| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 致谢 | 第11-18页 |
| 第一章 绪论 | 第18-30页 |
| ·研究背景 | 第18-19页 |
| ·图像信息表示方法 | 第19-22页 |
| ·时(空)域分析 | 第20-21页 |
| ·频域分析 | 第21页 |
| ·时(空)频域分析 | 第21-22页 |
| ·图像信息的基函数表示 | 第22-25页 |
| ·图像的基函数 | 第22-23页 |
| ·图像信息的基函数表示的研究现状 | 第23-25页 |
| ·论文的课题来源、研究内容与章节安排 | 第25-27页 |
| ·论文的课题来源 | 第25页 |
| ·论文的研究内容 | 第25-26页 |
| ·论文的章节安排 | 第26-27页 |
| 参考文献 | 第27-30页 |
| 第二章 图像信息的小波和ICA基函数表示 | 第30-54页 |
| ·引言 | 第30页 |
| ·图像信息的小波基函数表示 | 第30-37页 |
| ·多分辨率分析 | 第31-33页 |
| ·小波表示 | 第33-34页 |
| ·基于滤波器组的快速小波算法 | 第34-35页 |
| ·基于小波基函数的图像信息表示 | 第35-37页 |
| ·图像信息的ICA基函数表示 | 第37-48页 |
| ·独立分量分析的基本理论 | 第38-46页 |
| ·基于ICA基函数的图像信息表示 | 第46-48页 |
| ·图像信息的基函数表示 | 第48-49页 |
| ·本章小结 | 第49页 |
| 参考文献 | 第49-54页 |
| 第三章 基函数系数的高阶统计表示 | 第54-78页 |
| ·引言 | 第54-55页 |
| ·基于ICA的图像独立基元表征 | 第55-59页 |
| ·联合概率密度函数的边缘概率密度函数表示 | 第55-56页 |
| ·ICA基函数和滤波器的特点 | 第56-57页 |
| ·ICA滤波器组与Gabor滤波器组的比较 | 第57-59页 |
| ·基于ICA的纹理分类 | 第59-63页 |
| ·ICA纹理分类 | 第60页 |
| ·纹理图像的ICA | 第60-61页 |
| ·特征图像 | 第61-62页 |
| ·纹理图像的独立谱表示 | 第62-63页 |
| ·分类 | 第63页 |
| ·基于非高斯分布的ICA基函数系数的高阶统计表示 | 第63-69页 |
| ·基于独立谱和联合矩的图像表示 | 第63-65页 |
| ·基于非高斯分布的基函数系数特征提取 | 第65-68页 |
| ·滤波器独立性对分类性能影响的研究 | 第68-69页 |
| ·仿真实验 | 第69-74页 |
| ·数据准备及参数设置 | 第69页 |
| ·实验一:基于ICA系数的纹理分类 | 第69-70页 |
| ·实验二:训练样本的个数对分类性能的影响 | 第70-71页 |
| ·实验三:不同特征提取方法中滤波器独立性对分类性能的影响 | 第71-72页 |
| ·实验四:多尺度滤波器和滤波器选择的纹理分类 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 第四章 基于LNN-MFICA基函数的图像信息表示 | 第78-96页 |
| ·引言 | 第78-79页 |
| ·平均场ICA模型 | 第79-80页 |
| ·MFA-ICA算法 | 第80-88页 |
| ·平均场近似MFA(Mean Field Approximation) | 第80-81页 |
| ·混合矩阵A估计和噪声协方差∑的估计 | 第81-83页 |
| ·源信号S的估计 | 第83-84页 |
| ·平均场近似的源模型 | 第84-87页 |
| ·MFA算法的基本步骤 | 第87-88页 |
| ·仿真实验 | 第88-93页 |
| ·数据准备及参数设置 | 第88-89页 |
| ·基函数的稀疏性 | 第89-91页 |
| ·基函数的个数与识别率之间的关系 | 第91-92页 |
| ·基函数的泛化能力 | 第92-93页 |
| ·本章小结 | 第93页 |
| 参考文献 | 第93-96页 |
| 第五章 图像信息的自适应稀疏小波模型研究 | 第96-116页 |
| ·引言 | 第96-98页 |
| ·ICA与小波的图像基函数表示存在的问题 | 第96-97页 |
| ·基于ICA与小波相结合图像基函数表示 | 第97-98页 |
| ·自适应小波及其参数化 | 第98-102页 |
| ·自适应小波 | 第98-99页 |
| ·小波滤波器组的限制 | 第99页 |
| ·无抽样小波变换 | 第99-101页 |
| ·基于Lattice结构分解的小波滤波器参数化 | 第101-102页 |
| ·自适应稀疏小波模型 | 第102-106页 |
| ·目标函数 | 第102-103页 |
| ·自适应稀疏小波的算法实现 | 第103-105页 |
| ·最优化方法 | 第105-106页 |
| ·仿真实例 | 第106-111页 |
| ·稀疏小波方法作用于纹理图像 | 第106-107页 |
| ·稀疏小波方法用于纺织品缺陷检测 | 第107-111页 |
| ·本章小结 | 第111-112页 |
| 参考文献 | 第112-116页 |
| 第六章 总结与展望 | 第116-118页 |
| ·论文总结 | 第116页 |
| ·研究展望 | 第116-118页 |
| 攻读博士学位期间发表论文及参加科研情况 | 第118-119页 |
