基于SVM算法的图像分类在客车超载系统上的研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 主要研究内容 | 第12页 |
| 1.4 论文内容结构 | 第12-13页 |
| 第2章 理论基础 | 第13-30页 |
| 2.1 图像分类 | 第13页 |
| 2.2 基于支持向量机的图像分类流程简介 | 第13-14页 |
| 2.3 图像分割 | 第14-22页 |
| 2.3.1 灰度直方图介绍 | 第15-17页 |
| 2.3.2 一维直方图的信息计算 | 第17-18页 |
| 2.3.3 Otsu法 | 第18页 |
| 2.3.4 最大熵法 | 第18-19页 |
| 2.3.5 最小交叉熵法 | 第19页 |
| 2.3.6 最大相关法 | 第19-20页 |
| 2.3.7 四种阈值分割方法的对比 | 第20-22页 |
| 2.4 图像增强 | 第22-24页 |
| 2.4.1 直方图均衡化 | 第22-24页 |
| 2.4.2 直方图规定化 | 第24页 |
| 2.5 图像特征描述 | 第24-29页 |
| 2.5.1 颜色特征 | 第25页 |
| 2.5.2 纹理特征 | 第25-26页 |
| 2.5.3 形状特征 | 第26-28页 |
| 2.5.4 空间关系特征 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 图像处理的研究和实现 | 第30-41页 |
| 3.1 引言 | 第30页 |
| 3.2 基于直方图均衡化的图像增强 | 第30-32页 |
| 3.3 图像分割的选择与改进 | 第32-37页 |
| 3.4 轮廓提取 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于支持向量机的图像分类研究和实现 | 第41-58页 |
| 4.1 引言 | 第41页 |
| 4.2 统计学习理论 | 第41-42页 |
| 4.3 支持向量机理论 | 第42-43页 |
| 4.4 最优超平面概念 | 第43-44页 |
| 4.5 线性可分最优超平面 | 第44-46页 |
| 4.6 非线性可分超平面 | 第46页 |
| 4.7 核函数 | 第46-47页 |
| 4.8 OpenCV中的SVM | 第47-48页 |
| 4.9 支持向量机的建模与步骤 | 第48-52页 |
| 4.9.1 分析客车目标区域的特征图像 | 第48-49页 |
| 4.9.2 基于支持向量机的客车图像检测 | 第49-50页 |
| 4.9.3 设计支持向量机分类器 | 第50-52页 |
| 4.10 支持向量机的测试实验与分析 | 第52-56页 |
| 4.10.1 实验介绍 | 第52-53页 |
| 4.10.2 实验结果比较与分析 | 第53-56页 |
| 4.11 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简介 | 第62-63页 |
| 致谢 | 第63页 |
