编写垃圾分类程序可以通过以下步骤进行：
数据收集
收集具有代表性的垃圾图片，并为每种类型的垃圾打上标签，构建一个垃圾分类的训练集。可以使用网络爬虫从垃圾分类相关的网站或者应用中获取图片数据，并且手动标注每张图片的垃圾分类类别（如可回收垃圾、有害垃圾、湿垃圾和干垃圾等）。
数据预处理
对获取的图片数据进行预处理，包括图像的缩放、灰度化、归一化等操作，以便后续模型训练时的处理。
特征提取
从预处理后的图片中提取出特征，例如颜色、纹理、形状等，作为分类算法的输入。可以使用图像处理库（如OpenCV）进行图像特征提取。
模型训练
选择适当的机器学习算法或深度学习模型来构建垃圾分类模型。常见的机器学习算法有支持向量机（SVM）、K近邻（K-Nearest-Neighbor）和随机森林（Random Forest）等。而深度学习模型中，常用的有卷积神经网络（Convolutional Neural Network, CNN）等。将预处理后的数据输入到模型中，进行模型的训练，并使用交叉验证方法进行模型参数的调优，以提高模型的性能和准确率。
模型评估
通过测试集对训练好的模型进行评估，计算模型的准确率、召回率、F1-Score等指标，以了解模型的性能和效果。
垃圾分类
使用训练好的模型对新的垃圾图片进行分类，输出分类结果。可以编写一个函数，输入垃圾图片，通过模型预测其分类。
程序实现
根据具体需求和编程语言的不同，可以选择合适的编程语言和工具来实现垃圾分类程序。例如，使用Python语言，可以利用TensorFlow、Keras等深度学习框架来构建和训练模型。
```python
import cv2
import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
数据收集和预处理
假设已经准备好了图像数据集，分别放在不同的文件夹下
数据预处理的代码
图像预处理示例：调整图像尺寸、灰度化、去噪等
特征提取
图像特征提取示例：颜色直方图、纹理特征等
特征提取代码
模型训练
加载数据集和标签
X = np.load（"features.npy"）
y = np.load（"labels.npy"）
划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split（X, y, test_size=0.2, random_state=42）
创建SVM分类器
clf = SVC（kernel='linear'）
训练模型
clf.fit（X_train, y_train）
模型评估
使用测试集评估模型的准确率、召回率等指标
模型应用
加载模型并输入预处理后的图像，获得分类结果
示例代码
def classify_garbage（image_path）:
读取图像并进行预处理
img = cv2.imread（image_path）
特征提取代码
使用模型进行预测
prediction = clf.predict（[features]）
return prediction
测试函数
def test_classify_garbage（）:
items = ['paper', 'battery', 'leaves', 'glass', 'plastic']
for item in items:
category = classify_garbage（f'path_to_{item}_image.jpg'）
print（f"{item}属于{category}"）
运行测试函数
test_classify_garbage（）
```
请注意，这只是一个简单的示例，实际应用中可能需要更复杂的数据预处理、特征提取和模型调优步骤。