編寫垃圾分類系統可以利用Python的圖像識別和機器學習庫，以下是一個簡單的實現思路：
數據收集：收集垃圾分類的圖像數據集，包括有害垃圾、可回收物、濕垃圾和干垃圾。可以從開源數據集或者自行收集。
數據預處理：使用圖像處理庫（如OpenCV）對圖像進行預處理，包括圖像尺寸調整、灰度化、去噪等步驟。
特征提取：使用圖像特征提取算法（如顏色直方圖、紋理特征等）獲取圖像的特征向量。
模型訓練：使用機器學習庫（如scikit-learn）訓練一個分類模型，可以選擇支持向量機（SVM）、決策樹（Decision Tree）等算法。
模型評估：使用測試集評估模型的準確率、召回率等指標，可以通過交叉驗證等方法進行評估。
模型應用：使用訓練好的模型對新的圖像進行分類預測。加載模型并輸入預處理后的圖像，獲得分類結果。
以下是一個簡單的示例代碼：
import cv2
import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
# 1. 數據收集
# 假設已經準備好了圖像數據集，分別放在不同的文件夾下
# 2. 數據預處理
# 圖像預處理的代碼
# 3. 特征提取
# 圖像特征提取的代碼
# 4. 模型訓練
# 加載數據集和標簽
X = np.load("features.npy")
y = np.load("labels.npy")
# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 訓練分類模型
model = SVC()
model.fit(X_train, y_train)
# 5. 模型評估
score = model.score(X_test, y_test)
print("準確率：", score)
# 6. 模型應用
# 加載待分類的圖像
image = cv2.imread("test_image.jpg")
# 預處理圖像
# 圖像預處理的代碼
# 提取特征向量
# 圖像特征提取的代碼
# 使用模型進行預測
prediction = model.predict([feature_vector])
print("分類結果：", prediction)
需要注意的是，以上代碼僅為示例，實際情況中還需要根據具體的數據集和需求進行相應的調整和優化，以提高模型的準確性和性能。
