基于颜色与形状特征的水果图像分类

MATLAB 实现的传统机器视觉分类流水线：HSV 颜色空间分割 → 形状特征提取 → SVM 多分类。 面向苹果、香蕉、橙子、梨四类目标，可用于智能分拣场景的算法验证。

本项目为图像处理课程设计，全部代码与实验由本人独立完成。

方法概览

阶段	做法
数据增强	水平翻转 + 30° 步长旋转（0°–330°），8 张原图扩充至 192 张
预处理与分割	HSV 双阈值分割（S > 0.15 且 V > 0.1）+ 面积滤波（800 px）+ 孔洞填充 + 最大连通域提取
特征提取	16 维 H 通道归一化直方图 + 2 维形状特征（长宽比、圆形度）= 18 维融合特征
分类器	SVM + ECOC 多分类框架（fitcecoc，一对一编码）
评估	留一交叉验证（LOOCV），共 192 次训练与测试

实验结果

特征组合	LOOCV 准确率
仅颜色特征（16 维 H 直方图）	约 95%
仅形状特征（2 维长宽比 + 圆形度）	约 60%
融合特征（18 维）	约 98%

结论：颜色特征已能取得较高准确率，形状特征的互补使分类准确率进一步提升，验证了多特征融合在相似颜色/相似形状目标上的判别优势。

目录结构

├── src/
│   ├── shuiguoshibie.m      主流程：分割 → 特征提取 → 训练 SVM → LOOCV 评估
│   ├── DataAugmentation.m   数据增强：翻转 + 旋转，生成 192 张训练样本
│   └── TestNewImage.m       单张新图片预测演示
├── model/
│   └── FruitModel.mat       训练好的 SVM 模型与特征标准化参数
├── data/                    原始样本图片（每类 2 张）
└── docs/images/             算法流程图、预处理与分割效果图

运行方式

环境：MATLAB R2020a 及以上（需 Image Processing Toolbox 与 Statistics and Machine Learning Toolbox）。

% 1) 进入 src 目录，生成增强数据集（会在 data/ 下生成 AugmentedData/）
cd src
DataAugmentation

% 2) 训练 + 交叉验证评估
shuiguoshibie

% 3) 单张图片预测
TestNewImage

脚本已改为自动定位仓库内的数据目录，无需手动修改路径。

说明

data/AugmentedData/（192 张增强图）未纳入版本控制，运行 src/DataAugmentation.m 即可重新生成。