پروژه آموزشی طبقه بندی تصاویر با شبکه عصبی در متلب

توضیحات

طبقه بندی تصاویر با شبکه عصبی در متلب

در این برنامه با ترکیب توصیفگر هیستوگرام جهت گرادیان (hog) و ماشین بردار پشتیبان چند کلاسه نتایج بسیار خوبی به دست آمد. دقت دسته‌بندی تصاویر 100 % است. ولی برای پیاده‌سازی الگوریتم hog مجبور به استفاده از تابع MEX شدم چون تابع مناسب دیگری که فقط از دستورات متلب استفاده کرده باشد پیدا نکردم. همچنین با توجه به جزئیات زیاد الگوریتم hog در صورتی که آن را فقط با دستورات متلب پیاده‌سازی کنیم زمان اجرای برنامه بسیار بالا خواهد رفت.

برای استخراج ویژگی hog از تابع HoG.mexw32 استفاده می‌کنیم. من فایل HoG.cpp این تابع را بر روی سیستم خودم کامپایل کردم و شما نیازی به کامپایل آن بر روی سیستم خود ندارید. برای اجرای فایل‌های mex نیازی نیست حتما برنامه visual studio را نصب کنید. کامپایلر‌های دیگری هم برای پشتیبانی متلب از فایل‌های MEX وجود دارد. متلب یک کامپایلر داخلی به نام lcc-win32 دارد که برای اجرای فایل‌های mex به کار می‌رود. همچنین می‌توانید بسته Microsoft Windows sdk 7.1  را هم نصب کنید که برای کامپایل و اجرای فایل‌های c و c++ در متلب به‌کار می‌رود.

برای دسته‌بندی تصاویر از الگوریتم SVM چند کلاسه و روش یکی در برابر همه (one-agains-all) استفاده می‌کنیم. برای پیاده‌سازی  SVM چند کلاسه از کتابخانه libsvm استفاده کردم چون روش یکی در برابر همه با استفاده از دستورات SVM متلب قابل پیاده سازی نبود. کتابخانه libsvm فقط مختص الگوریتم SVM نوشته شده و دستورات بیشتر و جامع‌تری نسبت به کتابخانه SVM متلب دارد. بخشی از دستورات کتابخانه libsvm برای اجرای سریع تر با استفاده از توابع MEX نوشته شده است. کتابخانه libsvm مانند یک toolbox به کتابخانه‌های متلب اضافه می‌شود و قالب دستورات آن تفاوت زیادی با دستورات SVM متلب ندارد.

طبقه بندی تصاویر با شبکه عصبی در متلب  توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.