基于机器视觉的天气识别研究与实现
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-16页 |
| ·研究背景及研究意义 | 第9-10页 |
| ·国内外研究现状与发展趋势 | 第10-13页 |
| ·论文主要内容与研究成果 | 第13-16页 |
| 第2章 天气现象数字特征选择与提取 | 第16-30页 |
| ·天气图像特征分析 | 第16-23页 |
| ·对比度特征 | 第16-17页 |
| ·锐度特征 | 第17-18页 |
| ·功率谱斜率特征 | 第18-20页 |
| ·纹理特征 | 第20-22页 |
| ·HSV 色彩特征 | 第22-23页 |
| ·特征提取方法改进 | 第23-26页 |
| ·特征评估与降维 | 第26-29页 |
| ·K‐W 检验 | 第26-27页 |
| ·主成分分析法 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 天气现象识别分类器设计 | 第30-44页 |
| ·分类方法选择 | 第30页 |
| ·支持向量机理论基础 | 第30-34页 |
| ·统计学习与 ERM 准则 | 第31-32页 |
| ·VC 维与结构风险最小化 | 第32-33页 |
| ·线性可分的支持向量机 | 第33-34页 |
| ·非线性 C‐SVM 在天气识别中的应用 | 第34-37页 |
| ·非线性可分样本与核函数 | 第35-36页 |
| ·C‐SVM 模型参数寻优 | 第36-37页 |
| ·多分类支持向量机研究与改进 | 第37-42页 |
| ·一对多算法 | 第37-38页 |
| ·有向无环图支持向量机 | 第38-39页 |
| ·二叉树支持向量机 | 第39页 |
| ·有向无环图支持向量机改进 | 第39-42页 |
| ·本章小结 | 第42-44页 |
| 第4章 系统仿真实验及结果分析 | 第44-52页 |
| ·实验平台 | 第44-46页 |
| ·特征提取与评估实验 | 第46-48页 |
| ·主成分分析实验 | 第48-50页 |
| ·分类器训练及准确率对比 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| ·全文工作总结 | 第52-53页 |
| ·下一步工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-57页 |
