| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 图像识别技术简介 | 第10页 |
| 1.3 稀疏表示的研究现状 | 第10-12页 |
| 1.4 本文研究内容和创新点 | 第12-13页 |
| 1.5 本文结构安排 | 第13-15页 |
| 第二章 基于概率分析的鲁棒稀疏表示分类算法 | 第15-28页 |
| 2.1 引言 | 第15页 |
| 2.2 稀疏表示基本理论模型 | 第15-18页 |
| 2.2.1 稀疏表示模型的建立 | 第15-16页 |
| 2.2.2 稀疏表示系数的求解 | 第16-17页 |
| 2.2.3 稀疏表示的分类 | 第17-18页 |
| 2.3 稀疏表示的优化算法 | 第18-20页 |
| 2.3.1 梯度投影法 | 第18-19页 |
| 2.3.2 迭代阈值收缩法 | 第19-20页 |
| 2.4 基于概率分析的鲁棒稀疏表示分类算法 | 第20-23页 |
| 2.4.1 稀疏表示分类的概率分析基础 | 第20-21页 |
| 2.4.2 稀疏表示的概率推导 | 第21页 |
| 2.4.3 基于概率分析的鲁棒稀疏表示分类器模型 | 第21-23页 |
| 2.5 实验结果分析 | 第23-26页 |
| 2.5.1 人脸数据库上的实验分析 | 第23-24页 |
| 2.5.2 复杂图像数据库上的实验分析 | 第24-26页 |
| 2.6 本章小结 | 第26-28页 |
| 第三章 基于鉴别性的Gabor多分量协同表示人脸识别算法 | 第28-42页 |
| 3.1 引言 | 第28-29页 |
| 3.2 协同表示人脸识别算法 | 第29-30页 |
| 3.3 鉴别性多分量Gabor特征提取 | 第30-33页 |
| 3.3.1 二维Gabor特征提取 | 第30-31页 |
| 3.3.2 鉴别性Gabor特征分量淘汰机制 | 第31-33页 |
| 3.3.3 自适应权重计算 | 第33页 |
| 3.4 鉴别性Gabor多分量协同表示分类算法 | 第33-35页 |
| 3.5 实验结果及分析 | 第35-40页 |
| 3.5.1 Gabor特征分量的淘汰和加权机制的合理性实验 | 第35-37页 |
| 3.5.2 FERET人脸库上的实验 | 第37页 |
| 3.5.3 AR人脸库上的实验 | 第37-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于快速不相干判别字典学习的图像识别算法 | 第42-55页 |
| 4.1 引言 | 第42页 |
| 4.2 字典学习算法基本理论 | 第42-45页 |
| 4.2.1 K-SVD字典学习算法 | 第43-44页 |
| 4.2.2 Fisher判别字典学习算法 | 第44-45页 |
| 4.3 快速不相干判别字典学习算法 | 第45-49页 |
| 4.3.1 算法模型 | 第45-46页 |
| 4.3.2 稀疏系数矩阵的求解 | 第46-48页 |
| 4.3.3 字典更新问题的求解 | 第48页 |
| 4.3.4 分类策略及算法步骤 | 第48-49页 |
| 4.4 实验结果及分析 | 第49-54页 |
| 4.4.1 CMU PIE人脸数据库上的实验 | 第50-53页 |
| 4.4.2 USPS数字手写体数据库上的实验 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 稀疏表示在印染布自动检测中的应用 | 第55-65页 |
| 5.1 引言 | 第55页 |
| 5.2 印染布过程中出现的问题 | 第55-56页 |
| 5.3 印染布自动检测方案设计 | 第56-59页 |
| 5.3.1 训练样本的构造 | 第57-58页 |
| 5.3.2 训练样本的个数 | 第58-59页 |
| 5.4 系统设计 | 第59-61页 |
| 5.5 实验及分析 | 第61-64页 |
| 5.6 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 今后的工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第72页 |