基于SVM的雾图自动检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究的目的与意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-11页 |
| 1.4 本文研究内容 | 第11-12页 |
| 1.5 论文结构 | 第12-13页 |
| 第二章 相关背景知识 | 第13-20页 |
| 2.1 图像纹理 | 第13-14页 |
| 2.1.1 纹理特征提取方法 | 第13页 |
| 2.1.2 统计法 | 第13页 |
| 2.1.3 频谱分析法 | 第13-14页 |
| 2.1.4 结构分析法 | 第14页 |
| 2.2 灰度-梯度共生矩阵 | 第14页 |
| 2.3 支持向量机 | 第14-19页 |
| 2.3.1 支持向量机理论 | 第14-15页 |
| 2.3.2 线性支持向量机 | 第15-17页 |
| 2.3.3 非线性支持向量机 | 第17-19页 |
| 2.3.4 分类优化算法 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于灰度-梯度共生矩阵描述子的检测 | 第20-31页 |
| 3.1 人工模拟有雾图像 | 第20-21页 |
| 3.1.1 模拟雾图前提条件 | 第20页 |
| 3.1.2 模拟雾图实现 | 第20-21页 |
| 3.2 灰度-梯度共生矩阵 | 第21-26页 |
| 3.2.1 纹理特征向量 | 第22-24页 |
| 3.2.2 共生矩阵描述子特性分析 | 第24-25页 |
| 3.2.3 梯度雾度 | 第25-26页 |
| 3.3 实验结果与分析 | 第26-30页 |
| 3.3.1 雾图检测实验 | 第26-30页 |
| 3.3.2 检测实验结果分析 | 第30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 基于支持向量机的雾图检测方法 | 第31-41页 |
| 4.1 统计学习理论 | 第31-35页 |
| 4.1.1 VC维 | 第31-32页 |
| 4.1.2 结构风险最小化理论 | 第32-34页 |
| 4.1.3 最优超平面 | 第34-35页 |
| 4.2 图像的特征提取 | 第35-36页 |
| 4.2.1 灰度共生矩阵 | 第35页 |
| 4.2.2 基于灰度共生矩阵方法的纹理特征提取 | 第35-36页 |
| 4.3 基于SVM的雾图分类 | 第36-40页 |
| 4.3.1 图像分类定义 | 第36-37页 |
| 4.3.2 图像特征归一化处理 | 第37页 |
| 4.3.3 分类器参数的选择 | 第37-38页 |
| 4.3.4 实验过程与实验分析 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 工作总结与展望 | 第41-43页 |
| 5.1 总结 | 第41页 |
| 5.2 下一步工作 | 第41-43页 |
| 参考文献 | 第43-47页 |
| 在学研究成果 | 第47-48页 |
| 致谢 | 第48页 |
