SVM для классификации характеристик изображения?

Question

Я реализовал Spatial пирамиды Matching алгоритма разработанного Лазебника в Matlab и последний шаг, чтобы сделать SVM классификации. И в этот момент я совершенно не понимаю, как я должен это сделать, с точки зрения ввода, который я должен предоставить функциям svmtrain и svmclassify, чтобы получить пар координат точки объекта в конце тестового и тестового изображения.

у меня есть:

• координата SIFT характерных точек на изображении поезда
• координаты просеять характерные точки на изображении поезда
матрица ядра
• пересечений железнодорожного изображения
• пересечения матрицы ядра для тестовое изображение.

Какой из них я должен использовать?

Answer 1

Классификатор SVM ожидает ввода набора объектов (изображений), представленных кортежами, где каждый кортеж представляет собой набор числовых атрибутов. Некоторые функции изображения (например, гистограмма уровня серого) обеспечивают представление изображения в виде вектора числовых значений, который подходит для обучения SVM. Однако алгоритмы выделения признаков, такие как SIFT, будут выводить для каждого изображения набор векторов. Так что вопрос:

Как мы можем преобразовать этот набор векторов объектов в уникальный вектор, который представляет изображение?

Для решения этой проблемы вам необходимо использовать технику, которая называется bag of visual words.

Answer 2

Проблема в том, что количество точек различно, SVM ожидает, что вектор функций будет иметь одинаковый размер для поезда и для теста.

Answer 3

координаты характерных точек просеять на координатах поезда изображением художественных SIFT точек на изображении поезда

координаты не поможет для SVM.

Я хотел бы использовать:

1. числа найденных Просеять характерные точки
2. сегмента изображения в небольших прямоугольниках и использовать присутствие точки SIFT-Feature в конкретного прямоугольника как булевы функции стоимость. Особенностью является функция типа rect/SIFT типа . для типов объектов N-Rect и M-SIFt вы получаете N * M.

Второй подход требует пространственной нормализации изображений - тот же размер, то же самое вращение

P.S .: Я не эксперт в области ОД. Я только сделал несколько экспериментов по распознаванию клеток в изображениях микроскопа.