从特征向量分类答案

【问题标题】：Classification from a feature vector从特征向量分类
【发布时间】：2015-03-20 01:08:01
【问题描述】：

我对此很陌生；我试图将纹理分类为有缺陷的或无缺陷的。我在 Matlab 中使用了 Gabor 滤波器组，它输出图像的 Gabor 特征的列向量。我有一个无缺陷图像和有缺陷图像的数据集。

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吗？我已经阅读了许多类型的分类，但找不到任何类似的实现类型来帮助我了解我在做什么。非常感谢。

【问题讨论】：

这个问题的格式不适合 Stack Overflow（即这不是代码问题）。您应该考虑在stats.stackexchange.com 或dsp.stackexchange.com 询问。
@Dan 谢谢，我会在 dsp 上问。

【解决方案1】：

您可以使用支持向量机 (SVM) 或神经网络。支持向量机被广泛使用并给出了很好的结果。如何在 Matlab 中使用它的示例。

假设training 矩阵包含所有训练集图像的 Gabor 特征，其中每一行对应于图像的特征向量（转置列向量）。让我们假设前 25 个没有缺陷，接下来的 25 个有缺陷。现在，您需要创建一个group 矩阵，它告诉 SVM 哪些有缺陷，哪些没有。所以，

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

SVMStruct 是您将用于对“测试”数据进行分类的支持向量。假设testing 矩阵包含之前的 Gabor 特征。

results = svmclassify(SVMStruct, testing);

results 是最终的决策矩阵，包含 1 或 -1，具体取决于做出的决策。

【讨论】：

+1 我从您的示例中了解到，您有一个包含 50 个图像的训练集：25 个有缺陷的图像和 25 个无缺陷的图像。我们使用转置特征向量的训练矩阵来训练 SVM。我有点不确定 svmtrain 是做什么的。它是如何将训练矩阵与组矩阵关联起来的？
组矩阵告诉 SVM 哪些特征是有缺陷的，哪些是无缺陷的。因此，在我们的示例中 group(1)=1 这意味着training 矩阵的第一行是无缺陷图像的特征。同样，对于所有其他行。
感谢您的信息 - 非常有帮助。

【解决方案2】：

如果你已经提取了你的特征向量，有很多方法可以去。

编辑：

我以为这是一条评论，但它太大了，无法容纳。

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支持向量机作为边界（除非您担心时间效率，因此无论如何您都坚持使用线性）。此 svm 模型不会过度训练，并且可以提供有关可分离性的线索。
其他选项包括 pca，它将您的样品投影到更少的尺寸，并且这些尺寸减小的样品可以很容易地绘制出来以进行视觉检查。这种方法具有目视检查的优势，但它取决于 pca 步骤它代表样本可分离性的程度。也许可分离性在于非主要成分（即样本的尺寸），然后 pca 就失败了。
作为粗略的近似值，我经常将样本的随机尺寸绘制在一起，以便快速（当然也可能不准确）查看它们。例如，如果您有 100 个维度的样本，您可以仅绘制前两个维度（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冲突。如果有，那么您可以检查其他维度，但如果没有，那么您知道它们至少在某些维度上是可分离的。

【讨论】：