| 目录 | 第3-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 引言 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-13页 |
| 1.1.1 背景 | 第9-13页 |
| 1.1.2 意义 | 第13页 |
| 1.2 本文研究内容 | 第13-15页 |
| 1.3 本文研究成果及结构安排 | 第15-16页 |
| 1.3.1 本文研究成果 | 第15页 |
| 1.3.2 本文结构安排 | 第15-16页 |
| 第二章 LAB颜色空间原理及实现 | 第16-24页 |
| 2.1 颜色空间概念及理论 | 第16-17页 |
| 2.2 颜色空间的分类 | 第17-18页 |
| 2.3 CIE L~*A~*B颜色空间 | 第18-19页 |
| 2.4 颜色空间的转换方法 | 第19-21页 |
| 2.5 RGB与CIE L~*a~*b颜色空间的转换 | 第21-23页 |
| 2.5.1 RGB颜色空间到XYZ空间的转换 | 第22页 |
| 2.5.2 XYZ颜色空间到LAB空间的转换 | 第22-23页 |
| 2.6 MATLAB实现RGB到CIEL~*a~*b颜色空间转换 | 第23-24页 |
| 第三章 小波理论及应用 | 第24-35页 |
| 3.1 背景 | 第24-25页 |
| 3.1.1 图像金字塔 | 第24-25页 |
| 3.2 小波变换 | 第25-28页 |
| 3.2.1 一维连续小波变换 | 第26页 |
| 3.2.2 一维离散小波变换 | 第26-27页 |
| 3.2.3 二维连续小波变换 | 第27页 |
| 3.2.4 二维离散小波变换 | 第27-28页 |
| 3.3 多分辨率分析及Mallat塔式算法 | 第28-31页 |
| 3.3.1 多分辨分析 | 第28页 |
| 3.3.2 小波函数与小波空间 | 第28-29页 |
| 3.3.3 二维多分辨率分析 | 第29-30页 |
| 3.3.4 Mallat塔式算法 | 第30-31页 |
| 3.4 小波变换在图像处理方面的应用 | 第31-34页 |
| 3.4.1 基于小波分析的图像压缩 | 第31页 |
| 3.4.2 图像的滤波和基于小波图像去噪 | 第31-34页 |
| 3.5 基于小波的人脸特征提取 | 第34-35页 |
| 第四章 Lasso极限最小学习算法 | 第35-50页 |
| 4.1 背景介绍 | 第35页 |
| 4.2 神经网络基本理论 | 第35-38页 |
| 4.2.1 神经网络基本结构 | 第35-37页 |
| 4.2.2 单隐藏层神经网络 | 第37-38页 |
| 4.3 常用神经网络训练方法介绍 | 第38-42页 |
| 4.3.1 BP神经网络 | 第38-39页 |
| 4.3.2 SVM支持向量机 | 第39-40页 |
| 4.3.3 ELM极限最小学习机 | 第40-42页 |
| 4.4 统计理论中的回归和子集选择方法 | 第42-48页 |
| 4.4.1 多元线性回归模型 | 第43-44页 |
| 4.4.2 最小二乘回归 | 第44-45页 |
| 4.4.3 岭回归 | 第45-46页 |
| 4.4.4 子集选择方法 | 第46-47页 |
| 4.4.5 Lasso最小绝对值收缩选择算法 | 第47页 |
| 4.4.6 Grafting算法 | 第47-48页 |
| 4.5 Lasso极限最小学习机 | 第48-49页 |
| 4.6 Lasso极限最小学习机进行人脸识别 | 第49-50页 |
| 4.6.1 人脸识别训练集和测试集 | 第49页 |
| 4.6.2 建立Lasso极限最小学习机的人脸分类器 | 第49-50页 |
| 第五章 实验 | 第50-55页 |
| 5.1 人脸识别数据集 | 第50-51页 |
| 5.2 RGB颜色空间到LAB颜色空间转换处理 | 第51-52页 |
| 5.3 利用小波实现图像压缩和提取人脸特征向量 | 第52-53页 |
| 5.4 Lasso-ELM神经网络与其他神经网络的在分类问题上的比较 | 第53页 |
| 5.5 Lasso-ELM神经网络识别人脸 | 第53-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 本文总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-59页 |
| 读硕士期间公开发表的论文 | 第59-60页 |
| 致谢 | 第60-61页 |
