基于matlab和bag of words的图像分类， 目录中不包含数据集！ 设计目标 输入一幅图像，输出标签 可以固定图片大小 实现 数据集：caltech101 matlab + bag of words 改自ImageCategoryClassificationTrainSample bag of words：利用matlab中bagOfFeatures函数提取SURF特征并K-means聚类构造“词典” svm：利用trainImageCategoryClassifier函数训练线性SVM分类器 测试结果： 训练集正确率：97.91% 测试集正确率：30.11% matlab + cnn + svm 改自DeepLearningImageClassificationSample cnn：利用预先训练好的AlexNet CNN网络获取特征向量，由于AlexNet已经针对ImageNet上的众多样本进行了训练，从其中抽取的特征向量对于一般图像具有较强的区分能力 svm：fitcecoc函数可以方便地训练基于SVM的多分类分类器 测试结果： 训练集正确率：99.67% 测试集正确率：77.95% 运行说明 两个实验文件夹都包含xml、m文件 xml为matlab2016b的新功能，旧版本可使用m文件 两个文件夹都有predictCategory.m文件，该函数输入参数为一幅任意图形，输出参数为类别字符串的元胞数组

bagofwords_classification是opencv_contrib中用bags of words对图像进行分类的一个范例，其测试数据是PASCAL VOC。PASCAL VOC为图像识别和分类提供了一套标准化的优秀数据集，该数据集是验证各种精妙算法性能的标准评估系统。在配置好opencv和opencv_contrib，准备好VOC测试数据的前提下，该工程可以直接编译，访问livezingy.com可以获取更多详细信息。