1、图像处理与模式识别大作业学生学号： 20132106 学生姓名： 时 局 学生专业：交通信息工程及控制时局-图像处理与模式识别技术报告1研究生技术报告题目：基于图像的特征信息提取与目标识别编号：20132016执笔人：时局完成时间：2013-11-23摘要使用已知的函数对图像进行特征提取，利用提取的图像特征建立测试模型，并进行训练测试，分类识别的实现，得到分类的准确率。关键词：特征提取 机器学习 Libsvm 训练测试时局-图像处理与模式识别技术报告2目录目录研究生技术报告 .1摘要 .11 课题意义 .32 技术要求及性能指标 .33 方案设计及难点分析 .34 代码及相关注释 .55 实验
2、结果与分析 .96 总结 .127.参考文献 .12时局-图像处理与模式识别技术报告31 课题意义基于图像特征信息提取的目标识别系统在各个领域都具有广泛的应用，一直以来都是国内外许多机构和组织的研究对象。而提高识别算法的实时性和准确性对目标识别系统顺利完成目标识别和定位任务具有重要意义，论文的研究目的也在于此。对图像特征信息提取和目标识别的方法有很多，很多人都在研究。主要在数字图像预处理的基础上提取图像的有效特征，实现了这特征的支持向量机图像识别方法。本实验主要是基于 libsvm 的图像特征提取，并进行训练测试，分类识别的实现。2 技术要求及性能指标要求设计一个基于图像特征信息提取，并利用支
3、持向量机对这些图像特征进行训练测试分类的系统。性能指标主要有这些分类的准确率和整体分类准确率，建立模型的参数设置。3 方案设计及难点分析设计一个四分类，每一类里面有 20 个图片，每个图片都是166*166 大小的 jpg 格式的图片。先读入图片，将读入的图片预处理一下，然后利用提供的 Gist和 Phog 函数来提取图像的特征值，将图像的特征值保存为特征序列，时局-图像处理与模式识别技术报告4利用 Libsvm 建立分类模型，并利用建立的模型看其在训练集合上的分类效果,得到分类准确率。1 分类器设计支持向量建立在统计学习理论中的 VC 维理论和结构最小原理基础之上，通过适当选择函数子集及该子
4、集中的判别函数使学习机的实际风险达到最小保证了通过有限训练样本得到的小误差分类器及对立测试集的测试误差仍然最小，进而得到一个具有最优分类能力和推广泛化能力的学习机，较好地解决小样本，非线性，高维数和局部极小点等实际问题。因此采用 SVM 作为目标识别的分类器。本文的实验采用 libsvm-3.1-Farutoe版本，这个 libsvm-faruto加强工具箱，对原来的部分代码进行重新优化，并添加ClassResult.m 函数，方便给出各种分类准确率，以及给出判别函数的权值 w、偏置 b、支持向量在原始训练集中的位置索引以及alpha 系数。2实验流程图：图像预处理计算图像特征序列计算图像特征
5、读取图像样本图像预处理开始训 练 过 程测 试 过 程时局-图像处理与模式识别技术报告5基于 SVM 的图像识别方法4 代码及相关注释1利用 Gist 提取特征向量close all;clear;clc;format compact;feature1=zeros(320,80);feature_labels=zeros(80,1);mydir = D:shiju; %读入图像分类for i=1:4 for j=1:20 dir = strcat(mydir,num2str(i),num2str(j),.jpg);img=imread(dir);img=rgb2gray(img);% Param
6、eters:Nblocks = 4;imageSize =size(img,1); orientationsPerScale = 8 8 4;numberBlocks = 4; % number of windows (numberBlocks * numberBlocks)% Precompute filter transfert functions (only need to do this once, unless image size is changes):% createGabor(orientationsPerScale, imageSize); % this shows the
7、 filtersG = createGabor(orientationsPerScale, imageSize);output = prefilt(double(img), 4);g = gistGabor(output, numberBlocks, G); %提取图像特征SVM 分类器 SVM 训练图像识别时局-图像处理与模式识别技术报告6k=20*(i-1)+j;feature1(:,k)=g; %将特征向量属性传给feature1，这个将在Libsvm中使用% feature_labels(20*(i-1)+j,1) = i;feature_labels=1;1;1;1;1;1;1;1;
8、1;1;1;1;1;1;1;1;1;1;1;1;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;endend2利用 phog 提取特征向量close all;clear;clc;format compact;feature2=zeros(80,80);feature_labels=zeros(80,1);mydir = D:shiju; %读入图像for i=1:4 for j=1:20 dir = st
9、rcat(mydir,num2str(i),num2str(j),.jpg);img=imread(dir); bin = 80;angle = 360;L=0;roi = 1;size(img,1);1;size(img,2);f1 = anna_phog(I,bin,angle,L,roi); %提取图像特征的函数k=20*(i-1)+j;feature2(:,k)=f1; %将特征向量属性传给feature2，这个将在Libsvm中使用feature_labels(20*(i-1)+j,1) = i; %设置分类标签%feature_labels=1;1;1;1;1;1;1;1;1;1;
10、1;1;1;1;1;1;1;1;1;1;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;2;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;3;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;4;endend3 利用libsvm 进行训练，测试, 预测,%Gisttic;close all;clear;clc;时局-图像处理与模式识别技术报告7format compact;%载入测试数据 load feature1 %这里的 feature 是上一步特征提取里直接得出的结果load feature_labels
11、 %得到 feature_labels 的程序也一并写在了上一步的特征提取feature1=feature1 %转置是为了让每行的数据代表单个样本，即行数就是样本的个数%选定训练集和测试集traindata=feature1(1:10,:);feature1(21:30,:);feature1(41:50,:);feature1(61:70,:); trainlabel=feature_labels(1:10);feature_labels(21:30);feature_labels(41:50);feature_labels(61:70);testdata=feature1(11:20,:)
12、;feature1(31:40,:);feature1(51:60,:);feature1(71:80,:); testlabel=feature_labels(11:20);feature_labels(31:40);feature_labels(51:60);feature_labels(71:80);% 建立分类模型% model = svmtrain(trainlabel,traindata,-s 0 -t 2 -c 1.2 );model = svmtrain(trainlabel,traindata,-s 0 -t 2 -c 1.2 -g 2.8);CR = ClassResult
13、(trainlabel,traindata,model); %给出分类结果的一些指标，libsvm-3.1-Faruto里边的插件函数% 分类模型 model 解密 model Parameters = model.Parameters rho = model.rhoLabel = model.Label nr_class = model.nr_class totalSV = model.totalSV nSV = model.nSV % 利用建立的模型看其在训练集合上的分类效果predicttrain,acctrain = svmpredict(trainlabel,traindata,mo
14、del);acctrain% 预测测试集合标签predictlabel,accuracy = svmpredict(testlabel,testdata,model);predictlabelaccuracy %toc;% Phogtic;时局-图像处理与模式识别技术报告8close all;clear;clc;format compact;% 载入测试数据 load feature2 %这里的 feature 是上一步特征提取里直接得出的结果load feature_labels %得到 feature_labels 的程序也一并写在了上一步的特征提取feature1=feature2 %转
15、置是为了让每行的数据代表单个样本，即行数就是样本的个数% 选定训练集和测试集traindata=feature2(1:10,:);feature2(21:30,:);feature2(41:50,:);feature2(61:70,:); trainlabel=feature_labels(1:10);feature_labels(21:30);feature_labels(41:50);feature_labels(61:70);testdata=feature2(11:20,:);feature2(31:40,:);feature2(51:60,:);feature2(71:80,:);
16、testlabel=feature_labels(11:20);feature_labels(31:40);feature_labels(51:60);feature_labels(71:80);% 建立分类模型% model = svmtrain(trainlabel,traindata,-s 0 -t 2 -c 1.2 );model = svmtrain(trainlabel,traindata,-s 0 -t 2 -c 1.2 -g 2.8);CR = ClassResult(trainlabel,traindata,model); %给出分类结果的一些指标，libsvm-3.1-Fa
17、ruto 里边的插件函数% 利用建立的模型看其在训练集合上的分类效果predicttrain,acctrain = svmpredict(trainlabel,traindata,model);acctrain% 预测测试集合标签predictlabel,accuracy = svmpredict(testlabel,testdata,model);Predictlabel %对标签的分类accuracy %toc;model = svmtrain(trainlabel,traindata,-s 0 -t 2 -c 1.2 -g 2.8);参数的意义% -s svm 类型：SVM 设置类型 (
18、默认 0)% 0 - C-SVC% 1 -v-SVC% 2 一类 SVM% 3 - e -SVR% 4 - v-SVR时局-图像处理与模式识别技术报告9% -t 核函数类型：核函数设置类型(默认 2)% 0 线性： uv% 1 多项式： (r*uv + coef0)degree% 2 RBF 函数：exp(-r|u-v|2)% 3 sigmoid：tanh(r*uv + coef0)% % -g r(gama)：核函数中的 gamma 函数设置(针对多项式/rbf/sigmoid 核函数) 默认是属性数目的倒数即是 1/num_features.% % -c cost：设置 C-SVC，e -
19、SVR 和 v-SVR 的参数( 损失函数 )(默认 1)惩罚参数.% 惩罚参数越大，准确率相对高5 实验结果与分析%Gist图像目标分类识别结果1.核函数类型的不同标注;训练集10个，测试集10个核函数类型-t核函数参数支持向量个数 识别率 分类时间（秒）0线性核函数无 40 65% 0.0931471多项式核函数默认 40 52.5% 0.0833612(默认 )RBF核函数默认 40 65% 0.0817452RBF核函数-g 2.8-c 1.239 80% 0.080382.惩罚参数c的研究标注：训练集15测试集5.参数-c整体准确率第1分类准确率第2分类准确率第3分类准确率第4分类准确率支持向量个数
