对垃圾图像判别问题中的特征提取和特征选择研究现状进行了总结。从特征的可区分性、鲁棒性和提取效率三个方面比较了垃圾图像判别中的主要特征，分析了特征的优缺点。结合分类学习算法、仿真实验结果，对已有的主要特征选择和分析方法进行比对，为进一步研究特征提取、特征选择方法，提高垃圾图像分类器的性能和效率提供有价值的参考。

本文对四类垃圾进行建模，每类垃圾再分为2类垃圾进行识别，（已经建立模型，无垃圾图片训练集菠萝、茶叶、单肩包、锅草帽、口服液瓶、玻璃灯管、电视眼镜）+程序源码，可自己寻找垃圾训练图片建立文件进行训练

基于OpenCV和TensorFlow的生活垃圾图像分类识别 前后端结合的项目 trash_classify_demo1 基于OpenCV对图像的二值图进行轮廓识别，并得到其边界矩形。通过此方法，大概率能够框选得到图片中的主要物体，并基于框选出的方框对图像进行裁剪为224*224的尺寸。 trash_classify_demo2 ./cnn_test.py 为此前自己摸索的卷积神经网络，训练起来准确率不佳，遂改用VGG16模型。 ./trash_classify_demo2/cnn_test.py 基于VGG16模型，增加bn层促使模型收敛。将训练集迭代训练约15次，训练集准确度约80%-90%，测试集准确度约60%。 关于label，格式为“图片名称 类别”，由于上传大小所限，仅上传label文档，未上传数据集。 trash_classify_demo3 一些项目进行中所编写的小程序，包括爬虫批量下载图片、调整图片尺寸、计算图片平均RGB值和生成标签文档。 trash_classify_demo4 程序的web前端界面。 包括图像上传、识别功能，垃圾分了科普功能，显示模型