基于ELM和D-S证据理论的图像分类研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 论文研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 国外研究现状 | 第11-14页 |
| 1.2.2 国内研究现状 | 第14-16页 |
| 1.3 研究内容 | 第16-17页 |
| 第二章 图像纹理特征 | 第17-30页 |
| 2.1 图像预处理 | 第17-19页 |
| 2.1.1 图像滤波 | 第17-19页 |
| 2.2 纹理特征提取 | 第19-27页 |
| 2.2.1 图像的轮廓波变换 | 第20-22页 |
| 2.2.2 轮廓波变换和不变矩的纹理特征提取 | 第22-27页 |
| 2.2.3 基于灰度共生矩的纹理特征提取 | 第27页 |
| 2.3 算法验证 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 图像颜色特征 | 第30-35页 |
| 3.1 颜色空间模型 | 第30-31页 |
| 3.1.1 常用颜色空间模型 | 第30-31页 |
| 3.2 基于HSI颜色空间的特征提取 | 第31-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 基于ELM的图像分类 | 第35-44页 |
| 4.1 极限学习机的图像分类 | 第35-40页 |
| 4.1.1 极限学习机算法描述 | 第35-37页 |
| 4.1.2 极限学习机图像分类 | 第37-40页 |
| 4.2 基于粒子群优化的极限学习机分类模型 | 第40-42页 |
| 4.3 本章小结 | 第42-44页 |
| 第五章 基于证据理论融合的图像分类 | 第44-50页 |
| 5.1 决策级融合模型 | 第44-45页 |
| 5.2 基于D-S证据理论的分类模型 | 第45-49页 |
| 5.2.1 D-S证据理论 | 第45-46页 |
| 5.2.2 基本概率赋值函数的获取 | 第46-47页 |
| 5.2.3 决策级融合分类模型 | 第47-49页 |
| 5.3 本章小结 | 第49-50页 |
| 第六章 实验结果与分析 | 第50-54页 |
| 6.1 实验验证 | 第50-52页 |
| 6.2 本章小结 | 第52-54页 |
| 第七章 总结与展望 | 第54-56页 |
| 7.1 工作总结 | 第54页 |
| 7.2 未来研究与展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 在学期间发表过的学术论文和研究成果 | 第62页 |
