图像的哪些特征会在 SVM 多类图像分类中产生良好的结果？答案

【问题标题】：What features of images will produce good result used in SVM multiclass image classification?图像的哪些特征会在 SVM 多类图像分类中产生良好的结果？
【发布时间】：2016-07-12 21:20:55
【问题描述】：

我正在使用opencv2.4和python 2.7。图像的哪些特征可以用于svm分类。我已经经历过surf和sift，但作为初学者对我来说似乎很难。还有哪些其他特征提取技术？

【问题讨论】：

标签： python opencv image-processing machine-learning svm

【解决方案1】：

如果您正在寻找最简单的表示，那么这将对您有所帮助。与其他 SIFT 和 SURF 相比，这两个非常简单

位图表示
HOG-梯度直方图

SVM是一种用于数据分类的机器学习模型。我已经建立了一个简单的svm分类器。如果你有两个图像文件夹，鸟和松鼠。我遵循的步骤是

提取图像的 Hog 特征并将其附加到列表中

for file in listing1:
 img = cv2.imread(path1 + file)
 res=cv2.resize(img,(250,250))
 h=hog(res)
 training_set.append(h)

同时添加标签
```
 training_labels.append(1)
```

将两个列表都转换为 numpy 数组。

trainData=np.float32(training_set)
responses=np.float32(training_labels)

训练支持向量机

svm.train(trainData,responses, params=svm_params)

测试支持向量机

result = svm.predict_all(testData)
print result

【讨论】：

有个主意。谢谢