基于libsvm的gist和phog特征的图像分类研究.doc

研究生技术报告 题目：基于libsvm的图像分类研究 编号执笔人：刘金环 完成时间：2013-11-23 摘要 随着科学技术的飞速发展，机器学习与人工智能技术的不断创新，人们对特定信息检索的需求逐渐增加，使得如何对资源进行合理有效的分类成为一个关键问题。支持向量机（SVM）是一种建立在统计学习理论基础之上的机器学习方法，由于其基于小样本训练的优越性，被广泛应用于模式识别的各个领域，在图像检索、人脸识别等中充分了体现了其优越性，越来越受到广泛的关注和重视。 本文主要介绍了基于libsvm分类器的分类问题。本文以gist和phog特征为例简单实现了图像的分类问题，并通过查询准确性对这两种分类方法进行对比和分析。由仿真结果可知，gist特征分类要好于phog的特征分类，仿真效果较为理想。 目录 1 课题意义 1 2 技术要求及性能指标 1 3方案设计及算法原理 1 3.1基于libsvm的gist特征提取分类 1 3.1.1算法原理 1 3.1.2设计框图 2 3.2基于libsvm的phog特征提取分类 2 3.2.1算法原理 2 3.2.2设计框图 3 4代码及相关注释 4 4.1基于libsvm的gist特征提取分类仿真结果 6 4.1.1代码及注释 9 4.1.2测试结果 9 4.2基于libsvm的phog特征提取分类仿真结果 9 4.2.1代码及注释 9 4.2.2测试结果 12 4.3基于libsvm的gist特征分类不同训练集测试结果 12 4.3.1代码及注释 13 4.3.2测试结果 14 5实验结果分析 14 6总结 14 课题意义 伴随着网络和多媒体技术的飞速发展，图像作为一种内容丰富、表现直观的媒体信息，越来越多的受到人们的关注。在现实生活中时时刻刻都会有大量的图像产生，如何从这些图像信息中找出符合用户要求的图像，成为了一个关键问题。 图像分类就是模式识别的过程，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。图像的内容丰富多彩，其所包含的内容抽象复杂。由于目前对图像理解和计算机视觉发展水平的限制，人类对图像的理解与计算机对图像的描述存在着较大的差异。并且，不同的人对同一幅图像的理解和描述也存在着差距，甚至大相径庭，这也使得计算机对图像进行分类成为一种必要。 由上可知，对基于libsvm的图像分类研究具有实际的应用价值和重要的研究意义。 技术要求及性能指标 要求了解libsvm的安装过程及简单的使用方法，通过MATLAB平台编程实现对gist图像特征和 phog图像特征的提取，并分别用所提取的特征对训练集的图像进行训练，从而完成对测试集图像的分类，得出分类准确度。 本文主要以梅兰竹菊和松竹梅图像为例，分别用以上两种特征对图像进行分类，并对分类准确性进行对比。 方案设计及算法原理 3.1 基于libsvm的gist特征提取分类 3.1.1 算法原理 通过creatGabor()函数和gistGabor()函数提取训练图像的gist特征，然后对不同类别的图像进行标签设置，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gist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。 3.1.2 框图设计 . 3.2 基于libsvm的phog特征提取分类 3.2.1 算法原理 通过phog()函数提取训练图像的phog特征，然后对不同类别的图像进行标签设置，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 . 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=imr