MATLAB图像分类方法研究

㈠ matlab表情分类的方法有哪些

1、采用几何特做模征进行特征提取主要是对人脸表情的显着特征，如眼睛、眉毛、嘴巴等的位置变化进行定位、测量，确定其大小、距离、形状及相互比例等特征，进行表情识别优点，减少了旅蚂输入数据量缺点，丢失了一些重要的识别和分类。
2、基于整体统计特征的方法主拆胡埋要强调尽可能多的保留原始人脸表情图像中的信息，并允许分类器发现表情图像中相关特征。

㈡ MATLAB把图像的颜色分类

彩色图像分成RGB三类，红绿蓝三原色

一幅图像读取之后是三维矩阵，每一位代表一种谈塌颜色的灰度图像，二值图像就黑白显示不出来吧，不知道你说用二值图像表示是啥意思

演示你看看：

A=imread('niukou')；%A读取没笑一幅图

size(A)

ans=

4763593

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

>>size(B)

ans=

476359

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

结果如附图，可以看到B是A的第一层，是红的，含察圆A比较红的地方，B比较亮，就是红的成分更多

㈢ matlab如何svm实现图像分类输出像素点

matlab如何svm实现图像分类输出像素点，这里分享下操作方法。

设备：华硕笔记本

系统：win10

软件：matlab2012

1、首先双击桌面matlab图标，打开matlab软件。

㈣ 如何对图像做分类器训练matlab代码

对图像做分类器训练要建立视觉词袋来进行图像分类。该过程生成用来表示图像视觉词的直方图，通过这些直方图来训练图像分类器。下面的步骤描述如何建立图像集，建立视觉词袋，以及训练和运用图像分类器。
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。

㈤ CNN神经网络给图像分类(Matlab)(图神经网络图像分类)

你要看你的图像是什么。如果是彩色数字，先转成灰度。用MNIST训练网络。如果是各种主题，用彩色搭中的imageNET训练。如果你的数据量大到足以与数据集媲美，那么直接用你的数据训练网络即可。

在流行的数据集上训练完，你需要固定卷积池化层，只训练后面的全连接层参数，用你自己的数据集。

CNN一是知纤山调整网络结构，几层卷积几层池化，卷积的模板大小等。而是在确定结构上调整参数，weightscale，learningrate，reg等。

你用CNN做图像分类，无非是把CNN当成学习特征的手段，你可以吧网络看成两部分，前面的卷积层学习图像基本-中等-高层特征，后面的全连接层对应普通的神经网络做分类。

需要学习的话，首先你去看UFLDL教程。然后cs231n

与其问别人，首先你看了imageNet数据集了吗？

对于把流行数据集与自己数据混竖基合训练模型的方法。如果两种数据十分相似，也未尝不可。但是对于流行数据集而言，自己的标注数据量一般不会太大，如果是1：1000，1:100这种比例，那么可能不加自己的数据，完全用数据集训练的模型就能得到一个还好的结果。

如果自己的数据和数据集有些差别，那混在一起我认为自己的是在用自己的数据当做噪声加到数据集中。cnn认为图像是局部相关的，而欺骗CNN的方法则主要出于，自然图像分布在一种流形结构中，训练的模型需要这种流形假设，而人工合成的图像由于添加非自然噪点，不满足模型假设，所以能用肉眼难分辨的噪声严重干扰分类结果。

如果二者相差过大，数据集是一种分布，你的数据是另一种，放到一起训练，我没试过，但我认为结果不会太好。

这时候只能把数据集用来训练cnn的特征提取能力。而后用于分类的全连接层，视你的数据量调整规模。

㈥ matlab中图像样本怎样分类具体怎么做啊就下方例子来说

将训练枯圆图片和测试图片以列向量的形式放在一个矩阵里面，求协方差矩阵的特征向量，颂枣再求测试图片和矩阵里每没樱塌张相片的距离，距离最小者就归为一类

㈦ 如何用MATLAB实现图像识别

这是一个比较大的话题，但培州用一句话说就是找到图像的特征进行比较匹配识别。其流程一般为：
1) 对图像进行预处理,如滤波等，目的是使图像特征突出和便于以后处理。
2) 提取要识别的图像
3) 提取图像特征，包括频域特征、形态特征等等。
4) 根据特征进行分类识配孝蔽别（根据特征库）
在此之前还需慎败要对样本图片进行训练，获得特征库，用于第四步的识别。

㈧ 在matlab中怎么实现图像k均值聚类分类

如果是灰度团岁聚类，由于灰度只有0-255的取值，而图像尺寸较大，不需要对每个点的灰度都计算一遍，因为基本纯或山都是一样的，对0-255每个灰度进行加权聚类进行了，权值做中就是灰度在图像中出现的次数。

㈨ Matlabb 利用数据画出多个函数图像如何进行分类

使用方法：subplot（m,n,p）或者subplot（m n p）。subplot是将多个图画到一个平面上的工具。其中，m表示是图排成m行，n表示图排成n列，也就是整个figure中有n个图是排成一行的，一共m行，如果第一个数字是2就是表示2行图。p是指你现在岩稿段要把曲线画到figure中哪个图上，最后一个如果是1表示是从左到右第一个位置。在matlab的命令窗口中输入doc subplot或者help subplot即可获得该函数的帮助信息。答案2：： 首先，你不清楚一个问题，matlab中认为所有的数据都是矩阵，因此在你粗誉进行操作的时候，也必须清楚这个概念，画图的时候，x是一个向量，因此后边的表达式应该是向量表达式，也就是说使用的是很向量操作，那么你就不能使用这种操作方式，向量的乘法分为点乘和矩阵乘法，你需要的是点乘，运算的时候必须使用'.'，加以说明，因此正常的操作应该是：;; x=0:0.1:100;%创建向量；;; plot(x,(exp(-x).*((-1/6)*27.2*x.*x-13.6*x-2/3.*x+1./x-13.6)));%画图;;答案3：： 同一个图、坐标上的话使用 hold on 命令答案4：： 同一张图上就是plot(x,y1,x,y2,x,y3.)就行的:::::::::::::::::::请参考以下相关问题::::::::::::::::::::用Matlab画一张函数图像（向大家求助）:::::::::::::::::::请参考以下相关问题::::::::::::::::::::求助敬祥：用MATLAB画一个函数的图像，急等！:::::::::::::::::::请参考以下相关问题:::::::::::::::::::::::::::::::::::::::请参考以下相关问题:::::::::::::::::::::::::::::::::::::::请参考以下相关问题::::::::::::::::::::