1. 本选题研究的目的及意义

图像分类作为计算机视觉领域的一项基础性任务，一直是研究的热点和难点。

近年来，深度学习的兴起为图像分类带来了突破性的进展，但同时也面临着一些挑战，例如对大规模标注数据的依赖、模型的可解释性等。

相比之下，基于局部特征的图像分类方法由于其对图像局部信息的敏感性、较低的计算复杂度以及对数据规模的依赖性较低等优点，仍然具有重要的研究意义和应用价值。

2. 本选题国内外研究状况综述

图像分类是计算机视觉领域的核心问题之一，一直受到国内外学者的广泛关注。

基于局部特征的图像分类方法作为传统图像分类方法的重要分支，在深度学习兴起之前取得了一系列重要成果，并在一些特定领域仍具有优势。

1. 国内研究现状

3. 本选题研究的主要内容及写作提纲

本选题将围绕基于局部特征的图像分类算法展开深入研究，主要内容包括以下几个方面：

1. 主要内容

1.局部特征提取:研究和比较现有的局部特征提取算法，例如sift、surf、orb等，分析它们在提取图像局部特征方面的优缺点，并针对其不足之处进行改进，以提高特征的鲁棒性和distinctiveness。

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，具体步骤如下：
1.文献调研与需求分析:深入调研图像分类、局部特征提取、特征编码、分类器设计等方面的国内外研究现状，了解不同方法的优缺点和适用场景，明确本研究的目标和研究内容。

2.算法设计与实现:基于调研结果，设计和实现基于局部特征的图像分类算法，包括局部特征提取、特征编码、分类器选择等关键步骤。

3.实验平台搭建:选择合适的硬件平台和软件环境，搭建实验平台，为后续实验提供基础设施。

5. 研究的创新点

本研究的创新点主要体现在以下几个方面：
1.改进局部特征提取算法:针对现有局部特征提取算法在鲁棒性和distinctiveness方面的不足，提出改进的算法，以提高特征的质量和表达能力。

2.探索新的特征编码方法:研究和探索新的特征编码方法，例如基于深度学习的特征编码、基于哈希编码的特征编码等，以提高特征表示的效率和discriminativepower。

3.优化分类器设计:针对不同的局部特征表示方法，选择合适的分类器并对其进行优化，以提高分类器的性能和泛化能力。

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]郭亚宁,王向阳,李鑫,等. 基于深度学习和局部特征融合的sar图像舰船目标识别[j]. 电子与信息学报,2020,42(12):3195-3202.

[2]张旭,王春晓,张良培. 基于局部特征和深度学习的图像分类算法[j]. 计算机工程,2019,45(06):282-288.

[3]李晓光,王生进,陈杰,等. 基于多尺度局部特征融合的遥感图像目标识别[j]. 光学学报,2021,41(13):1315001.