如何在 MATLAB 中进行简单的二值图像分类？答案

【问题标题】：How can I do a simple binary image classification in MATLAB?如何在 MATLAB 中进行简单的二值图像分类？
【发布时间】：2018-06-23 19:24:46
【问题描述】：

我对 MATLAB 并不是很陌生，只是对整个机器学习这件事很陌生。

我必须做一个简单的二值图像分类。我不在乎它是工具箱还是只是代码，我只需要这样做。我尝试了一些我在 Github 或其他网站上在线找到的分类代码，但其中大多数是随机工作的，其中一些适用于预定义的图像。

那些在预定义图像上工作的很整洁（例如：http://www.di.ens.fr/willow/events/cvml2011/materials/practical-classification/），但我在应用一组新图像时遇到了问题，只是因为有一些 .txt 文件（图像名称的向量，这很容易复制）和一些 .mat 文件（带有名称和直方图）。

我在以相同顺序创建名称和直方图时遇到问题，我使用的代码是：

  for K = 1 : 4
    filename = sprintf('image_%04d.jpg', K);
    I = imread(filename);
    IGray = rgb2gray(I);
    H = hist(Igray(:), 32);
  end
  save('ImageDatabase.mat', 'I', 'H');

但由于某种原因，只有最后一个图像的名称和路径仍然被存储（例如，在这种情况下，只有 image_0004 存储在名称槽中）。

我发现的另一个似乎很简单的代码是：https://github.com/rich-hart/SVM-Classifier，但输出确实是随机的（对我而言），所以如果有人能向我解释发生了什么，我将不胜感激。有 19 个训练图像和 20 个测试图像。然而，如果我删除其中一张测试图像，支持向量结构中会消失 2 个条目？

无论如何，如果你有一个工具箱，或者更容易适应的代码或对上述代码的一些解释，我将不胜感激。

干杯！

编辑：

我尝试按照此代码的示例进行操作：http://dipwm.blogspot.ro/2013/01/svm-support-vector-machine-with-matlab.html

即使我得到了 30 张 100x100 的图像，我仍然收到此错误：

Error using svmtrain (line 253)
Y and TRAINING must have the same number of rows.

Error in Untitled (line 74)
SVMStruct = svmtrain(Training_Set , train_label, 'kernel_function', 'linear');

【问题讨论】：

根据图像，您的输出看起来随机也就不足为奇了。你需要有更多的训练样本。如果您有机器学习工具箱，我建议您使用 Matlabs 出色的 tutorial。
问题是我没有太多时间。这个项目本来应该是一些同学做的，结果他们什么都没做。我必须独自完成所有事情，而且我还有 1 天的时间。无论如何，我用别的东西编辑了我的原始帖子。如果您能够对此做出回答，我会很高兴。非常感谢！
我的猜测是您没有正确调整训练数据的大小。它需要是 NxD，其中 N 是样本数（在这种情况下为 30），D 是特征维度。如果您使用原始图像作为特征，则需要在使用 svmtrain 之前将其从 100x100 重塑为 1x10000。 train_label 也应该是一个长度为 N 的数组。
你能分享一个示例图像吗？也许我们可以推荐另一个分类器。我怀疑 SVM 在使用 20 张图像进行训练时是否能正常工作。
感谢大家如此合作和乐于助人。这是因为我使用的是绝对路径而不是相对路径（我说的是我在最新编辑后发布的链接）。我得到了一个输出。有时在输出中我得到的值是 18 而不是 30（我使用了多少张图片），我真的不明白在哪里可以读取哪个图片属于哪个类。我在训练和测试中都使用了相同的图片，只是为了看看它是否有效（X 射线和射线照相图片）。我的 SVM 结构输出的打印屏幕：i.imgur.com/KWv2dGv.png

标签： image matlab classification

【解决方案1】：

当您只有约 40 个数据点用于训练、测试和验证时，无法在原始 100x100 图像上训练任何分类器。所以推荐一个 Matlab 工具箱并不能真正解决你的问题。

答案是：获取更多数据

为了完整起见，您可以尝试以下两种方法：

特征提取

也许您的图片中有一些非常明显的特征（有些图片较暗，有一个白色的角等），您可以在训练之前提取这些特征。使用 3-4 个功能，您可以尝试使用您的数据集训练分类器。在这种情况下，我会尝试fitcensemble，因为它非常易于使用，无需算法的内部运作。

使用预训练的分类器

您可以使用 GoogLeNet，也许您的图片适合 ImageNet categories 之一。如果您的图片不符合任何类别，请尝试transfer learning。

【讨论】：