| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 图像纹理特征研究现状 | 第12-14页 |
| 1.2.1 图像纹理特征提取研究现状 | 第13-14页 |
| 1.2.2 图像纹理分类研究现状 | 第14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 2 纹理分析方法综述 | 第16-29页 |
| 2.1 纹理基本概念 | 第16-18页 |
| 2.1.1 纹理定义 | 第16页 |
| 2.1.2 纹理类型 | 第16-17页 |
| 2.1.3 纹理特性 | 第17-18页 |
| 2.2 纹理特征提取方法 | 第18-25页 |
| 2.2.1 统计方法 | 第18-21页 |
| 2.2.2 频谱法 | 第21-22页 |
| 2.2.3 模型方法 | 第22-24页 |
| 2.2.4 结构方法 | 第24页 |
| 2.2.5 各种方法优缺点比较 | 第24-25页 |
| 2.3 图像分类方法综述 | 第25-28页 |
| 2.3.1 K 近邻算法 | 第25-26页 |
| 2.3.2 K-means 算法 | 第26-27页 |
| 2.3.3 决策树 | 第27页 |
| 2.3.4 Boosting 算法 | 第27-28页 |
| 2.3.5 支持向量机 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 纹理特征提取方法 | 第29-48页 |
| 3.1 灰度共生矩阵 | 第29-33页 |
| 3.1.1 灰度共生矩阵的定义与计算 | 第29-30页 |
| 3.1.2 灰度共生矩阵的二阶统计量 | 第30-32页 |
| 3.1.3 灰度共生矩阵的特征提取算法 | 第32-33页 |
| 3.2 Tamura 纹理特征分析 | 第33-37页 |
| 3.2.1 Tamura 纹理描述 | 第33-35页 |
| 3.2.2 实验结果与分析 | 第35-37页 |
| 3.3 Gabor 滤波器 | 第37-43页 |
| 3.3.1 引言 | 第37页 |
| 3.3.2 二维 Gabor 滤波器 | 第37-41页 |
| 3.3.3 基于 Gabor 滤波器的纹理特征提取 | 第41-43页 |
| 3.4 局部二值模式 | 第43-47页 |
| 3.4.1 经典 LBP 算法 | 第43-44页 |
| 3.4.2 几种变形的 LBP 算法 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 基于 K -means 聚类的图像分类 | 第48-53页 |
| 4.1 K -means 聚类 | 第48页 |
| 4.2 模糊 K -means 聚类 | 第48-50页 |
| 4.3 实验结果及分析 | 第50-51页 |
| 4.3.1 K-means 聚类结果 | 第50-51页 |
| 4.3.2 模糊 K-means 聚类结果 | 第51页 |
| 4.4 本章小结 | 第51-53页 |
| 5 基于支持向量机的人脸识别 | 第53-68页 |
| 5.1 概述 | 第53页 |
| 5.2 统计学习理论 | 第53-55页 |
| 5.2.1 VC 维 | 第54页 |
| 5.2.2 推广性的界 | 第54页 |
| 5.2.3 结构风险最小化 | 第54-55页 |
| 5.3 支持向量机 | 第55-63页 |
| 5.3.1 线性可分支持向量机 | 第56-58页 |
| 5.3.2 线性不可分支持向量机 | 第58-59页 |
| 5.3.3 非线性支持向量机 | 第59-61页 |
| 5.3.4 核函数 | 第61页 |
| 5.3.5 支持向量机的分类学习算法 | 第61-63页 |
| 5.4 实验与分析 | 第63-67页 |
| 5.4.1 人脸识别整体流程 | 第63页 |
| 5.4.2 实验结果及分析 | 第63-67页 |
| 5.5 本章小结 | 第67-68页 |
| 6 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73-74页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第74-75页 |