| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-17页 |
| ·研究背景 | 第9-10页 |
| ·图像边缘检测技术简介 | 第9页 |
| ·机器学习技术简介 | 第9-10页 |
| ·图像边缘检测的研究现状和研究意义 | 第10-15页 |
| ·图像边缘检测的研究现状 | 第10-14页 |
| ·图像边缘检测的研究意义 | 第14-15页 |
| ·课题来源及本文的内容安排 | 第15-17页 |
| ·课题来源 | 第15页 |
| ·本文的内容安排 | 第15-17页 |
| 第2章 基于有监督学习图像处理的方法与原理 | 第17-28页 |
| ·计算机视觉计算框架的引入 | 第17-20页 |
| ·计算机视觉的经典问题 | 第17-18页 |
| ·计算机视觉系统 | 第18-19页 |
| ·计算机视觉计算框架 | 第19-20页 |
| ·有监督学习 | 第20-22页 |
| ·图像特征提取技术 | 第22-26页 |
| ·图像特征的种类 | 第23-25页 |
| ·几种图像特征提取算法 | 第25-26页 |
| ·分类器训练算法 | 第26-28页 |
| 第3章 基于中层视觉信息改进的边缘检测算法 | 第28-41页 |
| ·多尺度多方向上的边缘检测算子 | 第28-33页 |
| ·自然图像中边缘的类型 | 第28-29页 |
| ·选择合适的滤波器算子 | 第29-31页 |
| ·多尺度多方向的滤波器算子 | 第31-33页 |
| ·边缘的精简和连接 | 第33-38页 |
| ·利用图像的先验知识精简边缘 | 第33-35页 |
| ·利用完形心理学理论连接边缘 | 第35-38页 |
| ·实验结果 | 第38-39页 |
| ·本章小结 | 第39-41页 |
| 第4章 基于机器学习的边缘检测算法研究 | 第41-53页 |
| ·训练数据样本的创建 | 第42-43页 |
| ·特征选择 | 第43-46页 |
| ·Harr 特征 | 第44-45页 |
| ·梯度直方图（HoG）特征 | 第45-46页 |
| ·基于增强法（Boosting）和决策树的强分类器的训练 | 第46-51页 |
| ·基于AdaBoost 算法分类器的训练 | 第46-48页 |
| ·基于改进AdaBoost 算法的分类器的训练 | 第48-51页 |
| ·实验结果 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 边缘检测应用研究 | 第53-60页 |
| ·基于中层视觉信息边缘检测算法的图像线描系统 | 第53-56页 |
| ·自然图像的艺术渲染技术 | 第53-54页 |
| ·线描渲染的过程 | 第54-55页 |
| ·线描系统的结果 | 第55-56页 |
| ·基于机器学习边缘检测算法的目标轮廓提取 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文 | 第66-67页 |
| 致谢 | 第67页 |