基于支持向量机的图像分类研究
| 第1章 引言 | 第1-19页 |
| ·概述 | 第12-16页 |
| ·统计学习理论 | 第12-13页 |
| ·支持向量机及其发展简史 | 第13-15页 |
| ·SVM的应用现状及其不足 | 第15-16页 |
| ·研究内容及其现实意义 | 第16-17页 |
| ·本文创新及组织结构 | 第17-19页 |
| 第2章 统计学习理论及支持向量机 | 第19-39页 |
| ·机器学习的基本问题 | 第19-22页 |
| ·机器学习问题的表示 | 第20页 |
| ·经验风险最小化 | 第20-21页 |
| ·复杂性和推广能力 | 第21-22页 |
| ·统计学习理论 | 第22-27页 |
| ·学习机器的VC维 | 第22-24页 |
| ·推广性的界 | 第24-25页 |
| ·结构风险最小化 | 第25-27页 |
| ·支持向量机 | 第27-38页 |
| ·线性可分的最优分类面 | 第27-31页 |
| ·线性不可分的最优分类面 | 第31-34页 |
| ·支持向量机 | 第34-36页 |
| ·核函数 | 第36页 |
| ·SVM方法的特点 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 支持向量机模型的建立 | 第39-48页 |
| ·SVM核函数 | 第39-43页 |
| ·核的存在性 | 第39-40页 |
| ·核的种类及特性 | 第40-43页 |
| ·核函数的选择 | 第43页 |
| ·SVM模型的建立 | 第43-47页 |
| ·惩罚系数C | 第43-44页 |
| ·训练算法简介 | 第44-46页 |
| ·SVM学习算法的步骤 | 第46页 |
| ·SVM多分类器算法 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 图像内容的描述及特征提取 | 第48-58页 |
| ·图像内容的描述模型 | 第48页 |
| ·颜色特征的描述 | 第48-53页 |
| ·颜色的表示和颜色模型 | 第48-51页 |
| ·颜色直方图 | 第51页 |
| ·累积颜色直方图 | 第51-52页 |
| ·主色 | 第52页 |
| ·颜色矩 | 第52-53页 |
| ·纹理特征的描述 | 第53-55页 |
| ·基于灰度共生矩阵的纹理特征 | 第53-55页 |
| ·特征归一化 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 基于SVM的图像分类方法研究 | 第58-66页 |
| ·分类系统的结构 | 第58-59页 |
| ·特征提取模块 | 第59页 |
| ·SVM分类模块 | 第59页 |
| ·特征提取策略 | 第59-60页 |
| ·实验 | 第60-65页 |
| ·三种核函数的选择比较实验 | 第60-64页 |
| ·基于颜色特征的图像分类 | 第64页 |
| ·基于纹理特征的图像分类 | 第64页 |
| ·基于综合特征的图像分类 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 第6章 结论与展望 | 第66-68页 |
| ·结论 | 第66页 |
| ·进一步工作的方向 | 第66-68页 |
| ·关于支持向量机问题 | 第66-67页 |
| ·关于特征选择问题 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 个人简历 在读期间发表的学术论文与研究成果 | 第71页 |
