spyder代码SVM图片识别实验自行拍照，6个分类以上 1.读取数据 2.分割数据集为测试数据集，训练数据集 2.提取特征（降度） 3.在训练集上训练SVM训练模型 4.在测试数据集进行正确率绘制（核函数选择要有两个以上）

在使用Spyder进行基于SVM的图片识别实验时，按照您提供的步骤操作：

1. **读取数据**：首先，需要导入所需的库，如`numpy`、`PIL`等，并加载图像数据集。你可以使用`os`模块遍历文件夹，读取每个类别下的图片文件。

import numpy as np
from PIL import Image
import os

# 获取所有图片文件路径
image_paths = [os.path.join('data', class_name, img) for class_name in classes for img in os.listdir(os.path.join('data', class_name))]

2. **数据预处理**：
- 分割数据集：将图片数据分为训练集和测试集。可以采用交叉验证的方式划分，比如80%的数据用于训练，20%用于测试。
- 提取特征：使用图像处理库，如`skimage`或`OpenCV`，对图片进行灰度化、大小标准化、边缘检测等操作，并提取出可用于机器学习的特征向量（例如SIFT、HOG等）。

from skimage.feature import hog
from sklearn.model_selection import train_test_split

X = [] # 图片特征数组
y = [] # 类别标签

for path in image_paths:
    img = Image.open(path)
    feature = hog(img, orientations=9, pixels_per_cell=(8, 8), cells_per_block=(2, 2)) # 使用HOG特征
    X.append(feature)
    y.append(get_label_from_path(path)) # 根据路径获取类别标签

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. **训练模型**：
- 使用`scikit-learn`的SVM类，如`LinearSVC`或` SVC`（可以选择线性核、多项式核、高斯径向基核等），训练模型。

from sklearn.svm import SVC

# 选择核函数（例如RBF）
svm_model = SVC(kernel='rbf', C=1, gamma='scale') # 核函数参数设置
svm_model.fit(X_train, y_train)

4. **评估模型**：
- 预测测试集并计算准确率。对于多个核函数的选择，可以创建一个字典存储不同的模型，然后比较它们在测试集上的性能。

accuracy_results = {}
accuracy_results['linear'] = svm_model_linear.score(X_test, y_test)
accuracy_results['rbf'] = svm_model_rbf.score(X_test, y_test) # SVM with RBF kernel
accuracy_results['poly'] = svm_model_poly.score(X_test, y_test) # SVM with polynomial kernel

best_accuracy = max(accuracy_results.values())
best_kernel = [k for k, v in accuracy_results.items() if v == best_accuracy][0]

print(f"Best accuracy achieved with {best_kernel} kernel: {best_accuracy}")