使用ＳＶＭ做一個圖片分類器，主要使用的技術是，各種特徵提取方法加上ＰＣＡ主成分提取，最後用SVM進行圖片分類處理。

特徵提取這個東西還是比較簡單的，前人做的工作很多，原始碼也不少。主要採用的不變距、HOG、SIFT、LBP、資訊熵、tamura紋理特徵、面積和尤拉數等。主要從兩個大的角度研究。一個是紋理特徵，還有一個就是幾何特徵。總的來說，就是各種特徵疊加然後到了整個分類器，慢慢調整最終達到比較的結果。調的這個過程需要耐心和記錄。每變一個引數，執行一遍，最後都要記錄下最終的結果。方便日後進行比對。

ＰＣＡ主成分分析，我跌了個跟頭，先說一下ＰＣＡ的作用吧。ＰＣＡ說白了就是提取主成分的。為什麼要提取主成分呢，由於之前提取的特徵量特別大，你不可能把所有特徵都拿來算一下。如果你有超級計算機作支撐，當我沒說。而且你之前提取的特徵應該是比較大的一部分是沒有作用的，甚至會有噪聲，因此你需要提取有用的特徵，進而有利於接下來的支援向量機的分類。好了，說了這個多ＰＣＡ是個什麼東東，我就來講講，我是咋掉坑的。這個坑是這樣的，我把得到的特徵矩陣，直接放進了ＰＣＡ的計算函式princomp函式，然後發現怎麼更改特徵矩陣都不行，測試集一直都是20%的準確率，訓練集的準確率倒還比較好90%以上的準確率。怎麼著都不行。而且當時還是用的我的小筆記本跑的程式，跑一次筆記本風扇嗚嗚轉，電腦各種發熱，可心疼死我了。

後來我想不行啊，這樣下去啥進展沒啊。跑程式一天跑了沒幾次。後來果斷換了教研室桌上型電腦，雖然桌上型電腦也不咋地，但是耐操啊。現在一天跑十次不在話下。也就是在臺式機上各種跑程式的過程中慢慢摸索出了一下道道。之前princomp函式的引數是有問題的，不能直接放入特徵矩陣，應該先轉置一下特徵矩陣，然後再轉置一下score(提取得到的特徵)得到的才是最終的結果。雖然現在的結果也不是很好，但是好歹可以達到50%以上的準確率。

最後再說一下SVM吧，這個東西，在網上都有現成的工具箱，我用的libsvm。比較好用四五行就可以搭起來。但是問題就是你需要調的引數問題。我在這個地方也遇到了不少問題，好多大神都建議直接自己擼程式碼，自己搭一個svm，但是本人還是才疏學淺，採用的是

《MATLAB神經網路30個案例分析》這本書裡面的教程，總體來說很不錯，比較詳細，有具體的例項教程。看這本書上手很快。但是這裡面有個小坑。可以看我之前的吐槽部落格。

機器學習這個東西，其實入門不算太難，但是你想真正深入原理，甚至自己看機器學習論文徒手擼一個學習機器還是比較難的。共勉！