基于纹理特征的图像分类与检索研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第9-13页 |
| ·论文的研究背景和意义 | 第9-10页 |
| ·纹理分析方法和研究现状 | 第10-12页 |
| ·论文的主要内容 | 第12-13页 |
| 第二章 自然图像纹理现象分析 | 第13-17页 |
| ·纹理的概念及其描述 | 第13-14页 |
| ·自然图像的纹理现象分析 | 第14-15页 |
| ·基于概念的自然纹理分类 | 第15-17页 |
| 第三章 纹理特征提取 | 第17-32页 |
| ·Tamura 纹理特征提取 | 第17-21页 |
| ·基于小波变换的纹理特征提取 | 第21-28页 |
| ·连续小波变换 | 第22-23页 |
| ·离散小波变换 | 第23-25页 |
| ·多分辨率分析 | 第25-27页 |
| ·小波包分析 | 第27-28页 |
| ·基于 Gabor 滤波的纹理特征提取 | 第28-32页 |
| ·Gabor 滤波器 | 第29-30页 |
| ·Gabor 滤波算法 | 第30-32页 |
| 第四章 自然纹理分类 | 第32-46页 |
| ·基于 BP 神经网络的自然纹理分类 | 第32-36页 |
| ·BP 神经网络结构及BP 学习算法 | 第32-33页 |
| ·BP 算法的基本思想及实现 | 第33-36页 |
| ·基于支持向量机的自然纹理分类 | 第36-42页 |
| ·支持向量机基本原理 | 第36-37页 |
| ·线性可分条件下的支持向量机最优分界面 | 第37-39页 |
| ·非线性可分条件下的支持向量机最优分界面 | 第39-42页 |
| ·支持向量机的主要优点 | 第42页 |
| ·实验结果及分析 | 第42-46页 |
| ·特征提取 | 第43页 |
| ·评估方法 | 第43页 |
| ·结果及分析 | 第43-46页 |
| 第五章 纹理图像分割 | 第46-63页 |
| ·纹理分割简介 | 第46-49页 |
| ·灰度共生矩阵 | 第49-53页 |
| ·灰度共生矩阵的生成和特点 | 第49-52页 |
| ·灰度共生矩阵的特征参数 | 第52-53页 |
| ·基于模糊 C 均值聚类的纹理分割 | 第53-57页 |
| ·模糊 C 均值聚类 | 第53-55页 |
| ·聚类有效性函数 | 第55-56页 |
| ·基于 FCM 的纹理分割算法 | 第56-57页 |
| ·纹理图像分割结果分析 | 第57-63页 |
| ·纹理图像分割流程图 | 第57-58页 |
| ·灰度共生矩阵参数选择 | 第58-61页 |
| ·混合纹理分割实验结果分析 | 第61-63页 |
| 第六章 基于纹理特征的图像检索 | 第63-68页 |
| ·图像检索技术简介 | 第63-65页 |
| ·基于文本的图像检索 | 第63页 |
| ·基于内容的图像检索 | 第63-65页 |
| ·基于纹理特征的图像检索系统结构 | 第65-66页 |
| ·系统结构 | 第65页 |
| ·纹理的语义表示 | 第65-66页 |
| ·纹理检索实验结果分析 | 第66-68页 |
| 总结与展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间发表论文目录 | 第72-73页 |
| 致谢 | 第73页 |
