最小二乘支持向量机及其在图像增强中的应用研究

中文摘要	第1-4页
英文摘要	第4-8页
1 绪论	第8-13页
·论文研究背景	第8-11页
·支持向量机的产生	第8-10页
·最小二乘支持向量机	第10-11页
·支持向量机的应用	第11页
·本文主要研究内容与组织结构	第11-13页
2 统计学习理论与支持向量机	第13-28页
·统计学习理论基本内容	第13-18页
·学习过程一致性条件	第13-14页
·VC维	第14-16页
·结构风险最小化	第16-18页
·支持向量机	第18-24页
·最优分类面	第18-19页
·线性支持向量机	第19-21页
·非线性支持向量机	第21-22页
·回归支持向量机	第22-24页
·支持向量机的训练算法	第24-27页
·分解算法	第24-26页
·变异的支持向量机学习算法	第26-27页
·本章小结	第27-28页
3 最小二乘支持向量机算法改进	第28-35页
·最小二乘支持向量机及其稀疏化	第28-30页
·最小二乘支持向量机算法改进	第30-34页
·增量学习方法	第30-31页
·最小二乘支持向量机改进算法	第31-32页
·仿真实例及分析	第32-34页
·本章小结	第34-35页
4 支持向量机在图像增强中的应用	第35-54页
·图像增强理论及其分类	第35-42页
·点处理图像增强方法	第36-40页
·模板处理图像增强方法	第40-42页
·图像锐化	第42-47页
·图像锐化的基本方法	第42-44页
·基于支持向量机的图像锐化方法	第44-47页
·图像去噪	第47-49页
·图像去噪的基本方法	第47-48页
·基于支持向量机的图像去噪方法	第48-49页
·一种改进的局部对比度图像增强算法	第49-53页
·最小二乘支持向量机对锐化图像的处理	第49-51页
·加权自适应局部对比度增强算法	第51-52页
·仿真实例及分析	第52-53页
·本章小结	第53-54页
5 结论与展望	第54-55页
参考文献	第55-58页
附	第58-60页
1.作者在攻读硕士学位期间发表的论文、科研情况	第58-59页
2. 致谢	第59-60页