从特征向量分类

Question

我对此很陌生;我尝试将纹理分类为有缺陷或无缺陷。我使用了带有Matlab的Gabor滤波器组，它输出了图像的Gabor特征的列向量。我有一组无缺陷的图像和有缺陷的图像。

我的问题是，我现在可以用这个（或这些）特征向量对纹理进行分类？我已经阅读了很多类型的分类，但是找不到任何类似的实现类型来帮助我了解我正在做什么。非常感谢。

Answer 1

如果您提取了特征向量，还有很多方法可以使用。

• 例如，您可以对两个班级的样本使用svm方法。

• 更简单的方法包括最近邻居，最近的质心等

编辑：

我认为这会是一个评论，但它太大而不适合。

关于样品的可分离性：

• 确定线性可分性的一种方法是使用线性svm作为边界（除非您关注时间效率，否则无论如何都会遇到线性问题）。这个svm模型没有过度推断，可以提供关于可分性的线索。
• 其他选项包括将样品投影到更少尺寸的pca，这些尺寸减小的样品可以轻松绘制，以便在视觉上进行检查。这种方法具有视觉检查的优点，但它取决于pca步骤它如何代表样品的可分离性。也许可分离性在于非主成分（即样本的维度），然后pca就会失败。
• 作为一个粗略的近似，我经常将我的样本的随机尺寸绘制在一起，以获得它们的快速（当然可能是不准确的）外观。例如，如果您有100维的样本，则只能绘制前两个维度（就像您有二维样本一样），以查看您的两个类是否在很大程度上发生碰撞。如果他们这样做，那么你可以检查其他尺寸，但如果他们不知道，那么你知道它们至少可以分离到某些尺寸。

Answer 2

您可以使用支持向量机（SVM）或神经网络。 SVM被广泛使用并且给出了很好的结果。一个如何在Matlab中使用它的例子。

1. 首先，您需要将数据划分为＆＃39; Training＆＃39;和＆＃39;测试＆＃39;集。
2. ＆＃39;训练＆＃39; set是您知道的那个，即在您的情况下，您知道哪些纹理是有缺陷的，哪些是无缺陷的。
3. ＆＃39;测试＆＃39; set是您要测试分类方法的那个。

让我们说training矩阵包含所有训练集图像的Gabor特征，其中每行对应于图像的特征向量（转置列向量）。让我们假设前25个是无缺陷的，接下来25个是有缺陷的。现在，您需要创建一个group矩阵，告诉SVM哪些是有缺陷的，哪些不是。所以，

group = [ones(25,1); -1*ones(25,1)]; // non-defective = 1, defective = -1    
SVMStruct = svmtrain(training, group);

SVMStruct是支持向量，您将用它来分类＆＃39;测试＆＃39;数据。让我们说testing矩阵包含Gabor功能，如前所述。

results = svmclassify(SVMStruct, testing);

results是最终决策矩阵，其中包含1或-1，具体取决于所做的决定。