朴素贝叶斯最近邻（NBNN）在MATLAB中的实现

几天前我把这篇文章贴在了简历上，但论坛基本上没有注意到。我试图在MATLAB中实现在CIFAR-10图像数据集上进行图像分类。该算法非常简单，我对它的正确性很有信心，但是，我收到了22-28%的可怕的准确率。我不确定为什么，我希望有图像分类或算法经验的人能给我指出正确的方向。该算法学习了SIFT图像描述符，这可能是其性能不佳的原因之一。Matlab只有一个SURF特征检测器。据我所知，SURF/SIFT基本上是等效的。我一直在使用从下面的函数中获得的

功能来训练我的模型

points = detectSURFFeatures(rgb2gray(image));
[features,valid_points] = extractFeatures(image,points);

CIFAR数据集和这种方法的另一个可能问题是图像的小尺寸。每个图像都是32 x 32的图像，我相信这使得特征检测非常困难。我在
detectSURFFeatures（）
中使用了不同的倍频程设置，但没有任何东西使我的准确度超过28%

该方法的注释代码如下所示。这很难理解，但可能还是有帮助的

希望有人能帮我

for i = 3001:4000 %Train on the first 3000 instances and test on the remaining 1000.
    closeness = [];
    for j = 1:10 %loop over the 10 catergories
        class = train(trainLabel==j,:); % Pull out all descriptors that belong to class j
        descriptor = test(test_id==i,:); % Pull out all descriptors for image i
        [idx,dist] = knnsearch(class,descriptor,'K',1); % Find the distance between the descriptors and the closest labeled descriptor in class j.
        total = sum(dist); % sum up distances
        closeness = [closeness,sum(total)]; % append a vector of the image-to-class distances.
    end
    [val,cat] = min(closeness); % Find choose the class that resulted in the lowest, summed distance.
    predLabel = [predLabel;cat]; % Append to a vector of labels.
    i
end

如果您的图像是32x32像素，那么尝试检测兴趣点不是一个好主意。正如您所观察到的，您将获得很少的特性（如果有的话）。对图像进行上采样是一种选择。另一个选项是使用全局描述符，如HOG（
extractHOGFeatures
）。
使用灰度图像检测冲浪特征，但从原始RGB图像提取特征。这能像你期望的那样工作吗？如果在灰度图像上使用
提取特征
，结果如何？因此，检测特征对我来说一直是一个不确定的领域。我尝试在32x32图像上检测冲浪特征，但收到的输出非常稀疏。仅检测到一个或两个特征，在某些情况下未检测到特征。在玩过调整大小之后，我意识到图像越大，我接收到的功能就越多，因此在对图像运行功能检测之前，我最终将图像调整为256x256。下面是我用来提取特征的两行代码<代码>点=检测特征（I）

然后

[功能，有效的\u点]=提取功能（I，点）

。迪玛，你似乎对图像处理感兴趣-你能帮我们打开这个专门的小组吗：只需对不到10票的问题进行投票。谢谢