图像处理与模式识别大作业

《图像处理与模式识别大作业》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、时局-图像处理与模式识别技术报告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13时局-图像处理与模式识别技术报告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13时局-图像处理与模式识别技术报告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实验结果与

2、分析96总结127.参考文献1213时局-图像处理与模式识别技术报告1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，并利用支持向量机对这些图像

3、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13时局-图像处理与模式识别技术报告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，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集中的判别函数使学习机的实际风险达

4、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：开始读取图像训练过程测试过程图像预处理样本图像预处理计算图像特征序列计算图

5、像特征13时局-图像处理与模式识别技术报告SVM分类器SVM训练图像识别基于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closeall;clear;clc;formatcompact;feature1=[zeros(320,80)];feature_labels=[zeros(80,1)];mydir='D:shiju';%读入图像分类fori=1:4forj=1:20dir=strcat(mydir,num2str(i),'',num2str(j),'.jpg');img=imread(dir);img=rgb2gray(img);%Parameters:

6、Nblocks=4;imageSize=size(img,1);orientationsPerScale=[884];numberBlocks=4;%numberofwindows(numberBlocks*numberBlocks)%Precomputefiltertransfertfunctions(onlyneedtodothisonce,unlessimagesizeischanges):%createGabor(orientationsPerScale,imageSize);%thisshowsthefiltersG=createGabor(orientationsPerSc

7、ale,imageSize);output=prefilt(double(img),4);g=gistGabor(output,numberBlocks,G);%提取图像特征13时局-图像处理与模式识别技术报告k=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;