Matlab中配置VLFeat

 在VLFeat官网上是这么介绍VLFeat的：VLFeat开源库实现了很多著名的机器视觉算法，如HOG, SIFT, MSER, k-means, hierarchical k-means, agglomerative information bottleneck, SLIC superpixels, 和 quick shift。VLFeat开源库是用C语言写的，以确保其效率和兼容性，同时VLFeat还提供了MATLAB接口和详细的文档。它可以在windows, Mac, 和Linux上使用。

言归正传，以下介绍vlfeat在mathlab中的配置方法：

一、首先应准备的东西：
1. Matlab软件（我使用的mathlab是2014b试用版的）
2. vlfeat文件，可以是二进制包，也可以是源码。如果使用windows平台的话，推荐使用二进制包。
二进制包的下载地址可以从官网下载，也可以从我的个人网盘下载：
官网地址：http://www.vlfeat.org/download/

二、安装
1. 将所下载的二进制包解压缩到某个位置，如D:盘
2. 打开matlab，输入edit startup.m创建启动文件startup.m
3. 在startup.m中编辑发下内容（注意，如果将vlfeat安装在不同的地方，需要将以下的”D:”改为你所安装的地址）：

run('D:vlfeat-0.9.18	oolboxvl_setup')

4. 保存并关闭startup.m文件，重新打开matlab程序，安装即成功（安装成功后，不能删除vlfeat解压后的文件夹，因为vl_setup只是 将vlfeat的toolbox的地址加到matlab的path里面，使得matlab可以使用vlfeat toolbox）

三、验证安装
可以通过以下两种方式查看是否安装成功：
1. 在matlab中输入path，可以发现在path中保存了vlfeat toolbox的地址（如下图所示）：

2. 在matlab中输入vl_version ，可以得到vlfeat的版本号（如下图所示）：

四、可能碰到的错误
有同学反映，编辑完startup.m文件并重启matlab后，没有执行startup.m中的run命令。关于这一点，可能是因为startup.m文件并不在初始的path中。以至于matlab启动时没有找到startup.m文件。解决方法有两个：
1. 在matlab中，在ENVIRONMENT选项卡中，选择setPath选项，将startup.m文件所在的文件夹包含到path中。
2. 直接将startup.m文件复制（或剪切）到初始的path路径下。

五.MatConvNet的使用

http://www.vlfeat.org/matconvnet/quick/

% Install and compile MatConvNet (needed once).
untar('http://www.vlfeat.org/matconvnet/download/matconvnet-1.0-beta23.tar.gz') ;
cd matconvnet-1.0-beta23
run matlab/vl_compilenn ;

% Download a pre-trained CNN from the web (needed once).
urlwrite(...
  'http://www.vlfeat.org/matconvnet/models/imagenet-vgg-f.mat', ...
  'imagenet-vgg-f.mat') ;

% Setup MatConvNet.
run matlab/vl_setupnn ;

% Load a model and upgrade it to MatConvNet current version.
net = load('imagenet-vgg-f.mat') ;
net = vl_simplenn_tidy(net) ;

% Obtain and preprocess an image.
im = imread('peppers.png') ;
im_ = single(im) ; % note: 255 range
im_ = imresize(im_, net.meta.normalization.imageSize(1:2)) ;
im_ = im_ - net.meta.normalization.averageImage ;

% Run the CNN.
res = vl_simplenn(net, im_) ;

% Show the classification result.
scores = squeeze(gather(res(end).x)) ;
[bestScore, best] = max(scores) ;
figure(1) ; clf ; imagesc(im) ;
title(sprintf('%s (%d), score %.3f',...
   net.meta.classes.description{best}, best, bestScore)) ;

按照步骤即可完成实验；原理后续慢慢理解。