SVM对手写数字的识别

其实就一个图像特征的提取（一种较简单的方法是将图像分成n*n的区域，统计每块区域中像素点所占的百分比），和SVM中参数的选择（上一篇文章）。不多说，上一波代码（Matlab）。运行有点久，因为参数选择很耗时间（相当于运行了100次），如果不需要参数选择，可以采用默认参数就好。每一次对应参数的分类准确率保存在R_train和R_test中。

clc
clear
%载入数据。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
size_pic = 6;
% 利用uigetfile函数交互式选取训练样本
[FileName,PathName,FilterIndex] = uigetfile( ...
    {'*.jpg';'*.bmp'},'请导入训练图片','*.png','MultiSelect','on');
if ~FilterIndex
    return;
end
num_train = length(FileName);
TrainData = zeros(num_train,size_pic*size_pic);
TrainLabel = zeros(num_train,1);
for k = 1:num_train
    pic = imread([PathName,FileName{k}]);
    pic = pick_feature(pic);%提取图像特征
    % 将标准化图像按列拉成一个向量并转置，生成6*6的训练样本矩阵
    TrainData(k,:) = double(pic(:)');
    % 样本标签为样本所对应的数字
    TrainLabel(k) = str2double(FileName{k}(1));
end
[FileName,PathName,FilterIndex] = uigetfile( ...
    {'*.jpg';'*.bmp'},'请导入测试图片','*.png','MultiSelect','on');
if ~FilterIndex
    return;
end
num_train = length(FileName);
TestData = zeros(num_train,size_pic*size_pic);
TestLabel = zeros(num_train,1);
for k = 1:num_train
    pic = imread([PathName,FileName{k}]);
    pic = pick_feature(pic);
    TestData(k,:) = double(pic(:)');
    TestLabel(k) = str2double(FileName{k}(1));
end
%%
%SVM识别。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
g = [2^0, 2^-1, 2^-2, 2^-3,2^-4,2^-5,2^-6,2^-7,2^-8,2^-9];%g参数
c = [2^7,2^6,2^5,2^4, 2^3 ,2^2, 2^1, 2^0,2^-1,2^-2];%C参数
R_train = zeros(10,10);%对应参数训练集的分类准确率
R_test = zeros(10,10);%对应参数测试集的分类准确率

for i=1:10
    for j=1:10
        cmd = ['-c ',num2str(c(i)),' -g ',num2str(g(j))];%模型参数
        model = svmtrain(TrainLabel, TrainData, cmd);
        % 在训练集上查看识别能力
        preTrainLabel = svmpredict(TrainLabel, TrainData, model);%样本集分类情况。。
        preTestLabel = svmpredict(TestLabel, TestData, model);%测试集预测情况。。。。
        size_train = size(preTrainLabel);
        size_test = size(preTestLabel);
        corretnum1 = 0;
        for m = 1:size_train(1);
            if preTrainLabel(m) == TrainLabel(m);
                corretnum1 = corretnum1 +1;
            end
        end
        R_train(i,j) = corretnum1/size_train(1);
        
        corretnum2 = 0;
         for n = 1:size_test(1)
            if preTestLabel(n) == TestLabel(n);
                corretnum2 = corretnum2 +1;
            end
         end
        R_test(i,j)=corretnum2/size_test(1);
    end
end

function [ A ] = pick_feature( pic )
%UNTITLED Summary of this function goes here
%   Detailed explanation goes here
%pic = 255-pic;
% 设定阈值，将反色图像转成二值图像
pic = im2bw(pic,0.4);
% 查找数字上所有像素点的行标y和列标x
[y,x] = find(pic == 1);
% 截取包含完整数字的最小区域
pic_preprocess = pic(min(y):max(y), min(x):max(x));
[m, n] = size(pic_preprocess);
b = 6;%将图像等分为10*10的区域；
i = floor(m/b);%行列的等分大小
j = floor(n/b);
s = i*j;
A = zeros(b);%存取每个区域的特征（特征=像素/面积）
T = 0.1;%阀值
for k=1:b
    for h=1:b
        arry_b = pic_preprocess(1+(k-1)*i:k*i,1+(h-1)*j:h*j);
%        if sum(sum(arry_b))/s > T
            A(k,h) = sum(sum(arry_b))/s;
 %       end
    end
end