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。

压缩包中包含mnist数据集的所有图像，且已分好类！

下载后，安装好版本匹配的python3.6,numpy,scipy,matplot,sklearn,skimage等包，后直接可以运行，无需修改代码。运行后输入y，就可以实习自带的图像分类（小鸡，小鸭，蛇，猫等分类）。

Deep learning for computer vision with python第7章图像分类的KNN算法实现，数据集使用kaggle 上的dogs and cats.

人工智能导论课作业，像分类，指在给定的类别中，选出与该图像匹配的类别作为输入的图像处理方法。支持向量机(SVM)是一种以统计学习理论为基础的用来解决二分类问题的机器学习方法。SVM是结构风险最小化模型，较好的解决了数量较小时过拟合问题，能有效提高模型的泛化能力。在解决小样本、非线性及高维模式识别问题中,表现出许多特有的优势。本次实验使用的是自己提出的一个关于路面裂缝的crack数据集，为提升实验效果，先提取图像HOG特征，再利用SVM来进行分类训练，以识别图片中是否存在裂缝。本文设计了完整的HOG+SVM识别算法,使用自己提出的crack数据集进行了实验测试。

手指静脉识别技术作为一种新型的非接触式生物认证技术,具有可靠性高,验证便捷,识别精度高和活体识别等特点。与传统认证技术不同,它在易用性与可靠性之间达到较好的平衡,但是该技术在图像采集、预处理和特征提取与匹配等方面仍存在一些问题,而本文研究目的就在于研究和解决上述问题。 本文分析了手指静脉识别技术的基本原理,设计了手指静脉图像处理流程,研究了图像采集、静脉图像区域定位、静脉纹路提取、静脉特征提取与匹配等原理与实现, Gabor小波与人类视觉系统中简单细胞的视觉刺激响应非常相似。它在提取目标的局部空间和频率域信息方面具有良好的特性。虽然Gabor小波本身并不能构成正交基，但在特定参数下可构成紧框架

基于Kaggle Plant Seedlings Classification竞赛 不利用深度学习 只用特征提取和传统机器学习完成图像分类并达到78%的准确率