%% 该函数是使用Bag of Features来提取test_images下图片的特征的，代码编写参考matlab官方文档 
% 内部采用k-means训练，可能需要点时间
%% 1.获取图片以及相关的分类

currentPath = pwd;  % 获得当前的工作目录

imds = imageDatastore(fullfile(pwd,\'train_images\'),...  
    \'IncludeSubfolders\',true,...  
    \'LabelSource\',\'foldernames\');   % 载入图片集合

tbl = countEachLabel(imds);
% 2.预处理：每一类的图片要一样多
minSetCount = min(tbl{:,2});
imds = splitEachLabel(imds, minSetCount, \'randomize\');

% 提示信息
disp(\'开始训练数据...\');

%3. 划分测试集合和训练集合
[trainingSet, validationSet] = splitEachLabel(imds, 0.9, \'randomize\');

% 4.训练包
bag = bagOfFeatures(trainingSet);
categoryClassifier = trainImageCategoryClassifier(trainingSet, bag);

% 5.计算可能性
confMatrix = evaluate(categoryClassifier, trainingSet);
mean(diag(confMatrix));

save categoryClassifier
% 提示信息
disp(\'训练阶段结束！！！\');

%% 该函数用来对图片进项分类 BOF + SVM

%% 1.读入待分类的图片集合
currentPath = pwd;
imdsTest = imageDatastore(fullfile(pwd,\'test_image\')); 

%% 2.分类，预测并显示预测效果图  
% 载入分类器
load categoryClassifier

numTest = length(imdsTest.Files);  
% correctCount:正确图片张数
correctCount = 0;
fprintf(\'开始分类......\n\');
for i = 1:numTest  
    testImage = readimage(imdsTest,i);  %  imdsTest.readimage(1)
    [labelIdx, scores] = predict(categoryClassifier, testImage); 
    figure;imshow(imresize(testImage,[256,256]));
    
    imgName = imdsTest.Files(i);
    tt = regexp(imgName,\'\\',\'split\');
    cellLength =  cellfun(\'length\',tt);
    tt2 = char(tt{1}(1,cellLength));
    % 统计正确率
    if strfind(tt2,char(categoryClassifier.Labels(labelIdx)))==1
        correctCount = correctCount+1;
    end
    fprintf(\'%s == %s\n\',tt2,char(categoryClassifier.Labels(labelIdx)));
    title([\'分类结果: \',tt2,\'--\',char(categoryClassifier.Labels(labelIdx))]); 
    
end 
% 显示正确率
fprintf(\'分类结束，正确了为：%.1f%%\n\',correctCount * 100.0 / numTest);