第壹步：建立圖像類別集合
將圖像分割成訓練子集和測試子集。利用imageDatastore函數來存儲訓練分類器的圖像。可以利用splitEachLabel函數將圖像分割成訓練數據和測試數據。
讀取類別圖像和創建圖像子集
setDir = fullfile(toolboxdir('vision'),'visiondata','imageSets');
imds = imageDatastore(setDir,'IncludeSubfolders',true,'LabelSource','foldernames');
分割圖集成訓練和測試子集。下例中，30%作為訓練數據，余下的作為測試數據。
[trainingSet,testSet] = splitEachLabel(imds,0.3,'randomize');
第二步：建立特征詞袋
通過從每個類別的有代表性的圖像中提取特征描述符，創建視覺詞匯表或特征包。
通過在訓練集合中提取出的特征描述符上利用k-means聚類算法，bagOfFeatures對象定義特征，視覺詞匯。該算法叠代地將描述符分成k個互斥簇。由此產生的簇是緊密的，並具有相似的特性。每個集群中心代表壹個特征，或壹個可視詞。可以基於特征檢測器提取特征，也可以定義壹個網格來提取特征描述符。網格方法可能丟失細節信息。因此，對不包含明顯特征的圖像使用網格，例如海灘等景物的圖像。使用Speed up robust features（或SURF）檢測器提供更大的尺度不變性。默認情況下，該算法運行“網格”方法。
該算法工作流對圖像進行整體分析。圖像必須有適當的標簽來描述它們所代表的類。例如，壹組汽車圖像可以被標記為汽車。工作流不依賴於空間信息，也不依賴於標記圖像中的特定對象。視覺詞袋技術依賴於非局部化的檢測技術。
第三步：通過視覺詞袋訓練圖像分類器
trainImageCategoryClassifier函數返回壹個圖像分類器。該方法使用基於2分類支持向量機（SVM）的error-correcting output codes(ECOC)框架來訓練壹個多分類器。
該方法利用bagOfFeatures對象返回的視覺詞袋將圖像集中的圖像編碼成視覺詞直方圖。然後將視覺詞直方圖作為訓練分類器的正負樣本。
1、將訓練集中的每幅圖像利用bagOfFeature的encode方法進行編碼。該函數檢測和提取圖像中的特征，然後利用最近鄰算法構造每個圖像的特征直方圖。函數將描述符逼近聚類中心來增加直方圖各bin的數值。直方圖的長度取決於bagOfFeatures對象構造的出來的視覺詞的數量。最終將直方圖作為圖像的特征向量。
2、對訓練集中的每幅圖像重復步驟1，建立訓練數據
3、評價分類器。在測試圖像集上使用imagecategoryclassifier的evaluate方法測試分類器。輸出混淆矩陣可以分析預測結果。理想的分類結果是對角線上包含壹個標準矩陣。不正確的分類導致出現分數值。
第四步：對圖像或圖像集進行分類
最後使用imageCategoryClassifier 的predeict方法對新圖像進行分類來確定其類型。