympic Seminar 奥运主题讲座
3、Advanced seminar 高级研讨会
4、Basic Seminar 突破性领导力基础课程 基本课程 真善美讲座
5、Business Seminar 商务研讨会
6、Joint Seminar 双边学术研讨会
欢迎分享,转载请注明来源:夏雨云
评论列表(0条)