Matlab2017b图像数据集制作教程：实例与代码

Matlab是一种强大的数值计算和图形处理环境，在数据科学和机器学习领域广泛应用。本文主要关注于如何使用Matlab 2017b版本来制作和管理图像数据集，特别是通过ImageLabeler工具进行样本标注以及将标注后的数据转换为mat文件。 首先，制作图像数据集的步骤如下： 1. **启动ImageLabeler** - 在Matlab的APP工具中，用户需打开ImageLabeler功能，这是用于创建、管理和编辑图像标记的一个直观界面。 2. **新建会话** - 用户点击"NewSession"，创建一个新的会话，用于组织和管理不同类别的图像样本。 3. **添加图像** - 点击"AddImagesfromfolder"，选择要标注的图像文件夹，这些图像将作为样本的基础数据。 4. **定义ROI（Region of Interest）标签** - 点击"DefineNewROILabel"，为每个图像区域定义类别，例如"ship_draught"和"not_ship_draught"。用户可以按照需求创建多个类别，并对样本进行标记。 5. **保存会话和数据** - 完成标记后，使用"Save"菜单下的"Sessionas"功能保存当前会话。同时，使用"ExportLabel"选项将标注好的样本导出为.mat文件，便于后续使用。 接着，针对已保存的.mat文件，进行以下操作： 1. **加载mat文件** - 使用`load('ship_draught.mat')`命令，加载名为"ship_draught.mat"的文件，其中包含了标注数据。 2. **查看数据结构** - 加载后，变量"gTruth"通常是一个groundTruth对象，其`LabelData`属性是一个表格，存储了样本的标注信息。可以通过`gTruth.LabelData`访问这些数据。 3. **分析数据** - `gTruth.LabelData`是一个1x2大小的table，其Properties提供了关于表的元数据。通过索引操作，如`gTruth.LabelData{1,1}`获取到的cell数组包含样本的坐标信息。 4. **提取样本信息** - 对于cell数组中的每个元素，它是一个28x4的double型数组，表示一个矩形框的位置信息。进一步通过`gTruth.LabelData{1,1}{1,1}(1,:)`获取选定样本的精确位置。 5. **函数转换** - 文档中提到的`save_raw_sampl`函数未在提供的内容中给出，但可以根据需要编写一个自定义函数，将.mat文件中的标注数据转换成图像格式，以便直接可视化或供其他机器学习模型使用。这可能涉及读取坐标信息，然后在原始图像上绘制标注框，或者将坐标信息与图像像素值对应起来，形成带有标签的图像数据集。 本文详细介绍了利用Matlab 2017b的ImageLabeler工具创建和管理图像数据集，包括样本的标注、保存以及后续的数据处理过程。这对于图像分类、目标检测等计算机视觉任务的开发者来说，是至关重要的基础知识。通过实践这些步骤，用户能够有效地准备自己的数据集，以支持深度学习模型的训练和优化。