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 (1)

3.1.2设计框图 (2)

3.2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. (4)

4.1基于libsvm的gist特征提取分类仿真结果 (6)

4.1.1代码及注释 (9)

4.1.2测试结果 (9)

4.2基于libsvm的phog特征提取分类仿真结果 (9)

4.2.1代码及注释 (9)

4.2.2测试结果 (12)

4.3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 (14)

5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