步驟1:建立圖像類別集。
圖像分為訓練子集和測試子集。imageDatastore函數用於存儲訓練分類器的圖像。SplitEachLabel函數可用於將圖像分割成訓練數據和測試數據。
讀取類別圖像並創建圖像子集
setDir = full file(toolbox dir(' vision ')，' visiondata '，' imageSets ')；
imds = imageDatastore(setDir，' IncludeSubfolders '，true，' LabelSource '，' foldernames ')；
劃分圖集成了訓練和測試子集。在下面的例子中，30%用作訓練數據，其余的用作測試數據。
[trainingSet，testSet] = splitEachLabel(imds，0.3，' randomize ')；
第二步:建立特征詞袋。
通過從每個類別的代表性圖像中提取特征描述符，創建視覺詞匯或特征包。
通過對從訓練集中提取的特征描述符使用k-means聚類算法，bagOfFeatures對象定義了特征和視覺詞匯。該算法叠代地將描述符分成k個互斥的簇。所得到的集群是緊湊的，並且具有相似的特征。每個聚類中心代表壹個特征或壹個視覺單詞。您可以基於特征檢測器提取特征，也可以定義壹個網格來提取特征描述符。網格方法可能會丟失詳細信息。因此，網格用於不包含明顯特征的圖像，例如海灘等風景的圖像。使用加速魯棒特征(或SURF)檢測器來提供更大的比例不變性。默認情況下，算法運行網格方法。
該算法的工作流程是將圖像作為壹個整體進行分析。圖像必須有適當的標簽來描述它們所代表的類別。例如，壹組汽車圖像可以被標記為汽車。工作流不依賴於空間信息，也不依賴於標記圖像中的特定對象。視覺單詞包技術依賴於非本地化檢測技術。
第三步:通過視覺單詞包訓練圖像分類器。
函數的作用是:返回壹個圖像分類器。該方法使用基於二分類支持向量機(SVM)的糾錯輸出碼(ECOC)框架來訓練多分類器。
此方法使用bagOfFeatures對象返回的視覺單詞包將圖像集中的圖像編碼到視覺單詞直方圖中。然後將視覺詞的直方圖作為訓練分類器的正負樣本。
1，訓練集中的每幅圖像都采用bagOfFeature的編碼方法進行編碼。該函數檢測並提取圖像中的特征，然後利用最近鄰算法構造每幅圖像的特征直方圖。函數將描述符逼近聚類中心，以增加直方圖中每個柱的值。直方圖的長度取決於bagOfFeatures對象構造的視覺詞的數量。最後，將直方圖作為圖像的特征向量。
2.對訓練集中的每個圖像重復步驟1，以建立訓練數據。
3.評估分類器。使用imagecategoryclassifier的evaluate方法在測試圖像集上測試分類器。輸出混淆矩陣可以分析預測結果。理想的分類結果是對角線上有壹個標準矩陣。不正確的分類導致小數值。
步驟4:對圖像或圖像集進行分類。
最後，使用圖像分類器的預定義方法對新圖像進行分類，以確定其類型。