1. 研究目的与意义（文献综述包含参考文献）

场景分类作为图像研究领域中的重点[1], 场景分类(scene classificanon)为大图像数据的管理与利用提供了一种可行的解决方案。

根据henderson[2]等人给出的定义, 场景是由对象以及对象间的各种关系所构成的综合体，因此场景分类的定义就可以描述为:根据人类视觉感知原理，通过给定的场景类别对数据库中的图像进行自动区分。

比如说，某用户需要对某一地区的湿地分布进行分析，那么我们就可以根据人类的认知习惯和需求，把该地区图像库中所有和水源地信息相关的图像提取出来供其使用，这一过程就是场景分类。

2. 研究的基本内容、问题解决措施及方案

1、 特征提取 提取训练样本中的特征向量，有方法sift和svfr等方法可使用 2、 sift法的使用步骤 ①空间尺度极值检测：搜索所有尺度上的图像位置。

通过高斯微分函数来识别潜在的对尺度和旋转不变的兴趣点 ②关键点定位：在每个候选位置上，通过一个拟合精细的模型来确定位置和尺度，关键点的选择依据他们的稳定程度 ③方向确定：基于图像局部梯度方向，分配给每个关键点位置一个和多个方向，所有后面的对图像数据的操作都相对于关键点的、尺度和位置进行变换，从而提供对于变换的不变性。

④关键点描述：在每个关键点周围的邻域内，在选定尺度上测量图像局部梯度 3、 特征匹配步骤 ① sift生成后，从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量 ② sift特征向量的匹配 (1) 构建尺度空间，检测极值点，获得尺度不变性。