多核学习近似算法及其在致密砂岩孔隙分割中的应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-7页 |
| 创新点摘要 | 第7-10页 |
| 第一章绪论 | 第10-18页 |
| 1.1研究背景与意义 | 第10-11页 |
| 1.2国内外研究现状 | 第11-16页 |
| 1.2.1多核学习及正则化路径研究现状 | 第11-13页 |
| 1.2.2基于机器学习方法的孔隙分割研究现状 | 第13-14页 |
| 1.2.3孔隙类图像中特征提取的研究现状 | 第14-15页 |
| 1.2.4小结 | 第15-16页 |
| 1.3本论文研究内容和章节安排 | 第16-18页 |
| 1.3.1本论文研究内容 | 第16页 |
| 1.3.2本论文章节安排 | 第16-18页 |
| 第二章多核学习正则化路径近似算法研究 | 第18-31页 |
| 2.1多核学习方法 | 第18-20页 |
| 2.2多核学习正则化及正则化路径 | 第20-22页 |
| 2.2.1多核学习正则化 | 第20-21页 |
| 2.2.2多核学习正则化路径 | 第21-22页 |
| 2.3基于CUR分解的多核学习正则化路径近似算法 | 第22-27页 |
| 2.3.1CUR矩阵分解 | 第22-23页 |
| 2.3.2MKLRPCUR算法 | 第23-27页 |
| 2.4实验与分析 | 第27-30页 |
| 2.4.1UCI标准数据集 | 第27-28页 |
| 2.4.2图像数据集 | 第28-30页 |
| 2.5本章小结 | 第30-31页 |
| 第三章砂岩CT图像预处理与特征提取 | 第31-41页 |
| 3.1图像预处理 | 第31-33页 |
| 3.1.1图像去噪 | 第31-33页 |
| 3.1.2图像增强 | 第33页 |
| 3.2图像特征提取 | 第33-40页 |
| 3.2.1灰度特征 | 第34页 |
| 3.2.2灰度梯度共生矩阵 | 第34-36页 |
| 3.2.3不变矩特征 | 第36页 |
| 3.2.4Haar特征 | 第36-37页 |
| 3.2.5Hog特征 | 第37-38页 |
| 3.2.6Log特征 | 第38页 |
| 3.2.7Canny特征 | 第38-39页 |
| 3.2.8形态学梯度 | 第39页 |
| 3.2.9图像特征提取评价 | 第39-40页 |
| 3.3本章小结 | 第40-41页 |
| 第四章基于多特征融合的砂岩图像孔隙分割 | 第41-50页 |
| 4.1孔隙分割实验流程 | 第41-42页 |
| 4.2多核学习分类器 | 第42-45页 |
| 4.2.1实验设置 | 第42-44页 |
| 4.2.2实验结果与分析 | 第44-45页 |
| 4.3砂岩CT图像孔隙分割 | 第45-48页 |
| 4.3.1多核学习分类器在砂岩CT图像中的应用 | 第46-47页 |
| 4.3.2孔隙分割后处理 | 第47-48页 |
| 4.4本章小结 | 第48-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-58页 |
| 发表文章目录 | 第58-60页 |
| 致谢 | 第60-61页 |
