统计学习在色彩校正和色彩恒常中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-21页 |
| ·色彩校正和色彩恒常的研究背景和意义 | 第11-14页 |
| ·国内外研究现状 | 第14-17页 |
| ·色彩校正的国内外研究现状 | 第14-15页 |
| ·色彩恒常的国内外研究现状 | 第15-16页 |
| ·统计学习的引入 | 第16-17页 |
| ·论文研究内容及章节安排 | 第17-19页 |
| ·小结 | 第19-21页 |
| 第二章 色彩理论及统计学习基础 | 第21-37页 |
| ·色彩空间 | 第21-25页 |
| ·RGB 色彩空间 | 第21页 |
| ·CMYK 色彩空间 | 第21-22页 |
| ·XYZ 色彩空间 | 第22-23页 |
| ·Lab 色彩空间 | 第23-24页 |
| ·误差测量方法 | 第24-25页 |
| ·色彩校正和色彩恒常的传统算法 | 第25-31页 |
| ·色彩校正的基本算法 | 第25-30页 |
| ·多重回归 | 第25-26页 |
| ·三维插值 | 第26-27页 |
| ·神经网络 | 第27-29页 |
| ·模糊逻辑 | 第29-30页 |
| ·色彩恒常的基本算法 | 第30-31页 |
| ·灰度世界模型算法 | 第30页 |
| ·视网膜皮层算法 | 第30页 |
| ·色域匹配算法 | 第30-31页 |
| ·贝叶斯色彩恒常 | 第31页 |
| ·神经网络色彩恒常 | 第31页 |
| ·统计学习基础 | 第31-36页 |
| ·基于示例的学习方法 | 第31-32页 |
| ·结构风险最小化原则 | 第32-33页 |
| ·计算智能 | 第33-36页 |
| ·模糊逻辑 | 第33-35页 |
| ·遗传算法 | 第35-36页 |
| ·小结 | 第36-37页 |
| 第三章 基于三维插值的色彩校正 | 第37-53页 |
| ·三维插值类算法的分析与问题 | 第37-39页 |
| ·非线性三维查找表的快速查找技术 | 第39-44页 |
| ·打印机Profile 数据的生成过程 | 第39-40页 |
| ·ICC 规范约束下的Profile 生成 | 第40-41页 |
| ·两种加速算法的原理 | 第41-43页 |
| ·原始方法 | 第41页 |
| ·基于历史的局部搜索法 | 第41-42页 |
| ·利用辅助表的快速定位法 | 第42-43页 |
| ·理论及实验结果分析 | 第43-44页 |
| ·理论分析 | 第43页 |
| ·实验分析 | 第43-44页 |
| ·结论 | 第44页 |
| ·结合色域匹配的再加速策略 | 第44-46页 |
| ·色域匹配简介 | 第44-45页 |
| ·再加速策略 | 第45页 |
| ·实验 | 第45-46页 |
| ·基于改进最大模糊熵的色彩校正 | 第46-51页 |
| ·三维插值算法的一般化表示 | 第46-47页 |
| ·基于改进最大模糊熵估计的色彩校正方法 | 第47-50页 |
| ·最大熵原理 | 第47页 |
| ·最大模糊熵算法 | 第47-48页 |
| ·改进的最大模糊熵算法 | 第48-49页 |
| ·LIIMFE 的优化 | 第49-50页 |
| ·实验结果与分析 | 第50-51页 |
| ·结论 | 第51页 |
| ·小结 | 第51-53页 |
| 第四章 基于邻域回归的色彩校正 | 第53-71页 |
| ·回归类算法的分析及问题 | 第53-56页 |
| ·基于结构风险最小化和全最小二乘法的色彩校正 | 第56-60页 |
| ·邻域上的结构风险最小化 | 第56-57页 |
| ·全最小二乘法的经验风险 | 第57-58页 |
| ·局部回归校正 | 第58-59页 |
| ·实验结果与分析 | 第59-60页 |
| ·结论 | 第60页 |
| ·基于提升偏最小二乘法的色彩校正 | 第60-65页 |
| ·特征空间 | 第61-62页 |
| ·邻域上的KPLS | 第62-63页 |
| ·基于Boosting KPLS 的色彩校正过程 | 第63-64页 |
| ·实验结果与分析 | 第64-65页 |
| ·结论 | 第65页 |
| ·加速的措施和改进的措施 | 第65-69页 |
| ·加速措施：K-D 树 | 第65-67页 |
| ·K-D 树的定义 | 第65-66页 |
| ·K-D 树的建立 | 第66-67页 |
| ·K-D 树的查询 | 第67页 |
| ·邻域的改进 | 第67-69页 |
| ·距离改进 | 第67页 |
| ·邻域的选取 | 第67-69页 |
| ·小结 | 第69-71页 |
| 第五章 基于稀疏贝叶斯学习的色彩校正 | 第71-89页 |
| ·稀疏核工具校正的分析及问题 | 第71-74页 |
| ·稀疏贝叶斯回归 | 第74-77页 |
| ·贝叶斯定理 | 第74-75页 |
| ·相关向量机回归 | 第75-77页 |
| ·模型描述 | 第75页 |
| ·参数推理 | 第75-76页 |
| ·超参数优化 | 第76页 |
| ·预测 | 第76-77页 |
| ·相关向量机校正的改进措施 | 第77-84页 |
| ·多核技术的引入 | 第77-78页 |
| ·多核的构造：完备基与超完备基 | 第78-80页 |
| ·完备基的构造 | 第78-79页 |
| ·超完备基的构造 | 第79-80页 |
| ·维数约简 | 第80-81页 |
| ·相关向量的预提取 | 第81-83页 |
| ·基于分层采样的预提取 | 第82页 |
| ·基于聚类的预提取 | 第82-83页 |
| ·分布式结构 | 第83-84页 |
| ·实验结果及分析 | 第84-88页 |
| ·算法架构及参数设定 | 第84-85页 |
| ·数值实验 | 第85-87页 |
| ·混沌时间序列预 | 第85-86页 |
| ·波士顿住房问题 | 第86-87页 |
| ·色彩校正实验 | 第87-88页 |
| ·小结 | 第88-89页 |
| 第六章 基于计算智能的色彩校正 | 第89-105页 |
| ·计算智能类方法的分析及问题 | 第89-90页 |
| ·基于KPCA 和ANFIS 的色彩校正 | 第90-94页 |
| ·ANFIS 的结构 | 第90-91页 |
| ·KPCA 的应用 | 第91-92页 |
| ·KPCA_ANFIS 色彩校正过程 | 第92-93页 |
| ·实验结果及分析 | 第93-94页 |
| ·结论 | 第94页 |
| ·色彩校正中的神经网络集成 | 第94-101页 |
| ·集成算法简介 | 第95-96页 |
| ·神经网络集成理论 | 第96-97页 |
| ·基于聚类的改进自助法抽样 | 第97-98页 |
| ·验证集上的泛化误差 | 第98-99页 |
| ·自适应选择集成 | 第99页 |
| ·实验结果与分析 | 第99-100页 |
| ·结论 | 第100-101页 |
| ·基于遗传算法的简易提升校正模型 | 第101-104页 |
| ·Boosting 算法 | 第101-102页 |
| ·简易提升算法 | 第102-103页 |
| ·实验结果与分析 | 第103-104页 |
| ·小结 | 第104-105页 |
| 第七章 色彩恒常的实现 | 第105-119页 |
| ·色彩恒常概念 | 第105-107页 |
| ·基于自适应约简相关向量机的光源色度估计 | 第107-112页 |
| ·光源色度估计的数据准备 | 第107-109页 |
| ·光源色度估计的一般方法 | 第109-110页 |
| ·自适应约简相关向量机的应用 | 第110-111页 |
| ·实验结果与分析 | 第111-112页 |
| ·基于TPS 和LAD 回归的监督色彩恒常 | 第112-117页 |
| ·新的基于有限维线性模型的监督色彩恒常 | 第112-113页 |
| ·利用薄板样条的数据映射 | 第113-114页 |
| ·基于保局投影的数据约简 | 第114页 |
| ·基于LAD 回归的鲁棒估计 | 第114-115页 |
| ·实验结果与分析 | 第115-116页 |
| ·数据获得过程 | 第115-116页 |
| ·测试过程 | 第116页 |
| ·结论 | 第116-117页 |
| ·小结 | 第117-119页 |
| 第八章 总结和展望 | 第119-123页 |
| ·本文主要研究成果 | 第119-122页 |
| ·后续工作与展望 | 第122-123页 |
| 致谢 | 第123-125页 |
| 参考文献 | 第125-132页 |
| 博士期间的学术论文及科研成果 | 第132-134页 |
| 附录A | 第134-135页 |
| 附录B | 第135-136页 |
