| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1.绪论 | 第7-10页 |
| ·课题背景及意义 | 第7页 |
| ·课题实验平台 | 第7-8页 |
| ·目前国内外的研究情况 | 第8-9页 |
| ·本课题所作的研究工作 | 第9页 |
| ·组织结构 | 第9-10页 |
| 2 图像特征的提取 | 第10-25页 |
| ·颜色空间的选取 | 第10-12页 |
| ·RGB颜色空间 | 第10页 |
| ·HSV色彩空间 | 第10页 |
| ·RGB和HSV的相互转换 | 第10-12页 |
| ·常见的图像特征 | 第12-23页 |
| ·颜色特征的提取 | 第12-14页 |
| ·颜色直方图 | 第12-13页 |
| ·颜色矩 | 第13页 |
| ·颜色聚合向量 | 第13页 |
| ·主色调 | 第13-14页 |
| ·纹理特征的分析 | 第14-20页 |
| ·Tamura纹理特征 | 第15-16页 |
| ·Gabor卷积能量 | 第16-17页 |
| ·灰度基元共生矩阵 | 第17-18页 |
| ·小波变换 | 第18-19页 |
| ·Gaussian Markov Random Field | 第19-20页 |
| ·形状特征分析 | 第20-23页 |
| ·傅立叶形状描述符 | 第21-22页 |
| ·形状无关矩 | 第22-23页 |
| ·特征的比较 | 第23-24页 |
| ·颜色特征的比较 | 第23-24页 |
| ·纹理特征的比较 | 第24页 |
| ·本章小结 | 第24-25页 |
| 3 SVM理论 | 第25-31页 |
| ·统计学习理论 | 第25页 |
| ·最优超平面 | 第25-26页 |
| ·支持向量机 | 第26-27页 |
| ·线性SVM | 第27-29页 |
| ·非线性SVM | 第29-30页 |
| ·SVM算法的研究与应用 | 第30页 |
| ·利用SVM解决多类划分问题 | 第30页 |
| ·SVM的应用 | 第30页 |
| ·本章小结 | 第30-31页 |
| 4 实验及分析 | 第31-56页 |
| ·图像特征的获取 | 第31-32页 |
| ·颜色信息 | 第32页 |
| ·纹理信息 | 第32页 |
| ·形状信息 | 第32页 |
| ·内部特征归一化 | 第32-33页 |
| ·外部特征归一化 | 第33-34页 |
| ·利用支持向量机SVM进行分类训练 | 第34-56页 |
| ·训练及判断的图像 | 第34-40页 |
| ·实验结果 | 第40-49页 |
| ·在项目中的应用 | 第49-56页 |
| 5 总结 | 第56-57页 |
| ·本文的总结 | 第56页 |
| ·将来的工作 | 第56-57页 |
| ·特征选择 | 第56页 |
| ·减少支持向量的数目 | 第56页 |
| ·增加训练样本数 | 第56页 |
| ·增加识别的图像种类及数量 | 第56页 |
| ·寻找更加合适的核函数 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-60页 |