基于MATLAB的HOG+GLCM特征提取与SVM分类实现

一、核心流程

1. 数据准备：组织训练集/测试集文件夹结构
2. 图像预处理：灰度化、归一化、尺寸统一
3. 特征提取：HOG（梯度方向直方图） + GLCM（灰度共生矩阵）
4. 特征融合：串联HOG与GLCM特征向量
5. SVM分类：训练多类分类模型并评估性能

---

二、MATLAB代码实现

1. 数据预处理与特征提取

%% 参数设置
imgSize = [64,64];      % 统一图像尺寸
cellSize = [8,8];       % HOG单元尺寸
distances = [1];        % GLCM计算距离
angles = [0, pi/4, pi/2, 3*pi/4]; % GLCM方向

%% 加载数据集
trainingSet = imageSet('train_data/', 'recursive');
testSet = imageSet('test_data/', 'recursive');

%% 特征提取函数
function features = extractFeatures(img)
    % 灰度化与尺寸调整
    grayImg = rgb2gray(imresize(img, imgSize));
    
    % 提取HOG特征
    hogFeat = extractHOGFeatures(grayImg, 'CellSize', cellSize);
    
    % 提取GLCM特征
    glcmFeat = [];
    for i = 1:length(angles)
        glcm = graycomatrix(grayImg, 'Offset', [0, distances(i)*sin(angles(i)), 0, distances(i)*cos(angles(i))]);
        glcmFeat = [glcmFeat, graycoprops(glcm, {'Contrast', 'Energy', 'Correlation', 'Homogeneity'})];
    end
    
    % 特征融合
    features = [hogFeat, glcmFeat];
end

%% 构建特征矩阵与标签
trainingFeatures = [];
trainingLabels = [];
testFeatures = [];
testLabels = [];

for i = 1:trainingSet.Count
    img = read(trainingSet, i);
    label = trainingSet(i).Description;
    features = extractFeatures(img);
    trainingFeatures = [trainingFeatures; features];
    trainingLabels = [trainingLabels; repmat(label, size(features,1), 1)];
end

for i = 1:testSet.Count
    img = read(testSet, i);
    label = testSet(i).Description;
    features = extractFeatures(img);
    testFeatures = [testFeatures; features];
    testLabels = [testLabels; repmat(label, size(features,1), 1)];
end

2. SVM分类模型训练

%% 数据标准化
scaler = fitcecoc(trainingFeatures, trainingLabels, 'Learners', 'svm', ...
    'Coding', 'onevsall', 'CrossVal', 'on', 'KFold', 5);

%% 模型训练
svmModel = fitcecoc(trainingFeatures, trainingLabels, ...
    'Learners', templateSVM('KernelFunction', 'rbf', 'BoxConstraint', 10, 'KernelScale', 'auto'));

%% 预测与评估
predictedLabels = predict(svmModel, testFeatures);
confMat = confusionmat(testLabels, predictedLabels);
accuracy = sum(diag(confMat))/sum(confMat(:));
disp(['分类准确率: ', num2str(accuracy*100, '%.2f'), '%']);

---

三、关键优化

1. 特征降维

% 使用PCA降维（保留95%方差）
[coeff, score, ~] = pca(trainingFeatures);
selectedFeatures = score(:,1:100); % 选择前100个主成分

2. 参数调优

% 网格搜索优化SVM参数
tuneModel = fitcsvm(trainingFeatures, trainingLabels, ...
    'KernelFunction', 'rbf', ...
    'OptimizeHyperparameters', 'auto', ...
    'HyperparameterOptimizationOptions', struct('AcquisitionFunctionName', 'expected-improvement-plus'));

3. 类别不平衡处理

% 添加类别权重
classWeights = [0.8, 0.2]; % 根据样本比例设置
svmModel = fitcecoc(trainingFeatures, trainingLabels, ...
    'ClassNames', unique(trainingLabels), ...
    'Cost', [0 1; 2 0], ... % 错误分类惩罚矩阵
    'ClassNames', classWeights);

---

四、性能评估

%% 分类报告
disp('分类报告:');
disp(classificationReport(testLabels, predictedLabels));

%% ROC曲线（二分类示例）
[X,Y,T,AUC] = perfcurve(testLabels, predictedLabels, 'cat1');
figure;
plot(X,Y);
xlabel('False Positive Rate');
ylabel('True Positive Rate');
title(['AUC = ', num2str(AUC, '%.2f')]);

参考代码 对图片提取HOG、GLCM特征，利用SVM进行分类 www.youwenfan.com/contentcnq/60101.html

五、完整代码结构

Project/
├── data/
│   ├── train_data/  # 训练集（子文件夹为类别）
│   └── test_data/   # 测试集
├── src/
│   ├── feature_extraction.m  # 特征提取函数
│   └── svm_classifier.m      # SVM分类函数
├── results/
│   ├── confusion_matrix.png
│   └── roc_curve.png
└── main.m                    # 主程序入口

---

六、典型应用场景

1. 工业质检：识别金属表面缺陷（划痕、斑点等）
2. 医学影像：分类X光片中的病变区域（如肺炎检测）
3. 交通标志识别：基于偏振特性的多角度分类

---

七、注意事项

1. 数据集平衡：使用imbalancedData工具箱处理类别不均衡
2. 特征可视化：通过t-SNE降维观察特征分布
3. 实时性优化：使用parfor并行计算加速特征提取

---

八、扩展改进

1. 多尺度特征融合：结合不同尺度的HOG特征
2. 深度学习结合：使用预训练CNN提取高层特征
3. 迁移学习：在小样本场景下微调预训练模型