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。我有一组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）特征向量做什么来对纹理进行分类？我读过很多类型的分类，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。

Answer 1

如果您已经提取了特征向量，还有很多方法可以去。

编辑：

我以为这会是一条评论，但它太大了，放不下。

关于你的样品的可分离性：

确定线性可分性的一种方法是使用线性 svm 作为边界（除非您担心时间效率，所以无论如何您都会坚持使用线性）。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。
其他选项包括一个 pca，它将您的样本投射到更少的维度，并且可以轻松地绘制这些减少维度的样本以进行视觉检查。这种方法具有目视检查的优势，但它取决于主成分分析步骤它代表样品可分离性的程度。也许可分离性在于非主成分（即样本的维度），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 维的样本，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碰撞。如果他们这样做，那么您可以检查其他维度，但如果他们不这样做，那么您知道他们至少在某些维度上是可分离的。

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 个是无缺陷的，接下来的 25 个是有缺陷的。现在，您需要创建一个 group 矩阵来告诉 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 'Testing' 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 是最终决策矩阵，其中包含 1 或 -1，具体取决于所做的决策。

Classification from a feature vector