基于自适应提升小波的理论与应用研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-12页 |
| ·研究背景 | 第8-9页 |
| ·本论文算法的发展与现状 | 第9-10页 |
| ·小波理论历史及现状 | 第9页 |
| ·自适应相关的进展 | 第9-10页 |
| ·本论文的内容安排及创新介绍 | 第10-12页 |
| 第2章 小波变换算法回顾 | 第12-22页 |
| ·第一代小波变换 | 第12-16页 |
| ·连续小波变换 | 第12页 |
| ·离散小波变换 | 第12-13页 |
| ·多分辨分析概念 | 第13-14页 |
| ·Mallat算法 | 第14-16页 |
| ·二维离散小波变换 | 第16页 |
| ·第二代小波变换 | 第16-22页 |
| ·经典提升小波算法 | 第17-18页 |
| ·DWT的提升算法实现 | 第18-22页 |
| 第3章 自适应提升小波 | 第22-28页 |
| ·自适应提升的由来 | 第22页 |
| ·自适应滤波器 | 第22-23页 |
| ·不同的提升格式 | 第23-24页 |
| ·自适应提升小波算法 | 第24-28页 |
| 第4章 基于ALW的掌纹识别应用 | 第28-40页 |
| ·掌纹识别概述 | 第28-30页 |
| ·应用掌纹识别的优点 | 第28-29页 |
| ·掌纹算法研究现状 | 第29-30页 |
| ·脉冲耦合神经网络 | 第30-33页 |
| ·神经元模型 | 第30-32页 |
| ·PCNN参数影响 | 第32-33页 |
| ·支持向量机 | 第33-35页 |
| ·基于自适应提升小波的掌纹识别算法 | 第35-37页 |
| ·掌纹图像库 | 第35页 |
| ·算法流程及参数设置 | 第35-37页 |
| ·实验结果及分析 | 第37-40页 |
| 第5章 基于ALW的树叶识别应用 | 第40-54页 |
| ·树叶识别概述 | 第40-42页 |
| ·植物识别的意义 | 第40页 |
| ·植物树叶识别的意义 | 第40-41页 |
| ·树叶识别的发展与现状 | 第41-42页 |
| ·本文的特征提取方法 | 第42-48页 |
| ·双尺度算法 | 第42-45页 |
| ·CS-LBP模式 | 第45-47页 |
| ·模糊熵算法 | 第47-48页 |
| ·实验结果及讨论 | 第48-54页 |
| ·树叶数据库及算法流程 | 第48-50页 |
| ·实验结果及讨论 | 第50-54页 |
| 第6章 总结 | 第54-56页 |
| ·全文总结 | 第54页 |
| ·未来工作建议 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间科研成果 | 第64页 |
