图像纹理特征的提取和图像分类系统研究及实现
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-18页 |
| ·研究背景 | 第10页 |
| ·应用与研究意义 | 第10-13页 |
| ·研究现状与发展趋势 | 第13-16页 |
| ·纹理分析研究现状与发展趋势 | 第13-15页 |
| ·图像分类研究现状与发展趋势 | 第15-16页 |
| ·主要工作与创新 | 第16-17页 |
| ·论文的章节安排 | 第17-18页 |
| 第二章 纹理的概念与描述方法 | 第18-24页 |
| ·纹理定义与特征 | 第18-19页 |
| ·纹理描述方法 | 第19-23页 |
| ·统计法 | 第19-21页 |
| ·模型法 | 第21-22页 |
| ·频谱法 | 第22页 |
| ·结构法 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 灰度共生矩阵算法的分析与改进 | 第24-39页 |
| ·灰度共生矩阵算法 | 第24-30页 |
| ·算法描述 | 第24-26页 |
| ·影响算法的因子 | 第26-27页 |
| ·纹理特征值描述 | 第27-30页 |
| ·纹理特征值特点分析 | 第30页 |
| ·基于灰度共生矩阵算法的改进 | 第30-37页 |
| ·和差统计法 | 第31-33页 |
| ·GLCLL 算法 | 第33页 |
| ·GLCHS 算法 | 第33-34页 |
| ·统计灰矩链表法 | 第34-37页 |
| ·实验结果 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 图像分类技术 | 第39-51页 |
| ·模式分类概述 | 第39-40页 |
| ·常用模式分类方法 | 第40-50页 |
| ·K-means 算法 | 第40-41页 |
| ·BP 神经网络 | 第41-42页 |
| ·决策树分类法 | 第42-43页 |
| ·遗传算法 | 第43-44页 |
| ·Boosting 算法 | 第44页 |
| ·支持向量机 | 第44-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 多类SVM 模型的设计 | 第51-65页 |
| ·核函数及参数 | 第51-53页 |
| ·训练算法 | 第53-57页 |
| ·Chunking 块算法 | 第54页 |
| ·固定工作集算法 | 第54-55页 |
| ·SMO 算法 | 第55-57页 |
| ·多类分类器算法 | 第57-63页 |
| ·One-Against-Rest SVM | 第57-58页 |
| ·One-Against-One SVM | 第58页 |
| ·有向无环图SVMs | 第58-59页 |
| ·纠错编码法ECC-SVMs | 第59-60页 |
| ·各算法性能对比 | 第60-63页 |
| ·多类SVM 分类流程 | 第63页 |
| ·本章小结 | 第63-65页 |
| 第六章 基于纹理特征的图像分类系统 | 第65-76页 |
| ·系统背景 | 第65-66页 |
| ·系统框架设计 | 第66-67页 |
| ·系统模块功能设计 | 第67-68页 |
| ·系统流程图 | 第68-69页 |
| ·系统实现 | 第69-74页 |
| ·开发工具及运行环境 | 第69-71页 |
| ·各模块的实现 | 第71-74页 |
| ·实验结果 | 第74页 |
| ·本章小结 | 第74-76页 |
| 第七章 总结与展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 攻硕期间取得的研究成果 | 第83-84页 |
