基于SVM的图像分割-真彩色图像分割,基于svm的图像分类,matlab源码

采用Hu矩进行特征提取，采用SVM作为分类器，主要用于学习代码及思路，本人实验结果并不是很理想。

在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特 征对于遥感影像分类精度的提高也有很重要的作用。本文主要研究了通过灰度共生矩阵提取纹理特征图像的方 法, 对该方法提取纹理特征图像进行了相关的实验分析。并将其在分类中的应用进行实验, 证明了灰度共生矩阵 提取的纹理特征对图像分类精度提高起到一定的作用。

树莓派zero图像分类与目标检测 山东大学（威海） 2018级数据科学与人工智能实验班 孙易泽 吴锦程 詹沛 徐潇涵 树莓派zero图像分类与目标检测是深度学习的研究项目，旨在通过深度学习算法，实现树莓派的实时识别与分类。 在树莓派上运行深度学习主要分为以下几个步骤： 首先是数据的获取及预处理，图像分类与目标检测需要大量干净且高质量的图片数据进行训练，我们需要通过不同方式，尽可能多的获取到相关的图片数据，并处理为深度学习可用的形式。 接下来先实现图像分类，根据深度学习领域存在的相关模型，选择适合于树莓派上运行的深度学习模型。通过Tensorflow2搭建深度学习框架，通过对模型参数不断调整，训练出正确率高且能快速运行的模型。通过对模型的不断改进，在保持模型正确率的同时，减小模型的大小。 目标检测模型也是一个侧重点，我们选择轻量级的深度学习模型，并使用Tensorflow2 Object D

1.基于Keras批量修改文件名以定义标签； 2.可根据自己的数据集图像特点调整参数，实现2分类或多分类任务的模型训练； 3.模型结构可自己更改； 4.输出训练loss和accuracy变化曲线。

基于SVM的图像分割-真彩色图像分割,基于svm的图像分类,matlab源码.zip

HOG+SVM 使用说明： 上面的hog_svm.py是用于训练的，通过提取图片的hog特征，然后通过SVM进行训练得到model，最后通过model进行预测,将结果写入result.txt文件之中。 代码不难，大家根据需要自己改改。 不要将hog的参数设置的太复杂。不然提取的特征会非常大，然后训练的时候会占满内存，导致机器死机。

关于用SOM算法进行高光谱遥感图像分类的问题-hyperspectraldataopen.m 小弟想要基于这个基本的SOM算法对.lan格式的这个数据进行分类，数据维数较高（220维），还望各位不吝赐教啊！

MNIST图像分类 MNIST（“国家标准技术研究院”）是计算机视觉的事实上的“ Hello World”数据集。 自从1999年发布以来，这个经典的手写图像数据集已成为基准分类算法的基础。 随着新的机器学习技术的出现，MNIST仍然是研究人员和学习者的可靠资源。 数据集包含两个文件： 1.）mnist_train.csv 2.）mnist_test.csv mnist_train.csv文件包含60,000个培训示例和标签。 mnist_test.csv包含10,000个测试示例和标签。 每行包含785个值：第一个值是标签（0到9之间的数字），其余784个值是像素值（0到255之间的数字）。 在这里，我们使用Keras（以TensorFlow作为后端）作为主要包，以创建一个简单的神经网络，以尽可能准确地预测手写图像中的数字。

关于用SOM算法进行高光谱遥感图像分类的问题-92av3gt.rar 小弟想要基于这个基本的SOM算法对.lan格式的这个数据进行分类，数据维数较高（220维），还望各位不吝赐教啊！