粗糙集在纹理图像分类中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-10页 |
| 1 绪论 | 第10-16页 |
| ·研究的重要意义 | 第10-11页 |
| ·纹理图像分类的主要内容 | 第11-14页 |
| ·本文的研究内容和结构 | 第14-16页 |
| 2 基于粗糙集的纹理图像自动分类建模 | 第16-25页 |
| ·引言 | 第16页 |
| ·粗糙集基本理论 | 第16-20页 |
| ·基于粗糙集理论的知识及其表示 | 第17-18页 |
| ·粗糙集理论的基本概念 | 第18-19页 |
| ·决策表的属性约简 | 第19-20页 |
| ·决策表的规则提取 | 第20页 |
| ·基于粗糙集的纹理图像自动分类模型 | 第20-24页 |
| ·模型的建立 | 第21-23页 |
| ·关键问题 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3 构建知识库 | 第25-40页 |
| ·引言 | 第25页 |
| ·利用Gabor滤波器获取纹理图像特征 | 第25-32页 |
| ·Gabor滤波器基础知识 | 第26-28页 |
| ·提取特征 | 第28-29页 |
| ·算法流程 | 第29-32页 |
| ·利用灰度共生矩阵获取纹理图像特征 | 第32-37页 |
| ·灰度共生矩阵的定义 | 第32-34页 |
| ·灰度共生矩阵的特征参数 | 第34-36页 |
| ·算法流程 | 第36-37页 |
| ·构造决策表 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 4 粗糙集在纹理图像分类中的应用 | 第40-54页 |
| ·引言 | 第40-41页 |
| ·离散化 | 第41-42页 |
| ·离散化定义 | 第41-42页 |
| ·离散化本质 | 第42页 |
| ·几种离散化算法 | 第42-46页 |
| ·知识约简 | 第46-49页 |
| ·实验对比和分析 | 第49-52页 |
| ·本章小结 | 第52-54页 |
| 5 粗糙集融合支持向量机在纹理图像分类中的应用 | 第54-66页 |
| ·引言 | 第54页 |
| ·统计学习理论 | 第54-57页 |
| ·经验风险最小化的不足 | 第55页 |
| ·统计学习理论的主要内容 | 第55-57页 |
| ·支持向量机 | 第57-60页 |
| ·线性可分情形 | 第57-59页 |
| ·非线性可分情形 | 第59-60页 |
| ·粗糙集融合支持向量机分类器的设计 | 第60-63页 |
| ·实验对比和分析 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 6 总结和展望 | 第66-68页 |
| ·论文工作总结 | 第66-67页 |
| ·进一步工作展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间主要的研究成果 | 第74-76页 |
