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。

场景分类主要侧重于对图像整体的认知和分析，而较少涉及图像内部包含的具体地物目标,因此面对海量的图像数据，场景分类的突出优势就显现出来了，当用户面对海量图像数据库时，可以利用场景分类能省去繁杂的图像分类或标注步骤，大幅度提高检索的效率，同时也能提升有用信息检索结果的精确度。

就目前的大环境而言，场景分类技术在以下几个方面有着极大的应用潜力 (1)图像检索:当前的大多数图像搜索引擎采用的都是基于图像关键字的检索，这种检索方法需要事先对图像进行标注，在准确性和实效性方面都难以令人满意[3]，而场景分类技术能够实现对图像内容的自动标注，以之实现基于图像内容的检索，因而具有较好的准确性和时效性; (2)机器视觉与人工智能:在模式识别和人工智能领域，如何让机器人快速、准确地识别当前所处位置的场景类型，从而做出相应的后续操作(如导盲机器人引导盲人用户识别马路)，将会极大地推动人工智能的发展[4]。

场景分类技术可以让机器人快速地根据当前环境的图像和相应的场景类型进行匹配，迅速做出反应。

而就场景分类的层次而言，有低、中、高三种层次。

在底层场景分类领域，一般来说，用于描述图像性质的低层视觉特征大致可以分为全局特征和局部特征[5]，因此，基于图像低层视觉特征的场景分类也可以分为基于图像全局低层特征和基于局部低层特征这两种方法。

这两种方法的原理是首先提取图像的全局或局部低层特征(例如灰度、形状、颜色)，再结合有监督的学习方法，根据特征之间的相似性进行判断，完成场景分类，其优点是算法的实现简单、性能稳定且不需要对场景图像中的具体目标信息进行识别，其缺点是要求场景图像尽量简单且类别之间的区分度大。

这方面代表性的工作主要有Vailaya等人提出的利用基于分层分类的旅游图像分类方法，即在不同的层次下利用不同的全局特征实现场景分类，如基于空间颜色矩矢量进行室内/室外场景分类[6]，基于边缘方向一致性矢量进行城市/郊区场景分类等[7]。