| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-13页 |
| ·选题的背景与意义 | 第9页 |
| ·图像分类技术 | 第9-10页 |
| ·图像分类技术的现状和挑战 | 第10-11页 |
| ·论文主要工作及章节安排 | 第11-13页 |
| 第二章 图像模式识别分类技术方法概述 | 第13-27页 |
| ·贝叶斯分类器 | 第14-16页 |
| ·K近邻分类器 | 第16-17页 |
| ·支持向量机 | 第17-20页 |
| ·SVM算法的基本思想 | 第18-20页 |
| ·应用SVM算法的分类实验过程 | 第20页 |
| ·人工神经网络 | 第20-24页 |
| ·人工神经元 | 第21-22页 |
| ·BP神经网络 | 第22-24页 |
| ·分类算法优缺点对比 | 第24-26页 |
| ·贝叶斯分类算法优缺点 | 第24页 |
| ·K近邻分类算法优缺点 | 第24-25页 |
| ·支持向量机优缺点 | 第25页 |
| ·神经网络优缺点 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 图像底层视觉特征提取与数据可视化 | 第27-53页 |
| ·颜色特征描述 | 第28-34页 |
| ·颜色直方图 | 第29-32页 |
| ·颜色矩 | 第32-33页 |
| ·颜色聚合向量 | 第33-34页 |
| ·纹理特征描述 | 第34-40页 |
| ·灰度共生矩阵 | 第35-37页 |
| ·Tamura纹理特征 | 第37-39页 |
| ·Gabor纹理特征 | 第39-40页 |
| ·形状特征描述 | 第40-41页 |
| ·底层视觉特征提取方法对比实验 | 第41-47页 |
| ·颜色直方图提取颜色特征实验 | 第41-42页 |
| ·颜色聚合向量提取颜色特征实验 | 第42-43页 |
| ·灰度共生矩阵提取纹理特征实验 | 第43-44页 |
| ·Tamura算法提取纹理特征实验 | 第44-45页 |
| ·Gabor算法提取纹理特征实验 | 第45-47页 |
| ·高维数据可视化 | 第47-52页 |
| ·平行坐标法 | 第47-48页 |
| ·平面散点图法 | 第48页 |
| ·平面星座图 | 第48-49页 |
| ·雷达图 | 第49-50页 |
| ·Chernoff脸谱图 | 第50-51页 |
| ·自然图像特征数据可视化实验 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第四章 加权SVM-KNN算法在自然图像分类中的应用 | 第53-71页 |
| ·加权SVM-KNN算法 | 第53-58页 |
| ·SVM-KNN算法的提出 | 第53-54页 |
| ·SVM-KNN算法的实现 | 第54-55页 |
| ·SVM-KNN算法的步骤 | 第55-56页 |
| ·改进的SVM-KNN算法 | 第56-58页 |
| ·应用遗传算法和梯度下降法求权值 | 第58-62页 |
| ·遗传算法 | 第58-60页 |
| ·梯度下降法的引入 | 第60-61页 |
| ·结合遗传算法和梯度下降的新方法 | 第61-62页 |
| ·自然图像底层特征提取及分类实验 | 第62-70页 |
| ·改进的区域颜色直方图 | 第63-66页 |
| ·提取自然图像Gabor纹理特征 | 第66-68页 |
| ·自然图像分类实验过程 | 第68页 |
| ·实验结果与分析 | 第68-70页 |
| ·本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 致谢 | 第73页 |