| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 图像分类研究意义 | 第10页 |
| 1.2 图像的底层特征 | 第10-13页 |
| 1.2.1 颜色特征 | 第11页 |
| 1.2.2 形状特征 | 第11-12页 |
| 1.2.3 空间关系特征 | 第12页 |
| 1.2.4 纹理特征 | 第12-13页 |
| 1.3 纹理概述 | 第13-15页 |
| 1.3.1 纹理的定义 | 第13-14页 |
| 1.3.2 纹理研究的发展历史 | 第14-15页 |
| 1.4 纹理图像分类 | 第15-16页 |
| 1.5 本文研究内容 | 第16-18页 |
| 第2章 纹理特征提取 | 第18-32页 |
| 2.1 主要方法分类 | 第18-22页 |
| 2.1.1 基于统计的方法 | 第18-20页 |
| 2.1.2 基于模型的方法 | 第20-21页 |
| 2.1.3 基于结构的方法 | 第21页 |
| 2.1.4 基于信号处理的方法 | 第21-22页 |
| 2.2 LBP | 第22-26页 |
| 2.2.1 LBP基本思想 | 第22-23页 |
| 2.2.2 经典LBP | 第23-25页 |
| 2.2.3 非相似性度量 | 第25-26页 |
| 2.3 改进的LBP算法 | 第26-28页 |
| 2.3.1 邻域 | 第26-27页 |
| 2.3.2 阈值 | 第27页 |
| 2.3.3 距离编码 | 第27页 |
| 2.3.4 融合其他特征 | 第27-28页 |
| 2.4 LBPV | 第28-29页 |
| 2.5 LBP-HF | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于Tri-training的半监督分类 | 第32-37页 |
| 3.1 半监督学习 | 第32-33页 |
| 3.2 Co-training与Tri-training的基本原理 | 第33页 |
| 3.3 基于Tri-training的分类算法 | 第33-34页 |
| 3.4 分类器 | 第34-36页 |
| 3.4.1 支持向量机 | 第34页 |
| 3.4.2 贝叶斯分类器 | 第34-35页 |
| 3.4.3 神经网络 | 第35页 |
| 3.4.4 KNN | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于Tri-training的LBP纹理图像分类算法 | 第37-46页 |
| 4.1 基于Tri-training的纹理图像分类算法 | 第37-39页 |
| 4.1.1 属性集的选择 | 第37-38页 |
| 4.1.2 分类器的选择 | 第38页 |
| 4.1.3 基本思想 | 第38-39页 |
| 4.2 数据库介绍 | 第39-42页 |
| 4.2.1 Brodazt | 第39-40页 |
| 4.2.2 Outex | 第40-42页 |
| 4.2.3 纹理数据的选择 | 第42页 |
| 4.3 实验结果及分析 | 第42-45页 |
| 4.3.1 旋转不变性的验证 | 第42-43页 |
| 4.3.2 亮度不变性的验证 | 第43-44页 |
| 4.3.3 分类器的组合 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 总结与展望 | 第46-47页 |
| 5.1 本文的主要工作 | 第46页 |
| 5.2 进一步研究工作的展望 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-52页 |
| 攻读硕士学位期间发表论文情况 | 第52页 |
