支持向量机的模型及其在图像分割中的应用
| 中文摘要 | 第5-7页 |
| 英文摘要 | 第7页 |
| 目 录 | 第10-12页 |
| 引 言 | 第12-14页 |
| 1 支持向量机概论 | 第14-38页 |
| 1.1 简介 | 第14页 |
| 1.2 支持向量机的历史渊源 | 第14-15页 |
| 1.3 支持向量机的理论体系和模型的建立 | 第15-34页 |
| 1.4 支持向量机的发展现状简述 | 第34-36页 |
| 1.5 小 结 | 第36-38页 |
| 2 基于支持向量机的分段线性学习方法 | 第38-48页 |
| 2.1 简 介 | 第38页 |
| 2.2 引 言 | 第38页 |
| 2.3 现有的基于支持向量机的学习方法及其局限性 | 第38-42页 |
| 2.4 基于支持向量机的分段线性学习方法 | 第42-44页 |
| 2.5 实验与分析 | 第44-46页 |
| 2.6 小 结 | 第46-48页 |
| 3 基于正反馈的支持向量机 | 第48-60页 |
| 3.1 简 介 | 第48页 |
| 3.2 引 言 | 第48-50页 |
| 3.3 基于高斯核的支持向量机学习原理 | 第50-51页 |
| 3.4 基于正反馈的支持向量机与学习过程 | 第51-55页 |
| 3.5 实验与分析 | 第55-57页 |
| 3.6 小 结 | 第57-60页 |
| 4 基于边界调节的支持向量机 | 第60-68页 |
| 4.1 简 介 | 第60页 |
| 4.2 引 言 | 第60-61页 |
| 4.3 支持向量机的一般性原理 | 第61-62页 |
| 4.4 基于边界调节的支持向量机 | 第62-63页 |
| 4.5 实验与分析 | 第63-66页 |
| 4.6 小 结 | 第66-68页 |
| 5 数字图像分割概论 | 第68-80页 |
| 5.1 本论文在应用部分研究工作的意义 | 第68-71页 |
| 5.2 图像分割的定义 | 第71页 |
| 5.3 与图像分割相关的概念 | 第71-75页 |
| 5.4 图像分割的主要方法 | 第75-78页 |
| 5.5 小 结 | 第78-80页 |
| 6 基于区域生长的土石混合料图像分割系统 | 第80-88页 |
| 6.1 简 介 | 第80页 |
| 6.2 引 言 | 第80-81页 |
| 6.3 基于相对统计特征的种子对象提取方法 | 第81-82页 |
| 6.4 基于模糊隶属度的一般生长理论 | 第82-84页 |
| 6.5 生长算法 | 第84-86页 |
| 6.6 实验结果 | 第86-87页 |
| 6.7 小 结 | 第87-88页 |
| 7 基于支持向量机的图像分割系统 | 第88-106页 |
| 7.1简介 | 第88页 |
| 7.2 图像分割中引入统计学习的必要性 | 第88-89页 |
| 7.3 在图像分割中引入支持向量机的可能性 | 第89-90页 |
| 7.4 在图像分割中引入支持向量机的关键问题 | 第90-91页 |
| 7.5 系统结构 | 第91-94页 |
| 7.6 实验与分析 | 第94-105页 |
| 7.7 小 结 | 第105-106页 |
| 8 总 结 语 | 第106-109页 |
| 8.1 本论文的总结 | 第106-107页 |
| 8.2 进一步的工作 | 第107-109页 |
| 致 谢 | 第109-110页 |
| 参 考 文 献 | 第110-114页 |
| 主 要 成 果 | 第114-115页 |
| 论文: | 第114页 |
| 参与项目: | 第114页 |
| 软件系统: | 第114-115页 |
