| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-12页 |
| 第一章 引言 | 第12-28页 |
| ·研究背景和意义 | 第12-13页 |
| ·图像特征提取的发展和现状 | 第13-25页 |
| ·图像统计特征提取 | 第14-16页 |
| ·图像纹理与边缘特征提取 | 第16-19页 |
| ·图像特征提取代数关系法 | 第19-21页 |
| ·图像特征变换系数与滤波器法 | 第21-23页 |
| ·其他图像特征提取方法 | 第23-25页 |
| ·主要存在的问题 | 第25页 |
| ·本文的研究内容和创新点 | 第25-26页 |
| ·主要研究内容 | 第25-26页 |
| ·创新点 | 第26页 |
| ·论文的基本结构 | 第26-28页 |
| 第二章 云模型理论关键技术 | 第28-53页 |
| ·云模型简述 | 第28-33页 |
| ·云模型的基本定义 | 第28-29页 |
| ·云的数字特征 | 第29-32页 |
| ·云的3En法则 | 第32-33页 |
| ·云发生器 | 第33-44页 |
| ·正向云发生器 | 第33-36页 |
| ·逆向云发生器 | 第36-42页 |
| ·条件云发生器 | 第42-44页 |
| ·多维云 | 第44-47页 |
| ·二维正向正态云 | 第44-45页 |
| ·三维云模型 | 第45-46页 |
| ·多维云模型 | 第46-47页 |
| ·基于云模型的打靶实验 | 第47-52页 |
| ·本章小结 | 第52-53页 |
| 第三章 基于云模型的人脸图像特征提取 | 第53-63页 |
| ·人脸图像的特征提取综述 | 第53-55页 |
| ·人脸图像库 | 第55-56页 |
| ·基于云模型的人脸图像特征提取 | 第56-59页 |
| ·逆向云发生器优化 | 第56-58页 |
| ·基于云模型的人脸图像特征提取方法 | 第58-59页 |
| ·实例分析 | 第59-62页 |
| ·基于云模型的特征提取 | 第60-62页 |
| ·实验结果分析 | 第62页 |
| ·本章小结 | 第62-63页 |
| 第四章 基于云模型的人脸表情识别 | 第63-77页 |
| ·人脸表情识别概述 | 第63页 |
| ·表情识别系统框架 | 第63-64页 |
| ·人脸表情识别的主要方法 | 第64-69页 |
| ·基于子空间变换的方法 | 第65-66页 |
| ·基于机器学习的方法 | 第66-68页 |
| ·基于模型的方法 | 第68-69页 |
| ·人脸表情识别过程 | 第69-71页 |
| ·基于云模型的人脸表情识别流程 | 第71-72页 |
| ·实例分析 | 第72-76页 |
| ·样本集训练 | 第72-74页 |
| ·基于样本集的人脸识别 | 第74-75页 |
| ·实验结果分析 | 第75-76页 |
| ·下一步研究 | 第76页 |
| ·本章小结 | 第76-77页 |
| 第五章 基于云模型的人脸表情合成 | 第77-87页 |
| ·概述 | 第77-78页 |
| ·人脸表情合成方法 | 第78-81页 |
| ·基于建模的方法 | 第78-79页 |
| ·基于图像的方法 | 第79-80页 |
| ·表情映射方法 | 第80-81页 |
| ·基于云模型的人脸表情合成 | 第81-82页 |
| ·基于云模型的人脸表情合成实验 | 第82-86页 |
| ·同一个人的两种表情按不同比例合成 | 第83页 |
| ·两个人的同一种表情不同比例合成 | 第83-84页 |
| ·图像库之外差异较大的两种表情按比例合成 | 第84-85页 |
| ·图像库之外差异较小的两种表情按比例合成 | 第85页 |
| ·结果分析 | 第85-86页 |
| ·本章小结 | 第86-87页 |
| 第六章 基于云模型的时序图像特征提取 | 第87-97页 |
| ·概述 | 第87-88页 |
| ·基于云模型的时序图像挖掘框架 | 第88-92页 |
| ·时序图像数据挖掘框架 | 第88-89页 |
| ·时序图像预处理 | 第89-90页 |
| ·时序图像数字特征提取 | 第90页 |
| ·预测规则挖掘 | 第90-92页 |
| ·实例分析 | 第92-95页 |
| ·数据获取 | 第92-93页 |
| ·数据预处理 | 第93页 |
| ·时序图像特征提取 | 第93-94页 |
| ·曲线拟合及预测 | 第94-95页 |
| ·下一步研究 | 第95-96页 |
| ·本章小结 | 第96-97页 |
| 第七章 数据场关键技术及其可视化 | 第97-117页 |
| ·数据场概述 | 第97-98页 |
| ·数据场的场强函数 | 第98-99页 |
| ·数据场的势 | 第99-102页 |
| ·势函数 | 第100页 |
| ·数据场的影响因素 | 第100-102页 |
| ·时变数据场的扩展 | 第102-107页 |
| ·基本原理 | 第102-103页 |
| ·时变数据场数据分析 | 第103-107页 |
| ·数据场可视化 | 第107-116页 |
| ·数据场可视化的意义 | 第108-114页 |
| ·等势面的可视化 | 第114-115页 |
| ·多维可视化 | 第115-116页 |
| ·本章小结 | 第116-117页 |
| 第八章 基于数据场的图像特征提取在行为挖掘中的应用 | 第117-136页 |
| ·行为挖掘概述 | 第117-118页 |
| ·空间对象的行为挖掘 | 第118-121页 |
| ·基于数据场的图像特征行为挖掘模型 | 第121-127页 |
| ·基于数据场的图像特征行为挖掘框架 | 第122-123页 |
| ·数据清理与数据规范化 | 第123-124页 |
| ·行为分析与行为处理 | 第124-126页 |
| ·行为识别与行为预测 | 第126-127页 |
| ·实例分析 | 第127-135页 |
| ·数据源选取与预处理 | 第128-130页 |
| ·行为分析和行为处理 | 第130-133页 |
| ·图像行为识别与分析 | 第133-135页 |
| ·本章小结 | 第135-136页 |
| 第九章 总结与展望 | 第136-138页 |
| ·总结 | 第136-137页 |
| ·下一步研究方向 | 第137-138页 |
| 参考文献 | 第138-150页 |
| 致谢 | 第150页 |