| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 分类系统的基本构成 | 第9-10页 |
| 1.3 论文的研究内容及创新 | 第10-11页 |
| 1.4 论文的章节安排 | 第11-13页 |
| 第二章 特征提取与分类算法 | 第13-21页 |
| 2.1 引言 | 第13页 |
| 2.2 主成分分析 | 第13-15页 |
| 2.2.1 最近重构性 | 第13-14页 |
| 2.2.2 最大可分性 | 第14-15页 |
| 2.3 稀疏表示 | 第15-18页 |
| 2.3.1 稀疏表示向量 | 第15-16页 |
| 2.3.2 贪婪算法算法与正交分解算法 | 第16-18页 |
| 2.3.3 稀疏表示分类器 | 第18页 |
| 2.4 基于过完备原字库的算法 | 第18-20页 |
| 2.4.1 基追踪算法 | 第18-20页 |
| 2.4.2 算法的复杂度 | 第20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 图像处理中分类器的研究 | 第21-35页 |
| 3.1 引言 | 第21页 |
| 3.2 支持向量机 | 第21-22页 |
| 3.3 集成学习算法 | 第22-34页 |
| 3.3.1 学习器的结合策略 | 第25-30页 |
| 3.3.2 学习器的多样性 | 第30-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于稀疏表示重构残差的集成分类系统 | 第35-44页 |
| 4.1 引言 | 第35页 |
| 4.2 基于稀疏表示重构残差的特征表示 | 第35-36页 |
| 4.3 Bagging与随机森林图像分类算法 | 第36-39页 |
| 4.3.1 Bagging集成学习方法 | 第36-37页 |
| 4.3.2 随机森林分类器 | 第37-39页 |
| 4.4 基于稀疏表示重构残差的集成分类算法整体框架 | 第39-40页 |
| 4.5 实验结果与分析 | 第40-44页 |
| 4.5.1 数据集介绍 | 第40页 |
| 4.5.2 不同分类器模型的比较 | 第40-42页 |
| 4.5.3 训练样本空间大小的影响 | 第42页 |
| 4.5.4 图像的遮蔽对分类模型的影响 | 第42-44页 |
| 第五章 字典优化的相关技术 | 第44-50页 |
| 5.1 引言 | 第44页 |
| 5.2 过完备字典的生成 | 第44-45页 |
| 5.3 字典学习以及K-SVD算法 | 第45-48页 |
| 5.4 算法的整体框架 | 第48页 |
| 5.5 实验结果与分析 | 第48-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 论文工作总结 | 第50-51页 |
| 6.2 研究展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间科研成果 | 第57-58页 |