本周工作日志，老师布置了一个小作业，让我们使用matlab实现图像物体分类
matlab 图像分类
1分类原理
基于一个很朴素的观点，不同物体在色素三维空间里的分布不同，使用svm可以构造一个分类面。
2程序流程
- 1首先加载图片
- 2选取不同物体的代表点
- 3训练svm分类器
- 4将训练好的分类器应用到整张图片上。
3代码如下
%给初学者看得
function showline(img)
[n1,n2,~]=size(img);
%我尽量写的简单易懂一点儿
%首先你使用aa=imread（‘1.jpg’） 这个1.jpg 只是个例子，具体看你的图片叫什么，对了把图片放在你的工作目录里面
%或者在1.jpg前面加上D:\研一\路径前缀
%好，前期处理完成，showline（aa），这个具体是aa还是bb就看你怎么取得变量名了。
%现在说一个比较关键的东西，学习matlab最踏实的办法，是哪个不会就help 它一下，但这个比较费时间因为讲的太细了。
imshow(img);
img2=img;
%显示图片
x1=floor(ginput(5));
%函数运行到这儿，会弹出鼠标可以移动的十字架，在你觉得作为第一类样本的像素上，选5个点吧,加floor是确保得到的坐标都是整数。
x2=floor(ginput(5));
%这个同理，不过是第二类了。
x3=floor(ginput(5));
%这个也同理.
x=zeros(10,3);
%每次分类的时候都有10个样本，同时每个样本都有三个属性，rgb。
for i=1:5
x(i,:)=reshape(img(x1(i,2),x1(i,1),:),1,3);
x(i+5,:)=reshape(img(x2(i,2),x2(i,1),:),1,3);
end
%赋值，因为图像像素值是N*m*3的矩阵，不好直接用，reshape为1*3的。
y=[ones(5,1);-1*ones(5,1)];
%标签集
x=double(x);
svmstruct=svmtrain(x,y);
%svm训练
group=svmclassify(svmstruct,double(reshape(img,n1*n2,3)));
%使用svm
group=reshape(group,n1,n2);
%将group调整为一个n1*n2的存放类别标签的矩阵。
for i=1:n1-1
for j= 1:n2
if group(i,j)*group(i+1,j)<1%两者类别不一致，分界线
if i<130 %这个是我估计的值，选择 陆地与天交接线下面一点儿的坐标就行
img2(i,j,:)=0;
end
end
end
end
for i=1:5
x(i,:)=reshape(img(x2(i,2),x2(i,1),:),1,3);
x(i+5,:)=reshape(img(x3(i,2),x3(i,1),:),1,3);
end
x=double(x);
%赋值，因为图像像素值是N*m*3的矩阵，不好直接用，reshape为1*3的。
y=[ones(5,1);-1*ones(5,1)];
%标签集
svmstruct=svmtrain(x,y);
%svm训练
group=svmclassify(svmstruct,double(reshape(img,n1*n2,3)));
%使用svm
group=reshape(group,n1,n2);
%将group调整为一个n1*n2的存放类别标签的矩阵。
for i=1:n1-1
for j= 1:n2
if group(i,j)*group(i+1,j)<1%两者类别不一致，分界线
if i<170 %这个是我估计的值，这次选择陆地水下面一点儿的值。
img2(i,j,1)=255;
end
end
end
end
imshow(img2);