Загрузите две категории изображений.
Разделите набор данных в обучение и тестовые данные. Выберите 30% изображений от каждого набора для данных тренировки и остатка 70% для тестовых данных.
Создайте мешок визуальных слов.
Creating Bag-Of-Features.
-------------------------
* Image category 1: books
* Image category 2: cups
* Selecting feature point locations using the Grid method.
* Extracting SURF features from the selected feature point locations.
** The GridStep is [8 8] and the BlockWidth is [32 64 96 128].
* Extracting features from 4 images...done. Extracted 76800 features.
* Keeping 80 percent of the strongest features from each category.
* Using K-Means clustering to create a 500 word visual vocabulary.
* Number of features : 61440
* Number of clusters (K) : 500
* Initializing cluster centers...100.00%.
* Clustering...completed 21/100 iterations (~0.17 seconds/iteration)...converged in 21 iterations.
* Finished creating Bag-Of-Features
Обучите классификатор с наборами обучающих данных.
Training an image category classifier for 2 categories.
--------------------------------------------------------
* Category 1: books
* Category 2: cups
* Encoding features for 4 images...done.
* Finished training the category classifier. Use evaluate to test the classifier on a test set.
Оцените классификатор с помощью тестовых изображений. Отобразите матрицу беспорядка.
Evaluating image category classifier for 2 categories.
-------------------------------------------------------
* Category 1: books
* Category 2: cups
* Evaluating 8 images...done.
* Finished evaluating all the test sets.
* The confusion matrix for this test set is:
PREDICTED
KNOWN | books cups
--------------------------
books | 0.75 0.25
cups | 0.25 0.75
* Average Accuracy is 0.75.
confMatrix = 2×2
0.7500 0.2500
0.2500 0.7500
Найдите среднюю точность классификации.
Примените недавно обученный классификатор, чтобы категоризировать новые изображения.
Отобразите метку классификации.
ans = 1x1 cell array
{'cups'}
