Computer vision 如何将libsvm与词包直方图结合使用

我已经成功地将图像转换为可视文字的直方图表示。它可以是以下简单的东西（标准化）：

加起来是1

现在，如果我对上面的直方图有很多不同的迭代，我想用libsvm对它进行分类。但我被困在这里，我知道svmtrain的语法：

model=svmtrain(label,training_matrix)

训练矩阵应该是我所有直方图的一个m x n矩阵 但是标签呢？我知道应该是+1，或者-1，但是负片是从哪里来的呢？培训矩阵中的所有内容都应该是代表班级的正面形象

---

我把每个直方图作为一个单独的实例来处理，这是错误的吗？相反，如果我把每一个视觉单词都当作一个实例，那么我会从代表这个类的单词中得到否定。

我假设，你的类是具有视觉相似性的图像组。 然后：

• 每个图像都是一个实例
  • 图像直方图作为一个变换/缩小的图像数据而不是别的，因此每个图像直方图也是一个实例
• 直方图中的每个箱子都是一个特征

我建议您将直方图转换为文本文件，并使用二进制工具和进行第一次评估

然而，我想，如果颜色/强度不是对象的主要区别特征，那么仅直方图就不会给出好的结果

---

如果您的小图像上只有对象，且没有太多背景，则更好的快速解决方案是将图像缩小到例如32x32，并使用像素值作为特征。

通常使用SVM将实例（例如图像）分类为两个或更多类。你能澄清一下你的课程是什么吗？您是在尝试区分两种类型的图像，还是在给定图像中的“视觉文字”（例如，识别图像中的元素）？@etov我正在尝试对图像进行分类右侧，但您是在尝试对图像进行什么分类？i、 你有一些课程吗，比如人对风景对建筑？如果是这种情况，为了构建“人物”分类器，你可以使用“人物”图像作为正面示例，“风景”或“建筑物”图像作为负面示例。此外：如果你真的想对人物/建筑物等进行分类，直方图的准确度不会很高。

model=svmtrain(label,training_matrix)