在这个项目中，我将对15个场景数据库（Bedroom、Coast、Forest、Highway、Industrial、InsideCity、Kitchen、LivingRoom、Mountain、Office、OpenCountry、Store、Street、Suburb、TallBuilding）进行训练和测试，借助HOG特征提取构建词袋模型，并利用集成学习分类器实现场景识别。 最邻近分类器：准确率（55.0%） 随机森林分类器：准确率（69.1%） 直方图梯度提升分类器：准确率（72.1%） 线性支持向量机分类器：准确率（72.7%） Ours：准确率（74.2%）

文中主要基于视觉词袋（BOVW， Bag-Of-Visual-Words）模型对图像进行分类处理，并对传统视觉词袋模型存在的不足进行了改进，提出了一种基于视觉词典的权重直方图来表达图像，采用优化的k-means聚类算法（k-means+）用于视觉词典的构建，代入KNN（K-Nearest-Neighbors）分类器进行分类。通过对Caltech 101和Caltech 256这两个经典数据库进行实验，实验结果表明该改进方案较传统方法提高了分类的正确率。

科大的一篇硕士论文 讲得比较详细 适合入门级的仔细研究下

只使用了numpy，没有使用tensorflow或pytorch框架,使用的是单线程，具有详细的注释，如有不对请大家指正，非常感谢，多交流

matlab 图像膨胀代码系统仅在 Windows 操作系统上运行 ###要运行系统，请按照下列步骤操作： 将数据集图片放在data/images/中，query/images/中的查询图片和data/中的code book重命名为codebook.hdf5（代码书下载链接见下文） 将groundtruth文件放在groundtruth/ 使用 Matlab 运行步骤 1 -> 步骤 2 -> 步骤 3 -> 步骤 4 ＃＃＃结果： ranklist/ 包含检索到的排名列表 ap/ 包含每个查询的平均精度 MAP.txt 包含平均平均精度的值（运行步骤 4 时也会在屏幕上打印出来） ###来自外部来源的图书馆： lib/feature_detector/hesaff.exe：用于提取图像特征和计算描述符，编译自 ，可能需要安装OpenCV才能运行 lib/flann：用于计算每个特征的最近聚类，可在以下位置获得： vlfeat/vlfeat-0.9.20：主要用于 vl_binsum 等函数... ＃＃＃职能： extractFeatures：使用 lib/feature_detect

使用matlab实现蜂群SVM，粒子群SVM，遗传算法SVM，数据包含有公共数据集，公共图像数据集，图像特征提取用了词袋，保证可用（公共图像数据集太大，删除了）

基于多特征的红外图像超分辨率重建，杨晓敏，韦帅方，在超分辨率研究过程中，人们发现图像块的特征提取是决定超分辨率重建质量的重要环节。图像特征直接表达图像块的结构信息。传统的

利用词袋模型和SVM进行图片分类代码

视觉词典 词袋模型 有完整的介绍 ，ppt文档，注意是ENGLISH WRITTEN

使用词袋模型（bow）和svm对字符图片实现多分类