基于SVM的MNIST数据库手写识别Matlab代码：图像分类算法应用示例

简介：
本项目利用支持向量机(SVM)在MATLAB平台上实现对MNIST数据库中手写数字的分类识别，展示图像分类算法的实际应用。 图像分类与识别是机器学习中的一个重要任务，在多种应用场合都有所体现。特征工程在图像分类算法设计过程中扮演着基础性的角色。我们的研究项目提出了一种新的功能以促进对图像的理解及分类能力的提升，该功能基于图扩散理论，并从图中提取时间序列作为新类型的图像特征。实验表明，这种特性对于处理旋转、缩放或其它形式变化后的图像具有较高的鲁棒性。 为了验证这项新技术的效果，我们在MNIST数据库上进行了测试。我们使用了K近邻（knn）、逻辑回归和SVM算法进行分类，并将结果与不采用新特性的分类器性能相比较。结果显示，在结合我们的特征与其他关键的底层特性后，分类错误率降低了5.4%。 这项研究已发表在ICIP会议上的两篇论文中，分别于2014年及2016年发布。MNIST数据库是一个广泛使用的手写数字识别基准数据集，它包括一个训练集合（包含6万张图像）和一个测试集合（包含一万张图像）。所有这些图片都是标准化大小的手写数字，并具有相同的对比度设置。 我们的任务是评估热量含量特征与其他低层特性在分类错误率上的差异。具体来说，我们将比较以下几种特性的表现：强度直方图、强度矩以及Ga等特征的性能。