可直接使用MATLAB内置Classification Learner App构建图像分类模型:需先用imageDatastore加载图像并提取HOG等特征生成X和Y,再通过图形界面导入、选模型、训练、评估与导出。

如果您希望在MATLAB中快速构建图像分类模型,但缺乏编程经验或希望跳过代码编写环节,则可直接使用内置的Classification Learner App。该App提供图形化界面,支持从数据导入、模型训练到性能评估的全流程操作。以下是使用该App完成图像分类任务的具体步骤:
一、准备并导入图像数据
Classification Learner App不直接支持原始图像文件夹的拖入,需先将图像转换为特征矩阵与标签向量,或通过imageDatastore预处理后提取特征。若使用传统机器学习方法(如SVM、决策树),需手动提取HOG、LBP等特征;若使用深度特征,可先用预训练网络提取特征向量。确保工作区中存在两个变量:X(m×n数值矩阵,每行代表一个样本的特征)和Y(m×1分类标签向量,类型为categorical)。
1、在MATLAB命令行中运行以下代码,以从图像文件夹构建特征与标签:
2、使用imageDatastore读取图像路径,并启用子文件夹与文件夹名标签:
3、对每张图像进行尺寸归一化与灰度转换,再调用extractHOGFeatures提取特征:
4、将所有特征垂直拼接为矩阵X,对应标签存为categorical向量Y:
5、确认变量X和Y已存在于当前工作区,可通过workspace窗口或whos命令验证。
二、启动Classification Learner App并创建新会话
该App是Statistics and Machine Learning Toolbox的一部分,启动前需确保该工具箱已安装。App通过可视化流程引导用户完成建模,避免手写训练循环与交叉验证逻辑,适合教学演示与快速原型验证。
1、点击MATLAB工具栏中的APPS选项卡。
2、在搜索框中输入Classification Learner,点击图标启动。
3、在App主界面左上角点击New Session → From Workspace。
4、在弹出窗口中,从下拉菜单选择变量X作为Features,变量Y作为Labels。
5、点击Start Session,App自动加载数据并显示数据摘要面板。
三、选择模型类型并配置训练参数
App内置数十种分类器,涵盖线性模型、集成方法与支持向量机等。不同模型对特征尺度敏感度不同,因此标准化处理常被默认启用。用户可依据数据规模、精度需求与部署约束灵活选择。
1、在“Models”选项卡中,点击All Quick-to-Train,App将自动训练决策树、判别分析、朴素贝叶斯等轻量模型。
2、若需更高精度,点击All Non-Linear,包括RUSBoosted Trees、SVM(高斯核)、ECOC多类扩展等。
3、点击任意模型右侧的Options按钮,可修改超参数:例如为SVM设置KernelScale,为树模型调整MaximumNumberSplits。
4、在“Validation”区域,确认验证方式为Holdout(默认30%验证集)或切换为Cross-Validation(如5折)。
5、勾选Standardize data以对特征列执行z-score标准化,提升多数模型收敛稳定性。
四、训练模型并比较性能
训练过程实时显示准确率、混淆矩阵与ROC曲线,便于直观评估各类别识别效果。App自动缓存所有已训练模型,支持横向对比多个模型的泛化能力与计算开销,无需重复运行训练流程。
1、点击所选模型下方的Train按钮,开始单模型训练。
2、若需批量训练,点击Train All,App按队列依次完成全部模型训练。
3、训练完成后,“Models”窗格中将显示每个模型的Accuracy (Validation)值,绿色高亮最优结果。
4、双击任一模型,在右侧面板查看Confusion Matrix,识别易混淆类别对(如“3”与“8”在数字识别中常见误判)。
5、切换至ROC Curves视图,观察各类别的真阳性率与假阳性率权衡关系。
五、导出模型并进行新图像预测
训练完成的模型可导出为MATLAB函数、Simulink模块或C/C++代码,适用于嵌入式部署或系统集成。对于图像预测,需复现与训练阶段一致的特征提取流程,否则输入维度不匹配将导致错误。
1、在“Export Model”菜单中,点击Export Model → Export Compact Model,生成结构体变量trainedModel。
2、在命令行中调用predict函数: [label, score] = predict(trainedModel, newFeatureVector);。
3、若newFeatureVector来自新图像,必须严格复用训练时的预处理链:尺寸缩放→灰度转换→HOG提取→特征归一化。
4、使用exportONNXNetwork可将训练好的模型导出为ONNX格式,供其他框架(如PyTorch、TensorRT)加载推理。
5、导出脚本(Generate Function)可一键生成完整训练代码,便于版本控制与参数复现。










