使用步骤 1.安装labelme，使用 pip install labelme 命令即可。 2.在labelme环境下输入 labelme命令，打开labelme软件，对图片进行标记，具体方法就是用多边形将所有水体部分圈起来命名为water，并保存文件(json格式)。 3.将main.m文件内fname和imagename改为对应的json文件名和image文件名，之后使用matlab运行main.m文件，稍等片刻，即可看到训练过程，训练结束后可以看到ac率和预测后图像和原始图像的对比。 labelme的GitHub地址： 文件中包含两个测试样例，image1和image2，分别是单通道的遥感水体图像，分辨率为79317301和一个从网上下载的RGB水体图像，分辨率为500333.

文本分类中地特征提取和分类算法综述.pdf

从别人的java源码中提取方法掌纹识别 该项目主要完成掌纹特征提取和分类任务。 数据集包含99个人的掌纹图片，其中每个人的3张掌纹图片分布在训练集中，其他3张掌纹图片分布在测试集中。 在该项目中，我尝试了使用SIFT提取特征的传统方法以及使用KNN进行分类的方法，其准确率达到了97.31％，还尝试了卷积神经网络方法（例如ResNet），获得了83.16％的准确性。 另外，我还尝试使用高斯滤波器，Gabor滤波器等。 处理掌纹图像并从掌纹图像中提取纹理，但是这些方法并没有提高掌纹识别的准确性。 参考博客：

研究对象为白天短时睡眠时记录下来的多导睡眠生理数据,主要是为了提取睡眠过程中出现的睡眠各阶段的特征,并实现自动分期。首先,同步采集了白天20-30 min的短时睡眠过程中的脑电图(EEG)等生理数据；然后利用快速傅里叶变换(FFT)对采集到的数据进行频谱分析,提取睡眠各阶段的频域特征;最后采用支持向量机对短时睡眠数据进行自动分期。实验结果表明: FFT结合支持向量机(SVM)在短时睡眠阶段的研究中能够得到较好的分期结果。因此,通过对短时睡眠过程中浅睡眠各阶段的特征和分类结果的分析,能够为短时睡眠提供客观评

pyAudioProcessing 一个基于Python的库，用于将音频数据处理为特征并构建机器学习模型。 入门 克隆项目并进行设置 git clone git@github.com:jsingh811/pyAudioProcessing.git pip install -e . 通过运行获取需求 pip install -r requirements/requirements.txt 选择项 功能选项： 您可以选择mfcc ， gfcc或gfcc,mfcc功能从音频文件中提取。 分类器选项： 您可以在svm ， svm_rbf ， randomforest ， logisticregression ， knn ， gradientboosting和extratrees 。 每个使用网格搜索的代码都包含超参数调整。 例子 使用gfcc功能和svm分类器的命令行示例。 训练： pyth

毕业论文 图像的特征提取和分类 图像的特征提取和分类 图像的特征提取和分类 图像的特征提取和分类 图像的特征提取和分类