因子分析及其在图像二值化中的应用
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 因子分析法及图像二值化的研究背景与意义 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-12页 |
| 1.2.1 因子分析的国内外研究进展 | 第10-12页 |
| 1.2.2 图像二值化的国内外研究进展 | 第12页 |
| 1.3 本文的主要工作及章节安排 | 第12-15页 |
| 2 因子分析 | 第15-41页 |
| 2.1 因子分析模型 | 第15-16页 |
| 2.2 因子分析模型中参数的含义 | 第16-17页 |
| 2.3 因子载荷矩阵的估计 | 第17-39页 |
| 2.3.1 主成分法 | 第17-21页 |
| 2.3.2 迭代主因子法 | 第21-24页 |
| 2.3.3 迭代极大似然估计法 | 第24-29页 |
| 2.3.4 重心法 | 第29-32页 |
| 2.3.5 最小二乘法 | 第32-37页 |
| (1) 广义最小二乘法 | 第32-35页 |
| (2) 未加权最小二乘法 | 第35-37页 |
| 2.3.6 Alpha因子法 | 第37-39页 |
| 2.4 本章小结 | 第39-41页 |
| 3 因子载荷矩阵估计方法之间的联系及适用条件 | 第41-47页 |
| 3.1 主成分法与迭代主因子法之间的联系 | 第41页 |
| 3.2 主成分法与极大似然估计法的联系 | 第41-42页 |
| 3.3 重心法与迭代主因子法的联系 | 第42-43页 |
| 3.4 迭代主因子法与未加权最小二乘法的联系 | 第43页 |
| 3.5 广义最小二乘法与极大似然估计法的联系 | 第43-45页 |
| 3.6 不同方法的适用条件 | 第45-46页 |
| 3.7 本章小结 | 第46-47页 |
| 4 基于因子分析的图像分块二值化方法 | 第47-65页 |
| 4.1 基于矩阵相似度的图像分块二值化 | 第47-50页 |
| 4.2 基于层次聚类的图像分块二值化 | 第50-55页 |
| 4.2.1 图像块和因子载荷的聚类 | 第50-51页 |
| 4.2.2 图像块特征和因子载荷特征的聚类 | 第51-55页 |
| (1) 图像块特征聚类 | 第51-52页 |
| (2) 因子载荷矩阵特征聚类 | 第52-55页 |
| 4.3 基于LOGISTIC回归模型的图像二值化 | 第55-60页 |
| 4.3.1 Logistic回归模型 | 第55-56页 |
| 4.3.2 Logistic二值化方法及实验结果 | 第56-60页 |
| 4.4 基于线性模型的图像二值化 | 第60-63页 |
| 4.5 本章小结 | 第63-65页 |
| 5 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 附录 | 第73页 |
