基于SVM的图像分类
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景 | 第9页 |
| ·支持向量机的发展与研究现状 | 第9-12页 |
| ·核函数研究 | 第10-11页 |
| ·降低支持向量机的计算复杂度 | 第11页 |
| ·多类支持向量机 | 第11页 |
| ·多核学习 | 第11-12页 |
| ·开拓支持向量机新的应用领域 | 第12页 |
| ·基于SVM的图像分类研究 | 第12-13页 |
| ·本文研究的主要内容及论文组织结构 | 第13-15页 |
| 第二章 支持向量机基本理论 | 第15-25页 |
| ·机器学习的基本问题 | 第15页 |
| ·经验风险最小化 | 第15-16页 |
| ·结构风险最小化 | 第16-18页 |
| ·支持向量机 | 第18-22页 |
| ·线性可分 | 第18-20页 |
| ·线性不可分 | 第20-22页 |
| ·核函数 | 第22-24页 |
| ·核函数理论 | 第23页 |
| ·核函数的性质 | 第23-24页 |
| ·常用核函数 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第三章 支持向量机参数优化方法 | 第25-41页 |
| ·模型参数分析 | 第25-27页 |
| ·交叉验证 | 第27页 |
| ·网格搜索法 | 第27-28页 |
| ·基于GA的SVM参数选择 | 第28-30页 |
| ·GA的原理和主要步骤 | 第28-29页 |
| ·利用GA优化SVM参数 | 第29-30页 |
| ·基于PSO的SVM参数选择 | 第30-32页 |
| ·PSO算法的原理和步骤 | 第30-32页 |
| ·利用PSO优化SVM参数 | 第32页 |
| ·改进的PSO算法 | 第32-36页 |
| ·PSO算法的行为分析 | 第32-33页 |
| ·PSO算法参数设置分析 | 第33-34页 |
| ·GA-PSO算法 | 第34-36页 |
| ·核参数选择实验 | 第36-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 图像特征提取 | 第41-58页 |
| ·颜色特征提取 | 第41-45页 |
| ·颜色空间转换及量化 | 第41-44页 |
| ·区域加权直方图与颜色矩结合的颜色特征提取 | 第44-45页 |
| ·图像纹理特征的提取 | 第45-54页 |
| ·Tamura纹理 | 第46-48页 |
| ·灰度共生矩阵提取图像纹理特征 | 第48-49页 |
| ·Gabor变换法提取纹理特征 | 第49-51页 |
| ·LBP特征提取 | 第51-54页 |
| ·LBP混合模式与PCA结合的纹理特征提取 | 第54-57页 |
| ·主成分分析 | 第54-55页 |
| ·LBP统一模式的局限性和混合模式的提出 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 基于SVM的图像分类实验 | 第58-65页 |
| ·基于SVM的图像分类实验说明 | 第58-59页 |
| ·基于颜色特征的分类结果与分析 | 第59-60页 |
| ·颜色直方图分类结果 | 第59页 |
| ·区域加权直方图与颜色矩结合的分类结果 | 第59-60页 |
| ·基于纹理特征的分类结果与分析 | 第60-64页 |
| ·基于Tamura纹理特征的图像分类 | 第60-61页 |
| ·基于灰度共生矩阵特征的图像分类 | 第61-62页 |
| ·基于Gabor滤波器提取纹理特征的图像分类 | 第62-63页 |
| ·基于LBP纹理特征的图像分类 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间取得的科研成果 | 第72-73页 |
| 致谢 | 第73-74页 |
