基于加权多特征融合和SVM的图像分类研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景与研究意义 | 第10页 |
| 1.2 国内外相关研究现状分析 | 第10-12页 |
| 1.2.1 图像分类的国内外相关研究现状 | 第10-11页 |
| 1.2.2 基于SVM的图像分类在国内外研究现状 | 第11-12页 |
| 1.3 本文的主要内容 | 第12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第2章 图像低层特征的提取 | 第14-23页 |
| 2.1 颜色特征的提取 | 第14-17页 |
| 2.1.1 颜色模式 | 第14页 |
| 2.1.2 颜色特征提取算法 | 第14-17页 |
| 2.2 纹理特征的提取 | 第17-20页 |
| 2.3 形状特征的提取 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 支持向量机及改进的多分类器 | 第23-42页 |
| 3.1 SVM相关理论 | 第24-34页 |
| 3.1.1 最优分类面 | 第24-25页 |
| 3.1.2 线性SVM分类器 | 第25-26页 |
| 3.1.3 非线性SVM分类器 | 第26-28页 |
| 3.1.4 SVM核函数 | 第28-29页 |
| 3.1.5 SVM的监督学习算法 | 第29页 |
| 3.1.6 参数优化算法的选取 | 第29-33页 |
| 3.1.7 PCA降维算法 | 第33-34页 |
| 3.2 基于SVM的图像分类步骤 | 第34-37页 |
| 3.3 多分类器的构造 | 第37-41页 |
| 3.3.1 多分类器 | 第37-38页 |
| 3.3.2 改进的多分类器构造方法 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 加权多特征融合算法 | 第42-53页 |
| 4.1 加权多特征融合算法 | 第42-44页 |
| 4.2 本文的实验安排 | 第44-46页 |
| 4.2.1 实验准备 | 第44-45页 |
| 4.2.2 实验内容安排 | 第45-46页 |
| 4.3 实验结果分析 | 第46-52页 |
| 4.3.1 基于单一特征的分类实验与分析 | 第46-50页 |
| 4.3.2 基于多特征融合的分类实验 | 第50-51页 |
| 4.3.3 实验结果分析 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间参加的科研项目 | 第59-60页 |
| 致谢 | 第60页 |
