| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 论文的背景及意义 | 第10-11页 |
| 1.2 研究状况概述 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文的框架结构 | 第13-14页 |
| 第二章 图像特征的提取 | 第14-17页 |
| 2.1 颜色特征 | 第14-15页 |
| 2.2 纹理特征 | 第15-16页 |
| 2.3 形状特征 | 第16页 |
| 2.4 空间关系特征 | 第16-17页 |
| 第三章 基于HSV分块加权的图像分类 | 第17-32页 |
| 3.1 基于颜色特征的图像分类 | 第18页 |
| 3.2 图像预处理 | 第18-22页 |
| 3.3 基于HSV颜色特征的分块加权算法 | 第22-28页 |
| 3.4 基于分块加权的HSV分类算法 | 第28-29页 |
| 3.5 实验环境及工具介绍 | 第29-30页 |
| 3.6 实验结果分析 | 第30-31页 |
| 3.7 本章小结 | 第31-32页 |
| 第四章 LBP的改进及其分类 | 第32-45页 |
| 4.1 LBP算子的改进 | 第32-40页 |
| 4.2 基于改进的LBP算子的图像分类算法 | 第40-41页 |
| 4.3 实验结果及分析 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 融合HSV、LBP和GLCM的图像分类 | 第45-55页 |
| 5.1 特征降维及归一化 | 第46-47页 |
| 5.2 基于HSV颜色特征和LBP纹理特征的PCA降维 | 第47-49页 |
| 5.3 灰度共生矩阵 | 第49-50页 |
| 5.4 融合HSV、LBP、GLCM的分类算法 | 第50-52页 |
| 5.5 实验过程及结果分析 | 第52-54页 |
| 5.6 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |