此程序为本人模式识别大作业，参考了网上的代码，并进行了一定的修改，希望对大家有所帮助！
此代码主要参考了以下文章：
/Einperson/article/details/106769799?spm=1001..3001.5506
前面的大部分我都是以这篇文章为基础的，我在此写一些注释：
下载安装并配置LIBSVM工具箱、LIBSVM-FarutoUitimate工具箱，去B站找UP 中山大学王伟良 ，up有安装视频教程。up的视频里还有个SVM代码，挺详细的，真的很良心！！！
代码：
预处理函数设计
（1）先对手写体图像进行反色处理（即黑变白、白变黑），
（2）将此时的图像进行二值化处理（即将黑色变为1，白色变为0，也可能是相反的，这不重要，我偷个懒），
（3）是搜索整个图片中数字出现的位置（类似于图片裁剪，只留下手写字体的部分，可以大大降低图片数据量）
（4）将图片进行缩小，进一步减少数据量
%% sub function of pre-processing picfunction pic_preprocess = pic_preprocess(pic)% 图片预处理子函数%三原色图像反色处理pic = 255-pic;%设定阈值，将反色图像转成二值图像pic = im2bw(pic,0.4) ;%查找数字上所有像素点的行标y和列标x[y,x] = find(pic == 1);%截取包含完整数字的最小区域pic_preprocess = pic (min(y):max(y),min(x):max(x));%将截取的包含完整数字的最小区域图像转成20*20的标准化图像pic_preprocess = imresize(pic_preprocess, [20, 20]);
2.主函数编写
2.1.载入数据
（1）uigetfile函数可以弹出一个窗口用于选择训练样本，运行程序后，可自动出现
（2）后面内容代码注释解释的很清楚，我不再多讲
注：FileName{k}(n)函数可用于提取训练集图片名称上第n位符号，因为我所用到的训练图片格式img001.png这种，所以取其第6位，大家要按照自己实际的情况进行改动。
%% 载入训练数据%利用uigetfile函数交互式选取训练样本 ...是换行再度[FileName,PathName,FilterIndex]=uigetfile(...{'*.png';'*.bmp'},'请导入训练图片','*.png','MultiSelect','on');if ~FilterIndex %如果用户取消，则返回上一步return;endnum_train=length(FileName); % Filename是一个字符串数组 图片的个数TrainData=zeros(num_train,20*20); %生成训练样本，样本维度为20*20，由pic_preprocess函数决定TrainLabel=zeros(num_train,1); %生成训练样本标签for k=1:num_trainpic=imread([PathName,FileName{k}]);%逐个读入图片%pic是1200*900*3的数组，其中1200*900是图片的原始分辨率，3是三原色pic=pic_preprocess(pic);%将一幅图转为20*20个二进制数TrainData(k,:)=double(pic(:)');%单引号是将pic转一维数组，存放在TrainData的第K行if str2double(FileName{k}(5))~=0%如img010（即数字“9”的文件名）TrainLabel(k)=str2double(FileName{k}(5))*10+str2double(FileName{k}(6))-1; else%其他文件,如img001是数字“0”的文件名TrainLabel(k)=str2double(FileName{k}(6))-1; %文件名中第6个字符是该图片的数字endend
2.2. 建立支持向量机！！！
之前参考的代码用到了gaSVMcgForClass函数，但是这个函数需要设置GA相关参数，本人小白一个，搞不懂这些东西就放弃了这个函数。
也有代码用到了svmtrain函数，由于本人的matlab为b，已经将此函数删除建议我用fitsvm。之后我又去查找fitsvm，之后发现它只能实现二分类，多分类问题只能通过建立多个两两二分类（建立二分之m方个，m为类别数）。对于手写体数字识别问题，就要50个实在是太麻烦了。
之后我又找到了fitcecoc函数，此函数可以用来实现SVM多分类问题，真的超级nice！找到关于这个函数的例子还是通过mathwork搜索得来的，其中举得例子就是分类iris鸢尾花、ionosphere电离层数据，这里我直接照搬了他们的代码，，，本人小白，真的不太会这里，不知道怎么改可以，只是发现它可以运行成功，并且分类效果不错就直接使用了
（1）templateSVM函数可以建立一个SVM模板函数，其参数值为默认值，试了下其默认核函数应该为线性核函数，想要具体了解可mathwork自行搜索。
（2）fitcecoc函数（训练集，训练标签，'Learners',t,'ClassNames',{这里填你要分类的那几种标签名，按顺序噢}）；关于fitcecoc函数可自行查阅mathwork进行学习。
通过查找资料发现这里训练的是ECOC模型，具体我也不懂，感兴趣的朋友可以自行学习。
（3）使用crossval函数可以实现10折交叉验证（10折交叉验证：将数据集分成平均分成互斥的十份，轮流将其中9份做训练1份做验证，10次的结果的均值作为对算法精度的估计，一般还需要进行多次10折交叉验证求均值），以测试算法准确性。
SVM——n倍交叉验证：
/weixin_46345400/article/details/124358046?spm=1001..3001.5506
（4）通过kfoldLoss函数得到估计广义分类误差，误差越小说明分类器的泛化（泛化是指训练好的模型在前所未见的数据上的性能好坏）效果越好。
深入理解泛化：
/sc2079/article/details/103090727?ops_request_misc=&request_id=&biz_id=102&utm_term=%E6%B3%9B%E5%8C%96&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-103090727.142^v10^pc_search_result_control_group,157^v8^control&spm=1018.2226.3001.4187
%% 建立支持向量机t = templateSVM('Standardize',1,'KernelFunction','linear'); %创建SVM模板t；%templateSVM是fitcecoc函数中的SVM模板；%standardize:数据标准化，可用help查看templateSVM其他参数%训练该模型Mdl = fitcecoc(TrainData,TrainLabel,'Learners',t,'ClassNames',{'0','1','2','3','4','5','6','7','8','9'}); %验证该模型CVMdl = crossval(Mdl); %将模型进行交叉验证，平衡模型欠拟合和过拟合%显示结果oosLoss = kfoldLoss(CVMdl) %10折交叉验证得到的泛化误差 oosloss = 0.0750
2.3.载入测试样本
%% 载入测试样本[FileName,PathName,FilterIndex]=uigetfile( ...{'*.png';'*.bmp'},'请导入测试图片','*.png','MultiSelect','on');if ~FilterIndex %如果用户取消，则返回上一步return;endnum_test=length(FileName); %Filename是一个字符串数组TestData=zeros(num_test,20*20); %生成测试样本矩阵，维度为400TestLabel=zeros(num_test,1);%生成测试样本标签矩阵for k=1:num_testpic=imread([PathName,FileName{k}]); %逐个读图pic=pic_preprocess(pic); %将一幅图转为20*20个二进制数TestData(k,:)=double(pic(:)'); %单引号是将pic转一维数组，存放在TrainData的第K行if str2double(FileName{k}(5))~=0%如img010（即数字“9”的文件名）TestLabel(k)=str2double(FileName{k}(5))*10+str2double(FileName{k}(6))-1;elseTestLabel(k)=str2double(FileName{k}(6))-1; %文件名中第6个字符是该图片的数字endend
2.4.提取Test测试集中图片名称（这一步是为了后面显示判断错误的图片名称，不需要可以删掉）
%% 对Test图片名称提取fileFolder=fullfile('C:\Users\Test'); %引号内是需要遍历的路径，填绝对路径，然后保存在fileFolderdirOutput=dir(fullfile(fileFolder,'*.png'));%引号内是文件的后缀，写'.png'则读取后缀为'.png'的文件fileNames={dirOutput.name}; %将所有文件名，以矩阵形式按行排列，保存到fileNames中
2.5.对测试样本进行分类
predict函数的使用可以参考mathwork上官方解释，这里就不赘述了。
preTestLabel是通过SVM模型产生的预测标签，为cell型，如果要判断正确率就要与double型TestLabel进行比较，但是cell型不能直接与double型作比较，这里就是使用了preTestLabel=str2num(cell2mat(preTestLabel));来转换。
%% 对测试样本进行分类preTestLabel = predict(Mdl,TestData);preTestLabel=str2num(cell2mat(preTestLabel)); %将cell型preTestLabel转为double型，以供后面与测试样本标签进行比较right =0;%正确数量k=0; %错误数量for i=1:numel(TestLabel) if TestLabel(i)==preTestLabel(i) %统计正确数量right =right+1;elsek=k+1;error_name(k)=fileNames(i);%记录错误文件名endendtest_number=numel(TestLabel) rightaccuracy =right/numel(TestLabel) %测试样本正确率%accuracy = 0.9333error_name
结果：
对于SVM模型的建立那里本人还不是很明白应该怎么做，如果有比较了解的朋友欢迎评论区里讲解一下，非常感谢！！
