对上述代码给出更加细致的注释

好的，下面是更加详细的代码注释：

% 准备数据集
imgDir = 'image_folder'; % 图像文件夹路径
imgDatastore = imageDatastore(imgDir); % 创建ImageDatastore对象，用于管理图像数据
[trainImgs,testImgs] = splitEachLabel(imgDatastore,0.7); % 将图像数据集分为训练集和测试集，比例为70%:30%

% 特征提取
trainFeatures = []; % 训练集特征向量
trainLabels = []; % 训练集标签
testFeatures = []; % 测试集特征向量
testLabels = []; % 测试集标签

% 遍历训练集中的每张图像，提取其特征向量，并将其标签添加到训练集标签中
for i = 1:size(trainImgs.Files,1)
    img = readimage(trainImgs,i); % 读取图像
    feature = extractFeatures(img); % 提取特征
    label = trainImgs.Labels(i); % 获取图像标签
    trainFeatures = [trainFeatures; feature]; % 将特征向量添加到训练集特征矩阵中
    trainLabels = [trainLabels; label]; % 将标签添加到训练集标签矩阵中
end

% 遍历测试集中的每张图像，提取其特征向量，并将其标签添加到测试集标签中
for i = 1:size(testImgs.Files,1)
    img = readimage(testImgs,i); % 读取图像
    feature = extractFeatures(img); % 提取特征
    label = testImgs.Labels(i); % 获取图像标签
    testFeatures = [testFeatures; feature]; % 将特征向量添加到测试集特征矩阵中
    testLabels = [testLabels; label]; % 将标签添加到测试集标签矩阵中
end

% 训练模型
svmModel = fitcecoc(trainFeatures,trainLabels); % 使用fitcecoc函数训练SVM分类模型

% 测试模型
predictedLabels = predict(svmModel,testFeatures); % 使用训练好的分类模型对测试集进行分类
accuracy = sum(predictedLabels == testLabels)/numel(testLabels); % 计算分类准确率
disp(['Accuracy: ' num2str(accuracy)]); % 输出分类准确率

需要注意的是，这里使用的是SVM分类算法，特征提取使用的是MATLAB自带的`extractFeatures`函数，该函数默认使用的是SIFT特征提取算法。如果需要使用其他特征提取算法，可以参考MATLAB文档中的相关内容。