基于变形决策树的图像方向判别和应用
| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-6页 |
| 第1章 前言 | 第6-9页 |
| 1．1 基于内容的图像检索分类研究 | 第6-7页 |
| 1．2 本课题的研究内容和意义 | 第7-9页 |
| 第2章 基于机器学习的图像分类 | 第9-16页 |
| 2．1 常用的图像分类特征 | 第9-11页 |
| 2．1．1 颜色 | 第9-10页 |
| 2．1．2 纹理 | 第10页 |
| 2．1．3 形状 | 第10-11页 |
| 2．2 基于机器学习的图像分类方法 | 第11-16页 |
| 2．2．1 贝叶斯分类器 | 第11页 |
| 2．2．2 k-最临近分类 | 第11-12页 |
| 2．2．3 神经网络 | 第12页 |
| 2．2．4 遗传算法 | 第12-13页 |
| 2．2．5 聚类 | 第13页 |
| 2．2．6 决策树 | 第13-16页 |
| 2．2．6．1 ID3算法 | 第13-15页 |
| 2．2．6．2 C4．5算法 | 第15-16页 |
| 第3章 图像正立方向判别系统 | 第16-33页 |
| 3．1 研究目的 | 第16页 |
| 3．2 图像特征量 | 第16-23页 |
| 3．2．1 轮廓线特征提取 | 第16-20页 |
| 3．2．1．1 边缘检测 | 第16-17页 |
| 3．2．1．2 细化 | 第17-20页 |
| 3．2．1．3 边缘跟踪 | 第20页 |
| 3．2．1．4 轮廓线提取 | 第20页 |
| 3．2．2 轮廓线向量特征统计 | 第20-22页 |
| 3．2．2．1 长轮廓折线的统计 | 第21-22页 |
| 3．2．2．2 短轮廓折线的统计 | 第22页 |
| 3．2．3 特征空间 | 第22-23页 |
| 3．3 决策树构筑 | 第23-25页 |
| 3．3．1 决策树节点的分割 | 第23-24页 |
| 3．3．2 建立决策树分类模型 | 第24-25页 |
| 3．4 系统实现 | 第25-29页 |
| 3．4．1 总体结构 | 第25-26页 |
| 3．4．2 图像特征管理 | 第26-28页 |
| 3．4．2．1 单一特征的实现 | 第26页 |
| 3．4．2．2 图像特征集的实现 | 第26-27页 |
| 3．4．2．3 对应用程序隐蔽细节 | 第27-28页 |
| 3．4．3 决策树管理 | 第28-29页 |
| 3．4．3．1 树节点的实现 | 第28-29页 |
| 3．4．3．2 隐蔽树节点内部细节 | 第29页 |
| 3．4．3．3 决策树的独立和通用性 | 第29页 |
| 3．5 实验结果 | 第29-33页 |
| 第4章 在图像内容分类领域的应用 | 第33-37页 |
| 4．1 图像特征 | 第33-35页 |
| 4．1．1 平均色 | 第33-34页 |
| 4．1．2 代表色 | 第34页 |
| 4．1．3 轮廓点分布特征 | 第34页 |
| 4．1．4 联合图像特征 | 第34-35页 |
| 4．2 分类系统 | 第35页 |
| 4．3 实验结果 | 第35-37页 |
| 第5章 基于变形决策树的分类模型管理 | 第37-45页 |
| 5．1 多分类叶节点管理 | 第37-43页 |
| 5．1．1 图像正立方向判别系统实验 | 第37-40页 |
| 5．1．2 图像内容分类系统实验 | 第40-43页 |
| 5．2 局部重构 | 第43页 |
| 5．3 本章小结 | 第43-45页 |
| 第6章 教师实例自动选择 | 第45-51页 |
| 6．1 教师实例自动选择的研究目的 | 第45页 |
| 6．2 教师实例自动选择的研究情况 | 第45-46页 |
| 6．3 本系统使用的教师实例自动选择方法 | 第46-48页 |
| 6．3．1 加强边缘 | 第47页 |
| 6．3．2 确认不确定分类的图像 | 第47-48页 |
| 6．4．3 自动选择教师实例的学习过程 | 第48页 |
| 6．4 实验结果 | 第48-51页 |
| 第7章 结束语 | 第51-54页 |
| 7．1 本文解决的问题 | 第51-52页 |
| 7．2 今后改善方向 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 研究生期间发表论文 | 第56-57页 |
| 致谢 | 第57页 |
