采用支持向量机的纹理图像分类
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-20页 |
| ·研究的背景和意义 | 第10页 |
| ·CBIR组成和关键技术 | 第10-13页 |
| ·纹理特征的提取和分类 | 第13-17页 |
| ·纹理特征提取 | 第14-15页 |
| ·纹理特征分类 | 第15-17页 |
| ·纹理分类的研究现状与发展趋势 | 第17-18页 |
| ·本文的内容和结构 | 第18-20页 |
| 第2章 纹理分析方法研究 | 第20-36页 |
| ·Gabor变换 | 第20-21页 |
| ·小波变换 | 第21-25页 |
| ·原理 | 第21-22页 |
| ·多分辨率分析 | 第22-23页 |
| ·二维小波变换 | 第23-24页 |
| ·Fourier、Gabor和小波变换的比较 | 第24-25页 |
| ·二维Gabor小波 | 第25-27页 |
| ·支持向量机 | 第27-36页 |
| ·统计学习理论 | 第28-30页 |
| ·支持向量机分类 | 第30-36页 |
| 第3章 Gabor小波参数对纹理分类的影响 | 第36-46页 |
| ·实验方法和过程 | 第36-40页 |
| ·实验对象的选择 | 第36-38页 |
| ·特征表达 | 第38页 |
| ·距离度量 | 第38页 |
| ·分类过程和分类器的比较 | 第38-39页 |
| ·实验设计 | 第39-40页 |
| ·实验结果分析 | 第40-44页 |
| ·第一组实验结果 | 第40-42页 |
| ·第二组实验结果 | 第42-43页 |
| ·两组实验结果比较 | 第43-44页 |
| ·本章小结 | 第44-46页 |
| 第4章 纹理分类支持向量机的构造 | 第46-58页 |
| ·核函数方法 | 第46-48页 |
| ·支持向量机LG-SVM | 第48-56页 |
| ·线性预测编码 | 第48-51页 |
| ·核函数 | 第51页 |
| ·性质以及参数优化 | 第51-56页 |
| ·LG-SVM | 第56页 |
| ·本章小结 | 第56-58页 |
| 第5章 实验和分析 | 第58-68页 |
| ·金字塔结构算法 | 第58-61页 |
| ·纹理分类及比较 | 第61-66页 |
| ·实验数据 | 第62页 |
| ·选用的比较方法 | 第62-63页 |
| ·实验结果及分析 | 第63-66页 |
| ·本章小结 | 第66-68页 |
| 第6章 总结和展望 | 第68-70页 |
| ·总结 | 第68页 |
| ·展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76页 |
