如果手动执行图像分类，则是一个复杂且耗时的过程，随着不同图像分类方法的实施，该过程可以自动化以获得高度准确的结果。 这篇综述文章提供了对各种图像分类方法的理解，重点是分类方法的概述和用于提高分类精度的技术。 此外，比较了各种分类方法，性能，优点和局限性。 这篇文献综述描述了不同类型的有监督，无监督和半监督分类方法，例如卷积神经网络，转移学习，支持向量机，k最近邻和随机森林算法。

卷积神经网络在高光谱图像分类中的应用综述.pdf

针对K-SVD 算法学习得到的字典结构性不强的问题,利用图像的非局部自相似性,提出了基于稀疏表示的图像分类字典学习方法(NLC-DL).该方法利用K-means对图像块进行聚类并对每个子类进行字典学习,增强字典的有效性.根据正交匹配追踪算法(OMP)求得稀疏系数,迭代优化字典,最终利用优化后字典和稀疏系数矩阵重构图像.实验结果表明:生成的学习字典对训练样本的表达误差更小,能够有效地保持图像的结构信息,重构后的图像在峰值信噪比和视觉效果方面均优于传统方法.

利用卷积神经网络训练图像数据分为以下几个步骤 1.读取图片文件 2.产生用于训练的批次 3.定义训练的模型（包括初始化参数，卷积、池化层等参数、网络） 4.训练 1 读取图片文件 def get_files(filename): class_train = [] label_train = [] for train_class in os.listdir(filename): for pic in os.listdir(filename+train_class): class_train.append(filename+train_class+'/'+pic) la

基于keras，后端为theano的卷积神经网络分类，代码是二分类，主要对猫狗进行识别分类

Caltech-256 是一个图像物体识别数据集，包含 30608 张图片，256个物体类别，每类图片最少80张，最多827张。

鸢尾花(iris)数据集 csv+txt两个版本。Iris 鸢尾花数据集是一个经典数据集，在统计学习和机器学习领域都经常被用作示例。数据集内包含 3 类共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这4个特征预测鸢尾花卉属于（iris-setosa, iris-versicolour, iris-virginica）中的哪一品种。

受空洞卷积在图像信息方面保持优秀性能的启发,为进一步提高分类精度,提出一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类框架。空洞卷积可扩展滤波器的感受野,有效地避免图像信息丢失,从而提高分类精度。在该框架中,分别采用含有空洞卷积的一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)提取高光谱图像的光谱特征和空间特征。再采用加权融合方法对提取的空间特征和光谱特征进行融合。最后将融合后的特征输入支持向量机进行最终分类。对两个常用的高光谱图像数据集进行实验并与现有的4种分类方法进行比较,结果表明,所提框架具有更好的分类性能。

c# 实现的基于tensorflow的图片分类识别程序实例。需要netframework4.7.1

著名的猫图像标注数据集（Cat Annotation Dataset），包含 10000张 各种类型和环境下猫的图像以及相应的猫轮廓位置标注信息。