基于多类特征的SVM图像分割方法的研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景和意义 | 第10-11页 |
| ·国内外研究现状及趋势 | 第11-13页 |
| ·主要研究内容和目标 | 第13-14页 |
| ·论文的组织结构 | 第14-16页 |
| 第二章 支持向量机理论 | 第16-29页 |
| ·支持向量机概念 | 第16页 |
| ·统计学习理论 | 第16-21页 |
| ·机器学习问题的描述 | 第17-18页 |
| ·经验风险最小化 | 第18-19页 |
| ·VC 维 | 第19-20页 |
| ·推广性的界 | 第20页 |
| ·结构风险最小化 | 第20-21页 |
| ·支持向量机的基本方法 | 第21-27页 |
| ·线性支持向量机 | 第22-24页 |
| ·非线性支持向量机 | 第24-26页 |
| ·核函数 | 第26-27页 |
| ·支持向量机的特点 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 图像特征分析及提取 | 第29-38页 |
| ·图像特征分析 | 第29页 |
| ·相位一致性及其统计特征 | 第29-32页 |
| ·相位信息 | 第29-30页 |
| ·相位一致性函数 | 第30-31页 |
| ·相位一致性统计特征 | 第31-32页 |
| ·纹理特征 | 第32-36页 |
| ·纹理特征概述 | 第32-33页 |
| ·纹理特征提取方法及比较 | 第33-35页 |
| ·二维离散傅里叶变换及统计特征 | 第35-36页 |
| ·颜色特征 | 第36页 |
| ·本章小结 | 第36-38页 |
| 第四章 基于多类特征的 SVM 图像分割 | 第38-48页 |
| ·经典的图像分割方法 | 第38-40页 |
| ·Canny 边缘检测 | 第38-39页 |
| ·经典的 SVM 图像分割方法 | 第39-40页 |
| ·基于多类特征的 SVM 图像分割方法 | 第40-43页 |
| ·新方法的流程图 | 第41页 |
| ·输入空间 | 第41-42页 |
| ·训练样本选取 | 第42页 |
| ·输入样本向量集分类与图像重构 | 第42-43页 |
| ·实验仿真与分析 | 第43-47页 |
| ·新方法与经典的 SVM 图像分割方法实验对比 | 第43-46页 |
| ·新方法与 Canny 边缘检测方法实验对比 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| ·总结 | 第48页 |
| ·进一步的工作及展望 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55-56页 |
| 附录 A 论文发表及参加科研项目情况 | 第56-57页 |
| 摘要 | 第57-60页 |
| ABSTRACT | 第60-64页 |
