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。

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.