1. 本选题研究的目的及意义
图像分类是计算机视觉领域的一项重要任务，其目标是将图像自动归类到不同的语义类别中。
近年来，随着深度学习技术的快速发展，图像分类技术取得了显著的进步，并在人脸识别、目标检测、医学影像分析等领域得到广泛应用。
然而，传统的深度学习模型往往需要大量的标注数据进行训练，且模型结构复杂，计算成本高，难以满足一些实际应用场景的需求。
2. 本选题国内外研究状况综述
图像分类作为计算机视觉的重要研究方向，一直受到国内外学者的广泛关注。
近年来，支持向量机以其优良的性能在图像分类领域展现出巨大潜力，成为该领域的研究热点之一。
1. 国内研究现状
3. 本选题研究的主要内容及写作提纲
1. 主要内容
本研究将围绕基于支持向量机的图像分类方法展开，主要研究内容包括：
1.图像特征提取:研究不同的图像特征提取方法，如：全局特征：颜色直方图、灰度共生矩阵等局部特征：SIFT、HOG、LBP等深度特征：利用预训练的深度卷积神经网络提取图像特征
分析不同特征提取方法对分类性能的影响，选择合适的特征或进行特征融合以提高分类精度。
2.支持向量机分类器设计:研究不同核函数对支持向量机分类性能的影响，如线性核、多项式核、径向基核等。
4. 研究的方法与步骤
本研究将采用理论分析、算法设计、实验验证相结合的研究方法。
1.首先，进行文献调研，了解图像分类和支持向量机的相关理论基础，以及国内外研究现状，为本研究提供理论指导。
2.其次，根据研究目标，设计基于支持向量机的图像分类模型。
5. 研究的创新点
本研究的创新点在于：
1.高效的图像特征提取方法:结合图像分类任务的特点，研究并提出一种高效的图像特征提取方法，提取更具代表性和判别性的特征，以提高分类精度。
2.优化的支持向量机模型:针对图像分类问题，对支持向量机模型进行优化，例如：研究新的核函数或改进现有核函数，以更好地适应图像数据的特点。
提出新的参数选择方法或优化策略，以提高模型的泛化能力和鲁棒性。
6. 计划与进度安排
第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。
第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲
第三阶段（2024.2~2024.3）查询资料，学习相关论文
7. 参考文献（20个中文5个英文）
1. 刘建伟, 刘华春, 陈晓静, 等. 基于改进灰狼算法优化支持向量机的图像分类[J]. 计算机工程与应用, 2021, 57(19): 164-171.
2. 张宪民, 郑春颖. 基于改进鲸鱼算法优化支持向量机的图像分类[J]. 吉林大学学报(工学版), 2021, 51(5): 1633-1641.
3. 王晓华, 魏本征, 孟娇娇, 等. 基于支持向量机和深度特征融合的图像分类方法[J]. 西安电子科技大学学报, 2021, 48(4): 62-69.
