全文总字数：3279字

1. 研究目的与意义及国内外研究现状

随着互联网的快速发展以及各种拍照设备的普及，互联网中的图像存储量呈现出迅猛增长，并在社交、图像搜索等领域有着极其广泛的应用。图像能够包含比传统的文字更丰富的信息，很多用语言或者文字无法表达的复杂场景却可以用图像轻易展示出来。因此，如何有效地获取和使用图像信息，受到了当前学术界和工业界的广泛关注。而图像分类是获取和使用图像信息的核心技术，有着重大的研究和应用价值。当前，图像分类的技术大体分为两大类，一是基于文本的图像分类，另一个是基于内容的图像分类。基于文本的图像分类方法是指用文本描述的方式描述图像的特征，如图像名称、类别、尺寸大小等，需要人工干预标注，这种方式的图像分类实际上可以转化为文本分类，而文本分类问题目前有比较成熟的解决方案；但是这种分类技术容易受到文本词汇本身局限性的影响，会产生歧义，而且更新起来慢，一般不太适合处理网络上日新月异的各类图像，现在这种方法基本上不再被使用。基于内容的图像分类方法是指依据图像的底层特征进行分类，底层特征包括颜色、纹理、形状等，这些特征不受人的主观性影响，能够客观真实地描述图像，目前图像分类中处理的特征主要是底层图像特征。基于内容的图像分类技术涉及到很多的学科,包括了数字图像处理、数据库、网络通信、智能感知与识别等。图像分类首先需要提取图像的特征向量，然后将提取出的特征向量进行预处理（形状、旋转等无关性），对于高维的特征向量还要进行降纬处理，最后通过一定的分类算法对处理后的特征向量进行分类。机器学习研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。分类算法的好坏会直接影响着图像分类的效果。针对图像分类问题而言，机器学习算法相比其他分类算法拥有一定的优势，因为机器学习算法对图像的分类效果是非常接近于人眼的分类效果，这样对于解决图像信息爆炸问题以及有效地获取和使用图像信息具有重要的理论研究意义和实际应用价值。

国内外研究现状

近几十年来图像分类技术得到了飞速发展，出现了许多有效的智能分类方法，如贝叶斯分类、k最近邻算法，神经网络和支持向量机等，特别是神经网络分类被广泛地使用。神经网络是指一组互相连接的输入和输出单元，每个连接都被赋予一定的权值，在对训练样本进行学习的过程中，不断对权值进行调整，然后用学习好的模型对测试样本进行预测。等人使用该方法将图像底层特征和类别标签进行关联，通过图像的显著特征进行分类，对于草地、天空等类别的图像具有较高的识别率。文章中，作者采用了神经网络集成分类器，该分类器是基于模糊测度方法实现的，并将其用于对遥感图像的分类中。神经网络分类方法克服了传统的基于概率分布假设的统计分类方法的不足，具有较强的非线性拟合能力和容错能力，适用于大规模地并行处理。但是，这种方法需要设置很多参数，且没有合适的寻优方法，需要不断调试才能找到最优值，工作量太大，不能用于实时分类问题中。

2. 研究的基本内容

本文主要研究内容均围绕“基于机器学习的图像分类”而展开。图像分类是建立在图像的底层特征的基础上，研究中用到的图像特征有颜色特征、纹理特征、形状特征等，分类算法选择的是支持向量机。

接下来简单地介绍下本文的主要研究工作，内容如下：

1. 图像特征。介绍了图像处理中常用的图像特征以及提取算法，其中颜色方面有rgb和hsv两种颜色定义空间，纹理方面有灰度共生矩阵以及提取灰度共生矩阵特征所运用到的算法，形状方面有边缘梯度特征，边缘算子，方向梯度直方图特征以及提取方向梯度直方图特征所运用到的算法；

3. 实施方案、进度安排及预期效果

实施方案：

第一章为绪论；

第二章为图像特征与机器学习算法；

4. 参考文献

[1]张旭. 面向局部特征和特征表达的图像分类算法研究[d].合肥工业大学,2016.

[2]王啸晨. 基于机器学习的图像质量评价研究[d].天津大学,2016.