特征抽取算法及其在煤岩显微组分分类中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究的背景及意义 | 第9页 |
| 1.2 课题研究对象 | 第9-16页 |
| 1.2.1 镜质组 | 第9-11页 |
| 1.2.2 惰质组 | 第11-13页 |
| 1.2.3 壳质组 | 第13-16页 |
| 1.3 国内外研究现状 | 第16-18页 |
| 1.3.1 基于图像分析法的煤显微组分识别现状 | 第16-17页 |
| 1.3.2 特征抽取算法研究现状 | 第17-18页 |
| 1.4 论文的主要内容与安排 | 第18-19页 |
| 第二章 煤岩显微图像的特征分析及初始特征量提取 | 第19-32页 |
| 2.1 煤显微图像特征分析 | 第19页 |
| 2.2 纹理特征概述 | 第19-20页 |
| 2.3 基于灰度共生矩阵的纹理特征 | 第20-21页 |
| 2.3.1 灰度共生矩阵 | 第20页 |
| 2.3.2 基于灰度共生矩阵的纹理特征 | 第20-21页 |
| 2.4 基于灰度分布的统计特征量 | 第21-23页 |
| 2.5 初始特征分析 | 第23-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 特征抽取算法 | 第32-41页 |
| 3.1 主成分分析法PCA | 第32-34页 |
| 3.1.1 PCA算法理论 | 第32-33页 |
| 3.1.2 PCA算法特点 | 第33-34页 |
| 3.2 线性判别分析法LDA | 第34-37页 |
| 3.2.1 LDA算法理论 | 第34-36页 |
| 3.2.2 LDA算法特点 | 第36-37页 |
| 3.3 PCA与LDA算法的应用比较 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 分类器搭建及特征抽取算法效果验证 | 第41-57页 |
| 4.1 支持向量机 | 第41-45页 |
| 4.1.1 线性可分 | 第41-43页 |
| 4.1.2 线性不可分 | 第43-45页 |
| 4.2 煤岩显微组分分类方案 | 第45-46页 |
| 4.3 方案的实现 | 第46-56页 |
| 4.3.1 第一层分类 | 第47-50页 |
| 4.3.2 第二层分类 | 第50-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 在学研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 附录A 插图清单 | 第65-66页 |
| 附录B 插表清单 | 第66-67页 |
| 附录C 部分核心源程序 | 第67-77页 |
