在Matlab2016/2017中进行图像分类变得非常容易，下面是几个例子。

  1. exam1：统计学习工具箱内置SVM函数
    %exam1.m
    load fisheriris
    xdata = meas(51:end,3:4);
    group = species(51:end);
    figure;
    svmStruct = svmtrain(xdata,group,'ShowPlot',true);
    Xnew = [5 2; 4 1.5];
    species = svmclassify(svmStruct,Xnew,'ShowPlot',true);
    hold on;
    plot(Xnew(:,1),Xnew(:,2),'ro','MarkerSize',12);
    hold off

该示例使用Matlab内置的SVM函数进行分类，

    SVMStruct = svmtrain(Training,Group,Name,Value)

Training和Group表示训练数据和类别标签，每行表示一个样本，行数应相同。得出SVM模型后，用它进行分类。

    Group = svmclassify(SVMStruct,Sample)

Sample表示测试数据，每一列表示一个样本。结果返回测试样本所属类别。

  1. exam2：利用图像BOW进行识别 
    %exam2.m
 setDir  = fullfile(toolboxdir('vision'),'visiondata','imageSets');
 imgSets = imageSet(setDir, 'recursive');
 %将30%的数据用作训练集，其余的用作测试集
 [trainingSets, testSets] = partition(imgSets, 0.3, 'randomize');
 bag = bagOfFeatures(trainingSets);
 %训练得出图像类别分类器
 categoryClassifier = trainImageCategoryClassifier(trainingSets, bag);
 %预测测试集中第一幅图像的类别
 [labelIdx, score] = predict(categoryClassifier, testSets(1));

    该示例直接使用Computer Vision工具箱的函数

    classifier = trainImageCategoryClassifier(imds,bag,Name,Value)

    输入参数的imds由partition对imageSets分割得来，返回值是imageCategoryClassifier类型的类，predict函数用它对测试图像进行预测，完成图像识别功能。