| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 纹理特征提取的研究背景和意义 | 第13-15页 |
| 1.2 纹理特征提取研究现状 | 第15-16页 |
| 1.3 本文的主要工作和内容安排 | 第16-19页 |
| 第二章 纹理图像的特征提取 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 纹理识别的特征提取方法 | 第19-24页 |
| 2.2.1 基于统计的方法 | 第19-22页 |
| 2.2.2 基于模型的方法 | 第22-23页 |
| 2.2.3 结构方法 | 第23页 |
| 2.2.4 信号处理方法 | 第23-24页 |
| 2.3 纹理图像的特征识别方法 | 第24-31页 |
| 2.3.1 人工神经网络 | 第24-27页 |
| 2.3.2 贝叶斯分类 | 第27-28页 |
| 2.3.3 支持向量机分类 | 第28-30页 |
| 2.3.4 K-近邻分类 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于共生扩展八邻域矩阵的纹理图像识别 | 第33-43页 |
| 3.1 引言 | 第33页 |
| 3.2 经典的局部描述子 | 第33-34页 |
| 3.2.1 亮马利克描述符(Leung-Malik) | 第33页 |
| 3.2.2 最大响应8描述符(Maximum Response 8) | 第33-34页 |
| 3.3 共生扩展八邻域矩阵的纹理特征的基本模型 | 第34-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 算法实验和结果分析 | 第43-51页 |
| 4.1 实验所用纹理库简介 | 第43-44页 |
| 4.2 纹理图像的灰度共生矩阵 | 第44-47页 |
| 4.2.1 相邻间隔对特征提取的影响 | 第44-45页 |
| 4.2.2 生成方向对特征提取的影响 | 第45-46页 |
| 4.2.3 灰度级对特征提取的影响 | 第46-47页 |
| 4.3 基于共生扩展八邻域矩阵的 SVM 分类和 K 均值聚类 | 第47-49页 |
| 4.3.1 支持向量机 SVM 分类实验 | 第47-48页 |
| 4.3.2 K-近邻分类实验 | 第48-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第五章 共生扩展八邻域矩阵在人脸识别中的应用 | 第51-55页 |
| 5.1 引言 | 第51页 |
| 5.2 人脸数据库简介 | 第51-52页 |
| 5.3 基于共生扩展八邻域矩阵的人脸特征提取实验结果 | 第52-53页 |
| 5.4 本章小结 | 第53-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 论文总结 | 第55页 |
| 6.2 工作展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 作者简介 | 第63-64页 |
