基于Contourlet变换的煤显微组分壳质组分类方法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景及课题来源 | 第9页 |
| 1.2 课题研究对象及其特点分析 | 第9-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 煤显微组分的研究现状 | 第12页 |
| 1.3.2 特征量提取方法的研究现状 | 第12-13页 |
| 1.3.3 分类方法研究现状 | 第13-14页 |
| 1.4 论文的主要内容与安排 | 第14-16页 |
| 第二章 壳质组特征提取和分析 | 第16-38页 |
| 2.1 基于Contourlet的统计特征量 | 第16-23页 |
| 2.1.1 拉普拉斯金字塔滤波器 | 第17-18页 |
| 2.1.2 方向滤波器组 | 第18-21页 |
| 2.1.3 Contourlet变换及其特点 | 第21页 |
| 2.1.4 基于Contourlet特征提取 | 第21-23页 |
| 2.2 基于Tamura的纹理特征量 | 第23-25页 |
| 2.3 基于Haralick的纹理特征量 | 第25-26页 |
| 2.4 基于灰度分布的统计特征量 | 第26-27页 |
| 2.5 特征量分析 | 第27-37页 |
| 2.5.1 Contourlet特征量分析 | 第28-31页 |
| 2.5.2 Tamura特征量分析 | 第31-32页 |
| 2.5.3 Haralick特征量分析 | 第32-34页 |
| 2.5.4 灰度分布特征量分析 | 第34-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 基于支持向量机的壳质组分类方案 | 第38-51页 |
| 3.1 支持向量机原理 | 第38-42页 |
| 3.2 壳质组的分类方案 | 第42-49页 |
| 3.2.1 “投票”分类方案 | 第42-46页 |
| 3.2.2 “决策树”分类方案 | 第46-49页 |
| 3.3 本章小结 | 第49-51页 |
| 第四章 基于超限学习机的壳质组分类方案 | 第51-58页 |
| 4.1 超限学习机原理 | 第51-53页 |
| 4.2 壳质组的分类方案 | 第53-56页 |
| 4.2.1 直接分类方案 | 第53-55页 |
| 4.2.2 “决策树”分类方案 | 第55-56页 |
| 4.3 基于SVM和ELM的不同分类方案结果比较 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录A 插表清单 | 第64-65页 |
| 附录B 插图清单 | 第65-66页 |
| 附录C 部分核心源程序 | 第66-71页 |
| 在学研究成果 | 第71-72页 |
| 致谢 | 第72页 |
