基于混合核函数的最小二乘支持向量机方法在图像边缘检测的应用研究
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 第1章 引言 | 第7-11页 |
| ·图像边缘检测概论 | 第7-8页 |
| ·图像边缘的定义 | 第8-9页 |
| ·论文选题的目的和意义 | 第9页 |
| ·论文的内容安排 | 第9-11页 |
| 第2章 经典图像边缘检测算法 | 第11-22页 |
| ·经典边缘检测的基本方法 | 第11-13页 |
| ·经典的边缘检测算子 | 第13-17页 |
| ·差分边缘检测 | 第13页 |
| ·Roberts 算子 | 第13-14页 |
| ·Sobel 算子 | 第14-15页 |
| ·Prewitt 算子 | 第15-17页 |
| ·线性滤波边缘检测方法 | 第17-20页 |
| ·LOG 算法 | 第18页 |
| ·Canny 算法 | 第18-20页 |
| ·本章小结 | 第20-22页 |
| 第3章 最小二乘支持向量机知识介绍 | 第22-35页 |
| ·支持向量机基础理论 | 第22-24页 |
| ·统计学习理论 | 第22页 |
| ·VC 维理论 | 第22-23页 |
| ·经验风险最小化原则 | 第23-24页 |
| ·结构风险最小化原则 | 第24页 |
| ·支持向量机方法 | 第24-27页 |
| ·支持向量机的主要优点 | 第27-28页 |
| ·核函数理论 | 第28-33页 |
| ·什么是核函数 | 第28页 |
| ·核函数的本质 | 第28-30页 |
| ·怎样确定核函数 | 第30-31页 |
| ·从现有核函数中构造核函数 | 第31-32页 |
| ·几种常见的核函数 | 第32-33页 |
| ·SVM 算法的应用研究 | 第33页 |
| ·最小二乘支持向量机LS-SVM | 第33-35页 |
| 第4章 基于LS-SVM 的图像边缘检测 | 第35-45页 |
| ·新边缘检测方法 | 第35-36页 |
| ·模糊推理的边缘检测 | 第35页 |
| ·Mallat 小波边缘检测算子 | 第35页 |
| ·神经网络法 | 第35-36页 |
| ·LS-SVM 进行图像拟合的原理 | 第36-37页 |
| ·图像梯度算子和零交叉算子计算 | 第37-38页 |
| ·图像边缘检测算法的实现 | 第38-39页 |
| ·仿真实验及结果分析 | 第39-45页 |
| ·边缘检测的性能指标 | 第39页 |
| ·仿真实验及结果分析 | 第39-45页 |
| 1 参数 σ ~2和参数 d 对检测效果的影响 | 第39-41页 |
| 2 混合系数对检测效果的影响 | 第41-43页 |
| 3 边缘检测效率比较 | 第43页 |
| 4 边缘检测性能分析 | 第43-45页 |
| 第5章 总结与展望 | 第45-46页 |
| ·本人所做的工作和特点 | 第45页 |
| ·工作中的不足以及进一步研究的内容 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读学位期间发表的学术论文 | 第49-50页 |
| 致谢 | 第50-51页 |
