MATLAB圖像分類方法研究

㈠ matlab表情分類的方法有哪些

1、採用幾何特做模征進行特徵提取主要是對人臉表情的顯著特徵，如眼睛、眉毛、嘴巴等的位置變化進行定位、測量，確定其大小、距離、形狀及相互比例等特徵，進行表情識別優點，減少了旅螞輸入數據量缺點，丟失了一些重要的識別和分類。
2、基於整體統計特徵的方法主拆胡埋要強調盡可能多的保留原始人臉表情圖像中的信息，並允許分類器發現表情圖像中相關特徵。

㈡ MATLAB把圖像的顏色分類

彩色圖像分成RGB三類，紅綠藍三原色

一幅圖像讀取之後是三維矩陣，每一位代表一種談塌顏色的灰度圖像，二值圖像就黑白顯示不出來吧，不知道你說用二值圖像表示是啥意思

演示你看看：

A=imread('niukou')；%A讀取沒笑一幅圖

size(A)

ans=

4763593

B(:,:)=A(:,:,1);

>>size(B)

ans=

476359

subplot(1,2,1),imshow(A);subplot(1,2,2),imshow(B)

結果如附圖，可以看到B是A的第一層，是紅的，含察圓A比較紅的地方，B比較亮，就是紅的成分更多

㈢ matlab如何svm實現圖像分類輸出像素點

matlab如何svm實現圖像分類輸出像素點，這里分享下操作方法。

設備：華碩筆記本

系統：win10

軟體：matlab2012

1、首先雙擊桌面matlab圖標，打開matlab軟體。

㈣ 如何對圖像做分類器訓練matlab代碼

對圖像做分類器訓練要建立視覺詞袋來進行圖像分類。該過程生成用來表示圖像視覺詞的直方圖，通過這些直方圖來訓練圖像分類器。下面的步驟描述如何建立圖像集，建立視覺詞袋，以及訓練和運用圖像分類器。
第一步：建立圖像類別集合
將圖像分割成訓練子集和測試子集。利用imageDatastore函數來存儲訓練分類器的圖像。可以利用splitEachLabel函數將圖像分割成訓練數據和測試數據。
讀取類別圖像和創建圖像子集
setDir = fullfile(toolboxdir('vision'),'visiondata','imageSets');
imds = imageDatastore(setDir,'IncludeSubfolders',true,'LabelSource','foldernames');
分割圖集成訓練和測試子集。下例中，30%作為訓練數據，餘下的作為測試數據。
[trainingSet,testSet] = splitEachLabel(imds,0.3,'randomize');
第二步：建立特徵詞袋
通過從每個類別的有代表性的圖像中提取特徵描述符，創建視覺詞彙表或特徵包。
通過在訓練集合中提取出的特徵描述符上利用k-means聚類演算法，bagOfFeatures對象定義特徵，視覺詞彙。該演算法迭代地將描述符分成k個互斥簇。由此產生的簇是緊密的，並具有相似的特性。每個集群中心代表一個特徵，或一個可視詞。可以基於特徵檢測器提取特徵，也可以定義一個網格來提取特徵描述符。網格方法可能丟失細節信息。因此，對不包含明顯特徵的圖像使用網格，例如海灘等景物的圖像。使用Speed up robust features（或SURF）檢測器提供更大的尺度不變性。默認情況下，該演算法運行「網格」方法。
該演算法工作流對圖像進行整體分析。圖像必須有適當的標簽來描述它們所代表的類。例如，一組汽車圖像可以被標記為汽車。工作流不依賴於空間信息，也不依賴於標記圖像中的特定對象。視覺詞袋技術依賴於非局部化的檢測技術。
第三步：通過視覺詞袋訓練圖像分類器
trainImageCategoryClassifier函數返回一個圖像分類器。該方法使用基於2分類支持向量機（SVM）的error-correcting output codes(ECOC)框架來訓練一個多分類器。
該方法利用bagOfFeatures對象返回的視覺詞袋將圖像集中的圖像編碼成視覺詞直方圖。然後將視覺詞直方圖作為訓練分類器的正負樣本。
1、將訓練集中的每幅圖像利用bagOfFeature的encode方法進行編碼。該函數檢測和提取圖像中的特徵，然後利用最近鄰演算法構造每個圖像的特徵直方圖。函數將描述符逼近聚類中心來增加直方圖各bin的數值。直方圖的長度取決於bagOfFeatures對象構造的出來的視覺詞的數量。最終將直方圖作為圖像的特徵向量。
2、對訓練集中的每幅圖像重復步驟1，建立訓練數據
3、評價分類器。在測試圖像集上使用imagecategoryclassifier的evaluate方法測試分類器。輸出混淆矩陣可以分析預測結果。理想的分類結果是對角線上包含一個標准矩陣。不正確的分類導致出現分數值。
第四步：對圖像或圖像集進行分類
最後使用imageCategoryClassifier 的predeict方法對新圖像進行分類來確定其類型。

㈤ CNN神經網路給圖像分類(Matlab)(圖神經網路圖像分類)

你要看你的圖像是什麼。如果是彩色數字，先轉成灰度。用MNIST訓練網路。如果是各種主題，用彩色搭中的imageNET訓練。如果你的數據量大到足以與數據集媲美，那麼直接用你的數據訓練網路即可。

在流行的數據集上訓練完，你需要固定卷積池化層，只訓練後面的全連接層參數，用你自己的數據集。

CNN一是知纖山調整網路結構，幾層卷積幾層池化，卷積的模板大小等。而是在確定結構上調整參數，weightscale，learningrate，reg等。

你用CNN做圖像分類，無非是把CNN當成學習特徵的手段，你可以吧網路看成兩部分，前面的卷積層學習圖像基本-中等-高層特徵，後面的全連接層對應普通的神經網路做分類。

需要學習的話，首先你去看UFLDL教程。然後cs231n

與其問別人，首先你看了imageNet數據集了嗎？

對於把流行數據集與自己數據混豎基合訓練模型的方法。如果兩種數據十分相似，也未嘗不可。但是對於流行數據集而言，自己的標注數據量一般不會太大，如果是1：1000，1:100這種比例，那麼可能不加自己的數據，完全用數據集訓練的模型就能得到一個還好的結果。

如果自己的數據和數據集有些差別，那混在一起我認為自己的是在用自己的數據當做雜訊加到數據集中。cnn認為圖像是局部相關的，而欺騙CNN的方法則主要出於，自然圖像分布在一種流形結構中，訓練的模型需要這種流形假設，而人工合成的圖像由於添加非自然噪點，不滿足模型假設，所以能用肉眼難分辨的雜訊嚴重干擾分類結果。

如果二者相差過大，數據集是一種分布，你的數據是另一種，放到一起訓練，我沒試過，但我認為結果不會太好。

這時候只能把數據集用來訓練cnn的特徵提取能力。而後用於分類的全連接層，視你的數據量調整規模。

㈥ matlab中圖像樣本怎樣分類具體怎麼做啊就下方例子來說

將訓練枯圓圖片和測試圖片以列向量的形式放在一個矩陣裡面，求協方差矩陣的特徵向量，頌棗再求測試圖片和矩陣里每沒櫻塌張相片的距離，距離最小者就歸為一類

㈦ 如何用MATLAB實現圖像識別

這是一個比較大的話題，但培州用一句話說就是找到圖像的特徵進行比較匹配識別。其流程一般為：
1) 對圖像進行預處理,如濾波等，目的是使圖像特徵突出和便於以後處理。
2) 提取要識別的圖像
3) 提取圖像特徵，包括頻域特徵、形態特徵等等。
4) 根據特徵進行分類識配孝蔽別（根據特徵庫）
在此之前還需慎敗要對樣本圖片進行訓練，獲得特徵庫，用於第四步的識別。

㈧ 在matlab中怎麼實現圖像k均值聚類分類

如果是灰度團歲聚類，由於灰度只有0-255的取值，而圖像尺寸較大，不需要對每個點的灰度都計算一遍，因為基本純或山都是一樣的，對0-255每個灰度進行加權聚類進行了，權值做中就是灰度在圖像中出現的次數。

㈨ Matlabb 利用數據畫出多個函數圖像如何進行分類

使用方法：subplot（m,n,p）或者subplot（m n p）。subplot是將多個圖畫到一個平面上的工具。其中，m表示是圖排成m行，n表示圖排成n列，也就是整個figure中有n個圖是排成一行的，一共m行，如果第一個數字是2就是表示2行圖。p是指你現在岩稿段要把曲線畫到figure中哪個圖上，最後一個如果是1表示是從左到右第一個位置。在matlab的命令窗口中輸入doc subplot或者help subplot即可獲得該函數的幫助信息。答案2：： 首先，你不清楚一個問題，matlab中認為所有的數據都是矩陣，因此在你粗譽進行操作的時候，也必須清楚這個概念，畫圖的時候，x是一個向量，因此後邊的表達式應該是向量表達式，也就是說使用的是很向量操作，那麼你就不能使用這種操作方式，向量的乘法分為點乘和矩陣乘法，你需要的是點乘，運算的時候必須使用'.'，加以說明，因此正常的操作應該是：;; x=0:0.1:100;%創建向量；;; plot(x,(exp(-x).*((-1/6)*27.2*x.*x-13.6*x-2/3.*x+1./x-13.6)));%畫圖;;答案3：： 同一個圖、坐標上的話使用 hold on 命令答案4：： 同一張圖上就是plot(x,y1,x,y2,x,y3.)就行的:::::::::::::::::::請參考以下相關問題::::::::::::::::::::用Matlab畫一張函數圖像（向大家求助）:::::::::::::::::::請參考以下相關問題::::::::::::::::::::求助敬祥：用MATLAB畫一個函數的圖像，急等！:::::::::::::::::::請參考以下相關問題:::::::::::::::::::::::::::::::::::::::請參考以下相關問題:::::::::::::::::::::::::::::::::::::::請參考以下相關問題::::::::::::::::::::