机器学习课设

🎓 图像处理课程设计任务书

课程名称：

图像处理与模式识别

课设题目：

基于手工特征提取与传统机器学习方法的图像分类系统实现

---

一、课设目的

本课程设计旨在加深对图像处理与分类算法的理解，提升图像特征提取、传统机器学习模型构建、程序设计与问题分析能力，培养独立实现完整图像分类系统的实践能力。

---

二、课设任务

请每位同学（或小组）独立完成以下内容：

1. 图像数据准备
   选择一个公开图像分类数据集，推荐但不限于以下选项：

   • GTSRB（德国交通标志识别数据集）

   • CIFAR-10 子集

   • Fruits-360 部分类别数据

2. 图像特征提取（手写实现）
   不使用图像处理库（如 OpenCV、scikit-image）中封装的函数，自行编程实现至少一种图像特征提取方法，包括但不限于：

   • HOG（方向梯度直方图）

   • LBP（局部二值模式）

   • RGB/HSV 颜色直方图

   • 边缘提取（如 Sobel）

3. 分类算法实现（手写实现）
   不使用机器学习库（如 scikit-learn、XGBoost）中提供的分类器，自行实现以下至少一种传统机器学习算法：

   • K近邻（KNN）

   • 朴素贝叶斯（Naive Bayes）

   • 决策树（Decision Tree）

   • 支持向量机（SVM）【简化实现即可】

4. 分类评估

   • 将数据划分为训练集与测试集

   • 给出分类准确率等评价指标

   • 输出混淆矩阵或预测结果可视化图示（推荐）

5. 编写报告文档
   内容包括但不限于：

   • 项目简介与数据说明

   • 特征提取与分类器算法原理简述

   • 实现方法与关键代码说明

   • 实验结果与分析

   • 总结与反思

---

三、提交要求

• 源码文件（带注释，结构清晰）

• 项目运行说明文档（含数据说明、运行步骤）

• 课设报告（PDF/Word 均可，内容详实）

• 项目压缩包或 GitHub 链接（如上传到 GitHub 可加分）

---

四、评分标准（满分 100 分）

项目内容	要求	分值
功能实现	特征提取+分类器手写实现，无第三方库	50
算法设计	原理清晰，逻辑合理，有创新性	20
实验分析	有效测试、评估方法科学、结果可解释	15
报告质量	报告完整，条理清晰，表达准确	10
编码规范	注释清晰，结构良好，易读性好	5

---

五、注意事项

• 本课设要求独立完成，不得抄袭网络代码或同学成果，凡发现雷同或作弊行为，取消课设成绩。

• 所有实现应为手动编程，不得调用库函数进行特征提取或分类（如 sklearn.SVC、cv2.HOGDescriptor 等）。

• 鼓励使用 Git 进行版本管理，鼓励撰写 README 文档说明项目结构