基于libsvm的gist和phog特征的图像分类研究

研究生技术报告题目：基于libsvm的图像分类研究编号：20132098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.......................................................................................................错误!未定义书签。2技术要求及性能指标...................................................................................错误!未定义书签。3方案设计及算法原理....................................................................................错误!未定义书签。3.1基于libsvm的gist特征提取分类................................................错误!未定义书签。3.1.1算法原理................................................................................................................13.1.2设计框图................................................................................................................23.2基于libsvm的phog特征提取分类................................................错误!未定义书签。3.2.1算法原理................................................................................错误!未定义书签。3.2.2设计框图................................................................................错误!未定义书签。4代码及相关注释............................................................................................................................44.1基于libsvm的gist特征提取分类仿真结果................................................................64.1.1代码及注释............................................................................................................94.1.2测试结果................................................................................................................94.2基于libsvm的phog特征提取分类仿真结果................................................................94.2.1代码及注释............................................................................................................94.2.2测试结果..............................................................................................................124.3基于libsvm的gist特征分类不同训练集测试结果....................错误!未定义书签。4.3.1代码及注释............................................................................错误!未定义书签。4.3.2测试结果..............................................................................................................145实验结果分析................................................................................................错误!未定义书签。6总结...............................................................................................................错误!未定义书签。1.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。2.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。3.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开始读入训练图像提取gist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gist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：clcclearallclosealltic;%读入训练图像；A=dir('D:\梅兰竹菊gist\train\*.jpg');C=[];fork=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=[8888];%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=[];fori=1:4A=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；fork=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=[8888];%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；endT=[];fori=1:4A=i*ones(30,1);T=[T;A];end%对图像进行测试；[predict_label,accuracy,dec_values]=svmpredict(T,D,model);T2=toc松竹梅训练样本代码：clcclearallclosealltic%读入训练图像；A=dir('D:\松竹梅gist\train\*.jpg');C=[];fork=1:size(A)%k为训练图像的总数；B=strcat('D:\松竹梅gist\train\',A(k).name);img=imread(B);%获取图像的GIST特