SVM 用于图像特征分类？

Posted 2023-03-12

【中文标题】SVM 用于图像特征分类？

【英文标题】：SVM for image feature classification?

【发布时间】：2012-03-13 23:19:20

【问题描述】：

我实现了空间金字塔匹配算法设计的 Lazebnik 在 Matlab 中，最后一步是做 svm 分类。在这一点上，我完全不明白我是如何 应该按照我应该向svmtrain 提供的输入和 svmclassify 函数获取特征点坐标对 最后训练和测试图像。

我有：

火车图像上SIFT特征点的坐标 SIFT 特征点在火车图像上的坐标 训练图像的交叉核矩阵 测试图像的交叉核矩阵。

我应该使用哪一个？

【参考方案1】：

SVM 分类器期望输入一组由元组表示的对象（图像），其中每个元组是一组数字属性。一些图像特征（例如灰度直方图）以适合训练 SVM 的数值向量的形式提供图像表示。然而，像 SIFT 这样的特征提取算法将为每张图像输出一组向量。所以问题是：

我们如何将这组特征向量转换为代表图像的唯一向量？

要解决这个问题，您必须使用一种称为bag of visual words 的技术。

【讨论】：

我知道视觉词袋，Lazebnik 论文就是这样。我的问题是如何获取匹配两个图像的空间信息，而不是说它们相似。我想知道在使用直方图/字典/弓时，SVM 的应用是否会让我更接近这一点，或者通常不可能在特征点之间进行精确匹配？

【参考方案2】：

问题在于点的数量不同，SVM 期望特征向量在训练和测试中的大小相同。

【参考方案3】：

SIFT特征点在火车图像坐标上的坐标 火车图像上的SIFT特征点

坐标对 SVM 没有帮助。

我会使用：

找到的SIFT特征点的个数 将图像分割成小矩形，并使用 SIFT 特征点的存在 特定的矩形作为布尔特征值。那么该特征就是 rect/SIFT 特征类型 组合。对于您获得的 N-Rects 和 M-SIFt 特征点类型 N*M 个特征。

第二种方法需要图像的空间归一化 - 相同的大小，相同的旋转

P.S.：我不是机器学习方面的专家。我只是在显微镜图像中做了一些关于细胞识别的实验。