基于matlab和bag of words的图像分类， 目录中不包含数据集！ 设计目标 输入一幅图像，输出标签 可以固定图片大小 实现 数据集：caltech101 matlab + bag of words 改自ImageCategoryClassificationTrainSample bag of words：利用matlab中bagOfFeatures函数提取SURF特征并K-means聚类构造“词典” svm：利用trainImageCategoryClassifier函数训练线性SVM分类器 测试结果： 训练集正确率：97.91% 测试集正确率：30.11% matlab + cnn + svm 改自DeepLearningImageClassificationSample cnn：利用预先训练好的AlexNet CNN网络获取特征向量，由于AlexNet已经针对ImageNet上的众多样本进行了训练，从其中抽取的特征向量对于一般图像具有较强的区分能力 svm：fitcecoc函数可以方便地训练基于SVM的多分类分类器 测试结果： 训练集正确率：99.67% 测试集正确率：77.95% 运行说明 两个实验文件夹都包含xml、m文件 xml为matlab2016b的新功能，旧版本可使用m文件 两个文件夹都有predictCategory.m文件，该函数输入参数为一幅任意图形，输出参数为类别字符串的元胞数组

CNN实现对FashionMNIST图像分类 卷积神经网络相对于全连接神经网络的优势： 参数少 -> 权值共享 因为全连接神经网络输入的图片像素较大， 所以参数较多 而卷积神经网络的参数主要在于核上， 而且核的参数可以共享给其他通道 全连接神经网络会将输入的图片拉直， 这样就会使图片损失原来的效果，从而导致效果不佳 而卷积神经网络不会将图片拉直，用步长去移动核 可以手动选取特征，训练好权重，特征分类效果比全连接神经网络的效果好 CNN过程： conolution层： 实现对feature map局部采样(相似于感受野) pooling层: 增加感受野 dense层: 也就是全连接层 大概思路

多类图像分类器 将视网膜OCT图像分为4类之一-NORMAL，CNV，DME或DRUSEN 分析的目标和动机正如我们所知道的，人类的预期寿命空前高。 由于医疗用品，服务和技术的增加，人们的寿命比祖先长。 因此，由于与眼睛健康有关的退化作用主要随着年龄而增加，因此眼睛疾病增加。 伴随着这种情况，由于数字化，近来人类在屏幕前花费越来越多的时间，这进一步增加了眼睛黄斑变性的问题。 需要开发更有效，快速和简便的方法来检测眼部疾病。 该项目的动机是研究一种可以帮助眼科医生使用图像识别技术更准确，更快速地识别视网膜疾病的技术。 我们可以检测到最常见的眼部疾病，因为它们很常见，因此无需花费很多时间就可以检测出来。 该项目涉及的眼疾是 AMD（与年龄有关的肌肉变性）：这种疾病在老年人中很常见，并且是由于视网膜受损或组织死亡引起的。 在全球75岁以上的成年人中，约有35％患有AMD。 DR（非绝热性视网

深度域适应中常见的数据集之一，image_CLEF，原始图像数据 有b、c、i、p四个子数据域，每个子数据域有12类。

适合小白入门的机器视觉图像分类概述和学习途径介绍。包括推荐的学习顺序、网课、工具等.

高光谱图像分类：在Matlab中使用朴素贝叶斯，最小Eucleidian距离和KNN进行高光谱图像分类

贝叶斯算法图像分类matlab代码GP-EST：GP-UCB的统一算法和改进的可能性 这是使用高斯过程假设进行贝叶斯优化算法的matlab演示。 该算法在以下内容中有完整描述 在强盗环境中使用高斯过程进行优化估计（Zi Wang，Bolei Zhou，Stefanie Jegelka），在国际人工智能与统计会议（AISTATS）中，2016年。 可以在上找到该论文。 要运行代码，请先安装Carl Rasmussen和Hannes Nickisch（）的gpml工具箱。 有关如何运行算法的完整说明，请参见gpo_example.m。 在本文中，除了进行综合功能的实验外，我们还进行了与用于轨迹优化的初始化调整和用于图像分类的参数调整有关的实验。 轨迹优化实验基于Drake工具箱中的Airplane2D示例，位于。 图像分类实验遵循NIPS 2014中的论文“使用位置数据库学习场景识别的深度特征（Zhou等人）”。所有数据集均可在线获得。

多类花卉分类 使用Keras进行多类花卉图像分类 用法用于训练模型：python3 training_model-数据集training_set-模型trained_model-情节图用于预测图像：python3预报.py-数据集training_set-模型trained_model-图像test_set / rose1 该模型已使用Keras库进行了训练。 这里使用的神经网络的架构通常称为LeNet架构，其描述如下：INPUT => CONV => RELU => POOL => CONV => RELU => POOL => FC => RELU => FC 为了训练该模型，最优化的纪元数是25，而使用Adam Optimizer的批量大小是32，初始学习率是1e-3。 这里的预训练模型具有以下准确性/损失，这也显示在图中plot.png训练准确性-0.9057验证准确性-0

航拍图像往往具有场景复杂、数据维度大的特点，对于该类图像的自动分类一直是研究的热点。针对航拍原始数据特征维度过高和数据线性不可分的问题，在字典学习和稀疏表示的基础上提出了一种结合核字典学习和线性鉴别分析的目标识别方法。首先学习核字典并通过核字典获取目标样本的稀疏表示，挖掘数据的内部结构；其次采用线性鉴别分析，加强稀疏表示的可分性；最后利用支持向量机对目标进行分类。实验结果表明，与传统基于子空间特征提取的算法和基于字典学习的算法相比，基于核字典学习与鉴别分析的算法分类性能优越。

本文主要研究了通过灰度共生矩阵提取纹理特征图像的方 法,对该方法提取纹理特征图像进行了相关的实验分析。并将其在分类中的应用进行实验,证明了灰度共生矩阵 提取的纹理特征对图像分类精度提高起到一定的作用。