| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 第一章 绪论 | 第14-36页 |
| ·研究背景及其意义 | 第14-15页 |
| ·核函数方法概要 | 第15-29页 |
| ·支持向量机 | 第18-22页 |
| ·核Fisher判别分析 | 第22-25页 |
| ·核主成分分析 | 第25-28页 |
| ·核感知器 | 第28-29页 |
| ·核函数方法及其在数字图像处理中的应用研究现状 | 第29-34页 |
| ·支持向量机在数字图像处理中的应用研究现状 | 第29-33页 |
| ·其他核函数方法在数字图像处理中的应用研究现状 | 第33-34页 |
| ·本文的研究内容及章节安排 | 第34-36页 |
| 第二章 基于局部核函数的核主成分分析 | 第36-45页 |
| ·引言 | 第36-37页 |
| ·基于局部核函数的主成分分析 | 第37-41页 |
| ·基本思想 | 第37-39页 |
| ·高维特征空间的数据中心化 | 第39-40页 |
| ·高维特征空间的主成分计算 | 第40-41页 |
| ·实验结果与分析 | 第41-44页 |
| ·本章小结 | 第44-45页 |
| 第三章 基于局部自相关矩阵奇异值向量的纹理分割 | 第45-57页 |
| ·引言 | 第45-46页 |
| ·纹理子图像自相关矩阵分析 | 第46-47页 |
| ·两类纹理图像的特征提取与分割 | 第47-49页 |
| ·多纹理图像分割 | 第49页 |
| ·后处理 | 第49页 |
| ·实验结果和分析 | 第49-56页 |
| ·两纹理图像分割实验 | 第51-54页 |
| ·多纹理图像分割实验 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第四章 用支持向量机实现纹理图像分类 | 第57-66页 |
| ·引言 | 第57-58页 |
| ·对数-极坐标变换 | 第58-60页 |
| ·特征提取 | 第60-61页 |
| ·行移位相似矩阵特点和行投影变换 | 第60-61页 |
| ·纹理图像特征提取 | 第61页 |
| ·学习算法 | 第61-62页 |
| ·实验及结果分析 | 第62-64页 |
| ·本章小结 | 第64-66页 |
| 第五章 基于对数-极坐标变换和奇异值分解的纹理图像分类 | 第66-72页 |
| ·行移位矩阵的一个性质 | 第66-67页 |
| ·奇异值分解和特征提取 | 第67页 |
| ·相似度定义 | 第67-68页 |
| ·分类器设计 | 第68-69页 |
| ·实验结果 | 第69-71页 |
| ·尺度方位不同的纹理图像库生成 | 第69-70页 |
| ·实验结果 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 第六章中心投影变换及其在二值图像检索中的应用 | 第72-79页 |
| ·引言 | 第72-73页 |
| ·中心投影变换 | 第73-75页 |
| ·中心投影变换在二值图像检索中的应用 | 第75-78页 |
| ·图像数据库预处理 | 第75-76页 |
| ·相似度定义 | 第76页 |
| ·实验结果 | 第76-78页 |
| ·本章小结 | 第78-79页 |
| 第七章 基于分形维数的多线索图像检索 | 第79-89页 |
| ·引言 | 第79-80页 |
| ·分形维数的计算及分形向量的定义 | 第80-82页 |
| ·图像边界和骨架提取 | 第82-83页 |
| ·图像边界提取 | 第82页 |
| ·图像骨架提取 | 第82-83页 |
| ·图像特征提取 | 第83-84页 |
| ·分形特征提取 | 第83-84页 |
| ·距离分布直方图特征提取 | 第84页 |
| ·相似度定义 | 第84-85页 |
| ·实验结果 | 第85-87页 |
| ·本章小结 | 第87-89页 |
| 第八章 在读期间做的其它工作:一种基于视觉特性的图像盲去模糊方法 | 第89-96页 |
| ·引言 | 第89页 |
| ·图像的小波变换 | 第89-91页 |
| ·Manos 视觉模型 | 第91-92页 |
| ·图像小波变换系数的视觉加权 | 第92页 |
| ·小波逆变换和图像盲去模糊 | 第92-93页 |
| ·实验结果与分析 | 第93-95页 |
| ·实验图像 | 第93页 |
| ·实验步骤 | 第93-95页 |
| ·本章小结 | 第95-96页 |
| 结论 | 第96-98页 |
| 参考文献 | 第98-108页 |
| 攻读博士学位期间完成的论文 | 第108-109页 |
| 致谢 | 第109页 |