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：
-
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
-
-
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）
-
-
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】
-
-
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）
-
-
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