这里，写自定义目录标题的以往的图像分类算法的原理(1)数据集的处理)2)图像特征提取)3)训练分类器)4)图像分类
所谓图像分类，顾名思义，是输入一张图像，输出将该图像的内容进行分类后的描述的问题。 它是计算机视觉的核心，在实际中得到广泛应用。
图像分类的传统方法是特征描述和检测，这种传统方法对一些简单的图像分类可能有效，但实际情况非常复杂，使得传统的分类方法不堪重负。
传统图像分类算法原理(1)输入图像数据集
(2)图像预处理
(3)特征提取
)4)培训分类器
)5)图像分类识别
以上是图像分类算法的基本步骤。
接下来，介绍各个步骤的处理。
(1)数据集的处理首先，数据集分为训练集和测试集两类。 培训集，顾名思义，就是让计算机学习数据的特点。 在训练集中，影像是一组已经分类并标示为的资料，而在测试集中，影像则包含不同类型的影像。 如下图所示。
此图为创建数据培训集
上图是需要分类的图像测试集
创建数据集后，接下来进行数据预处理。 这包括一系列提高图像质量的图像处理操作，如图像规范化、调整图像大小和图像去噪。 这些预处理也是为了使计算机更好地学习数据的特点，避免因不必要的噪声而模糊。
)图像特征提取众所周知，计算机不识别图像，只识别数字。 为了让计算机“理解”图像并拥有真正意义上的“视觉”，考虑如何从图像中提取有用的数据和信息，以获得图像“非图像”(如数值、矢量和符号)的表示和描述。 这个过程是特征提取，提取的这些“非图像”的显示和记述是特征。 有了这些数值和向量形式的特征，通过训练过程可以教计算机如何理解这些特征，使计算机具有识别图像的能力。
图像特征是一类对象与另一类对象区别开的相应的(本质的)特征或特性，或者是这些特征和特性的集合。 特征是可以通过测量和处理提取的数据。 每个图像都有自己的特征，可以与其他图像区分开来，也有直观的自然特征，如亮度、边缘、纹理和颜色。 有些是通过变换或处理得到的，如力矩、直方图、主要成分等。
在此，提取出新名词——的特征向量。 我们通常将一类对象的多个特性组合在一起以形成一个特征向量以表示该类对象，而只有单个数字特征的特征向量是一个一维向量并且是n个特性
的组合将是n维的特征向量。 这样的特征向量常常是识别系统的输入。 实际上，n维的一个特征在于n维空间，标识分类的任务是找到这个n维空间的划分。
在特征提取时，通常基于图像的特征量来选择最佳的特征提取算法。 接下来介绍几种常用的特征提取算法。
LBP特征提取(1)原理
LBP )全称是局部二值模式，是本地二进制模式的缩写。 最初研究该算法是为了帮助图像的局部对比度，现在来说是描述图像的纹理，但作为描述符并不是在各个方面都能最大限度发挥的特征描述符。 当然，它也有独特的优点，例如可以快速轻松地实现，对于图像的强度和光的强度的变化也不会改变等。 LBP的计算思维是利用结构化思想提取由图像划分的每个区域的特征，对每个区域进行统计，作为最终的图像特征的提取。
初始时，LBP运算符被定义在3*3这一区域，如果以该区域的中心像素为基准值，比较与其相邻的8个灰度值(具体的比较方法如图2.1所示)，则结果得到8位的二进制数，一般将其转换成十进制数，即LBP码
)2)提取基本步骤
首先将提取特征的图像分割为16*16个区域；
然后，对于各区域内一个像素，通过上述LBP值的取得方法，得到该区域的中心像素的LBP值
然后根据该值计算每个部分的直方图，即每个数字的出现次数，用归一化处理直方图；
最后将各部分得到的直方图连接成一个特征向量，即全图的LBP纹理特征向量；
最后可以采用分类算法进行分类。
HOG特征提取
(1)主要思想
hog的特征，也就是方向梯度直方图。 是用于通过计算机的视觉和图像处理进行物体检测的特征描述符。 通过计算并统计图像局部区域的梯度方向直方图构成特征。 其主要思想是在一幅图像中，局部目标的表象和形状(appearance and shape )可以很好地由梯度或边缘的方向密度分布来描述。
)2)实现方法将一个image (要检测的对象或扫描窗口)灰度化)图像视为一个x，y，z (灰度三维图像)；
采用伽玛校正法对输入图像进行颜色空间标准化(归一化)； 目的是调节图像的对比度，降低图像局部阴影和光照变化的影响，同时抑制噪声的干扰；
计算图像各像素的梯度(包括大小和方向)； 主要是为了在捕获轮廓信息的同时进一步减弱光的干涉。
将图像分割为小cells (例如66像素/cell )；
通过统计各小区的梯度直方图(不同梯度的个数)，可以形成各小区的描述符；
每几个单元格
组成一个block（例如33个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。⑦将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。
Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。 （3）训练分类器
模式识别分类问题是根据待分类的事物所呈现出来的一些特性，将它归到与其特性相似的种类当中去。具体实现过程如下：
（1） 创建训练数据集，并且要知道训练集中每个数据的分类标签；
（2） 根据已知的这些前提，寻找相应的函数或者准则来判断，并设计该判决函数模型；
（3） 对于函数模型中的参数应由训练集中的数据来确定；
（4） 模型确定好之后，利用相应的函数或准则取判定待分类的数据应属于哪一类.
从上述内容可以看出，对待分类的对象做出正确分类就是分类器要讨论的问题，接下来本章节将主要介绍关于分类器的问题。
简单来说就是，将提取到的数据集的特征送入到分类器中去学习，得到自己所需要的模型。
在实践中最常用到的分类器为SVM分类器、KNN等。
当分类器训练好之后，就可以开始对需要待分类的图像进行分类识别了。一般情况下，如果想确定自己所训练的分类器性能好坏时，我们测试集的图片不能过少，否则无法判断模型性能。