【matlab】libsvm-3.18安装与使用
安装
1. 在http://www.csie.ntu.edu.tw/~cjlin/ 中下载libsvm
2. 按照http://zjhello123.blog.163.com/blog/static/25495143201251792625811/ 中的安装方法安装libsvm
3. 设置路径。 如果不设置的话会报错：Error using svmtrain (line 233) Y must be a vector or a character array.
我开始设置了也报错，后来重新make了一下，就好了。不知道为什么。
使用
用libsvm对人和车分类
1. 先分别在两个文件夹下放入若干张人和车的图片，做训练样本。再用两个文件夹中放若干图片做测试样本。
2. 读入图片，保存成mat数据。具体代码如下：
clc;clear; pathname=uigetdir(cd,'请选择文件夹'); if pathname==0 msgbox('您没有正确选择文件夹'); return; end % pathnamesub=uigetdir(cd,'请选择文件夹'); % if pathname==0 % msgbox('您没有正确选择文件夹'); % return; % end % 可以打开几乎所有的图像类型 filesbmp=ls(strcat(pathname,'\*.bmp')); filesjpg=ls(strcat(pathname,'\*.jpg')); filesjpeg=ls(strcat(pathname,'\*.jpeg')); filesgif=ls(strcat(pathname,'\*.gif')); filestif=ls(strcat(pathname,'\*.tif')); filespng=ls(strcat(pathname,'\*.png')); files=[cellstr(filesbmp);cellstr(filesjpg);... cellstr(filesjpeg);cellstr(filesgif);... cellstr(filestif);cellstr(filespng)]; len=length(files); flag=[]; % 开始批量处理图像，转换格式 num=0; for ii=1:len if strcmp(cell2mat(files(ii)),'') continue; end num=num+1; Filesname{num}=strcat(pathname,'\',files(ii)); page{num}=imread(cell2mat(Filesname{num})); end filename=input('outputfilename:','s'); save (['C:\Documents\MATLAB\svm数据\',filename],'page');
对训练和测试的四个文件夹分别调用上面代码，会把每个文件夹中的图片都存在 page里面 自己再改名字 我分别命名为
3.
将上面的数据转换成svmtrain调用时需要的数据： 包括灰度化、统一大小、提取特征（这里用的hog特征）、生成label数据等
%获取训练数据 load('C:\Users\Documents\MATLAB\svm数据\car_train_svm_rgb.mat'); load('C:\Users\Documents\MATLAB\svm数据\person_train_svm_rgb.mat'); num_train_car = size(car_train_svm_rgb); num_train_person = size(person_train_svm_rgb); train_num = num_train_car(1, 2) + num_train_person(1, 2); %总训练样本数目 train_data = zeros(train_num, 1); train_label = zeros(train_num, 1); for i = 1 : 1 : num_train_car(1, 2) data_gray=rgb2gray(car_train_svm_rgb{1,i}); data_resize=double(imresize(data_gray,[64 64])); %把数据都转为64 * 64大小的灰度图 feature_of_one = hog(data_resize); %获取hog特征 [m1, n1] = size(feature_of_one); for j = 1 : 1 : n1 oneline = feature_of_one{1, j}; [m, n] = size(oneline); colb = (j - 1) * n + 1; cole = j * n; train_data(i, colb : cole) = oneline; train_label(i, 1) = 1; %car的标签为1 end end for i = 1 : 1 : num_train_person(1, 2) data_gray=rgb2gray(person_train_svm_rgb{1,i}); data_resize=double(imresize(data_gray,[64 64])); %把数据都转为64 * 64大小的灰度图 feature_of_one = hog(data_resize); %获取hog特征 [m1, n1] = size(feature_of_one); for j = 1 : 1 : n1 oneline = feature_of_one{1, j}; [m, n] = size(oneline); colb = (j - 1) * n + 1; cole = j * n; train_data(i + num_train_car(1, 2), colb : cole) = oneline; train_label(i + num_train_car(1, 2), 1) = 2; %person的标签为2 end end %获取测试数据 load('C:\Users\Documents\MATLAB\svm数据\car_test_svm_rgb.mat'); load('C:\Users\Documents\MATLAB\svm数据\person_test_svm_rgb.mat'); num_test_car = size(car_test_svm_rgb); num_test_person = size(person_test_svm_rgb); test_num = num_test_car(1, 2) + num_test_person(1, 2); %总训练样本数目 test_data = zeros(test_num, 1); test_label = zeros(test_num, 1); for i = 1 : 1 : num_test_car(1, 2) data_gray=rgb2gray(car_test_svm_rgb{1,i}); data_resize=double(imresize(data_gray,[64 64])); %把数据都转为64 * 64大小的灰度图 feature_of_one = hog(data_resize); %获取hog特征 [m1, n1] = size(feature_of_one); for j = 1 : 1 : n1 oneline = feature_of_one{1, j}; [m, n] = size(oneline); colb = (j - 1) * n + 1; cole = j * n; test_data(i, colb : cole) = oneline; test_label(i, 1) = 1; %car的标签为1 end end for i = 1 : 1 : num_test_person(1, 2) data_gray=rgb2gray(person_test_svm_rgb{1,i}); data_resize=double(imresize(data_gray,[64 64])); %把数据都转为64 * 64大小的灰度图 feature_of_one = hog(data_resize); %获取hog特征 [m1, n1] = size(feature_of_one); for j = 1 : 1 : n1 oneline = feature_of_one{1, j}; [m, n] = size(oneline); colb = (j - 1) * n + 1; cole = j * n; test_data(i + num_test_car(1, 2), colb : cole) = oneline; test_label(i + num_test_car(1, 2), 1) = 2; %person的标签为2 end end
hog特征提取代码： 网上找的，可以用。抱歉不记得来源了。
function feature = hog(img) [m n]=size(img); img=sqrt(img); %伽马校正 %下面是求边缘 fy=[-1 0 1]; %定义竖直模板 fx=fy'; %定义水平模板 Iy=imfilter(img,fy,'replicate'); %竖直边缘 Ix=imfilter(img,fx,'replicate'); %水平边缘 Ied=sqrt(Ix.^2+Iy.^2); %边缘强度 Iphase=Iy./Ix; %边缘斜率，有些为inf,-inf,nan，其中nan需要再处理一下 %下面是求cell step=16; %step*step个像素作为一个单元 orient=9; %方向直方图的方向个数 jiao=360/orient; %每个方向包含的角度数 Cell=cell(1,1); %所有的角度直方图,cell是可以动态增加的，所以先设了一个 ii=1; jj=1; for i=1:step:m - step %如果处理的m/step不是整数，最好是i=1:step:m-step ii=1; for j=1:step:n - step %注释同上 tmpx=Ix(i:i+step-1,j:j+step-1); tmped=Ied(i:i+step-1,j:j+step-1); tmped=tmped/sum(sum(tmped)); %局部边缘强度归一化 tmpphase=Iphase(i:i+step-1,j:j+step-1); Hist=zeros(1,orient); %当前step*step像素块统计角度直方图,就是cell for p=1:step for q=1:step if isnan(tmpphase(p,q))==1 %0/0会得到nan，如果像素是nan，重设为0 tmpphase(p,q)=0; end ang=atan(tmpphase(p,q)); %atan求的是[-90 90]度之间 ang=mod(ang*180/pi,360); %全部变正，-90变270 if tmpx(p,q)<0 %根据x方向确定真正的角度 if ang<90 %如果是第一象限 ang=ang+180; %移到第三象限 end if ang>270 %如果是第四象限 ang=ang-180; %移到第二象限 end end ang=ang+0.0000001; %防止ang为0 Hist(ceil(ang/jiao))=Hist(ceil(ang/jiao))+tmped(p,q); %ceil向上取整，使用边缘强度加权 end end Hist=Hist/sum(Hist); %方向直方图归一化 Cell{ii,jj}=Hist; %放入Cell中 ii=ii+1; %针对Cell的y坐标循环变量 end jj=jj+1; %针对Cell的x坐标循环变量 end %下面是求feature,2*2个cell合成一个block,没有显式的求block [m n]=size(Cell); feature=cell(1,(m-1)*(n-1)); for i=1:m-1 for j=1:n-1 f=[]; f=[f Cell{i,j}(:)' Cell{i,j+1}(:)' Cell{i+1,j}(:)' Cell{i+1,j+1}(:)']; feature{(i-1)*(n-1)+j}=f; end end %到此结束，feature即为所求 %下面是为了显示而写的 % l=length(feature); % f=[]; % for i=1:l % f=[f;feature{i}(:)']; % end % figure % mesh(f) end
4.训练预测
model = svmtrain(train_label, train_data, '-s 0 -t 2 -c 1 -g 0.1');
[predicted_label, accuracy, decision_values] = svmpredict(test_label, test_data, model);
结果如下：
