先安装环境 ----> 使用data_classify.py文件进行训练集与测试集分割 ----> 在进行训练即可 数据准备：当前数据存放 data_name 文件夹内 文件夹名就是类别名，n个类别就是n个文件夹 目录主要结构组成： model_AlexNet.py ----> 自己建的AlexNet模型（可选其他模型） model_Vgg16.py ----> pytorch自带更改的模型（可选其他模型） train.py ----> 用于训练模型 test.py ----> 用于测试模型 辅助文件： data_classify.py ----> 将 data_name内的类别分为训练集与测试集。 ​ 注意查看代码内容，包含argparse模块 清除单通道图像 -----> 数据清洗，处理异常图像 旧版数据加载 -----> 用于学习图像 数据加载

halcon图像分类

2d和3d图像分类与分割源码

K-SVD通过构建字典来对数据进行稀疏表示，经常用于图像压缩、编码、分类等应用。

这是一个手把手教你用 Tensorflow 构建卷机网络（CNN）进行图像分类的教程。教程并没有使用 MNIST 数据集，而是使用了真实的图片文件，并且教程代码包含了模型的保存、加载等功能，因此希望在日常项目中使用 Tensorflow 的朋友可以参考这篇教程。 概述 --- • 代码利用卷积网络完成一个图像分类的功能 • 训练完成后，模型保存在 model 文件中，可直接使用模型进行线上分类 • 同一个代码包括了训练和测试阶段，通过修改 train 参数为 True 和 False 控制训练和测试 数据准备 --- 教程的图片从 Cifar 数据集中获取，download_cifar.py 从 Keras 自带的 Cifar 数据集中获取了部分 Cifar 数据集，并将其转换为 jpg 图片。 默认从 Cifar 数据集中选取了 3 类图片，每类 50 张图，分别是 • 0 => 飞机 • 1 => 汽车 • 2 => 鸟 图片都放在 data 文件夹中，按照 label_id.jpg 进行命名，例如 2_111.jpg 代表图片类别为 2（鸟），id 为 111。

基于深度学习resnet网络开发的花卉分类识别系统，包含5种类别的花卉（玫瑰、向日葵、紫罗兰等），包含训练文件，也可以自己训练。可以单张图片识别也可多张一起识别，并开发了gui系统界面。在readme文件中做了说明。（有没有GPU均可运行）

用Pytorch实现我们的CIFAR10的图像分类 模型有LeNet，AlexNet，VGG，GoogLeNet，ResNet，DenseNet 在资源中有全部代码的学习资料，并且包括所有的权重，代码所有都可运行，可执行，可复现代码的结果 可以利用所有的模型权重进行迁移学习 除此之外，还有所有迁移学习的代码，可以利用迁移学习的代码对猫狗数据集进行训练学习

很有用的遥感图像分类 介绍的很详细 包含监督分类和非监督分类方法

遥感数字图像处理课程设计-遥感图像监督与非监督分类，主要对于烟台市地区，包含原始数据，处理数据，以及50页的课程设计报告详细讲述了分析以及操作。以下是节选：4.1.1 图像校正 地理空间数据云下载的0云量数据已经进行过了图像大气校正，辐射校正，几何校正，不需要进一步预处理。 4.1.2 波段合成 点击“Basic Tools”—“Layer Stacking”,这时就打开了波段合成窗口，然后点击“Import file”,打开波段输入窗口。我们从中可以选择输入波段。完成波段顺序调整后，就可以直接点击“OK”,这样就会生成一个新合成的波段图像（选取波段1，2，3，4，5，7）。4.1.3 图像裁剪 由于下载的图像太大，迭代计算过于缓慢，所以需要进行裁剪。 在file/save as中，进入文件选择面板，Spatial Subset打开右侧的裁剪区域，并进行编辑。 可手动选择裁剪区域，红框为裁剪区域 图4.3 裁剪范围和大小 4.1.4 裁剪图像统计基本统计量 点击菜单Basic Tools→Statistics→Compute Statistics，对图像进行统计选中统计项目：直方图、

Python基于CNN的图像分类系统源码.zip