基于多特征融合的图像分类与检测应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究概述 | 第11-16页 |
| 1.2.1 纹理特征取方法 | 第11-14页 |
| 1.2.2 分类方法 | 第14-15页 |
| 1.2.3 目标检测方法 | 第15-16页 |
| 1.3 论文主要工作及研究内容 | 第16-17页 |
| 1.4 本论文组织结构 | 第17-18页 |
| 第二章 纹理特征提取 | 第18-30页 |
| 2.1 纹理概念 | 第18-19页 |
| 2.2 纹理特征取方法详述 | 第19-29页 |
| 2.2.1 局部二值模式 | 第19-22页 |
| 2.2.2 局部二值模式的改进 | 第22-24页 |
| 2.2.3 灰度共生矩阵 | 第24-26页 |
| 2.2.4 Gabor滤波器 | 第26-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 基于单一特征的灰度纹理图像分类 | 第30-43页 |
| 3.1 灰度纹理图像分类 | 第30-33页 |
| 3.1.1 纹理图像数据集简介 | 第30-32页 |
| 3.1.2 实验预处理 | 第32-33页 |
| 3.1.3 实验运行环境 | 第33页 |
| 3.2 K近邻算法 | 第33-34页 |
| 3.3 K近邻算法实验结果与分析 | 第34-35页 |
| 3.3.1 K值对分类准确度的影响 | 第34-35页 |
| 3.4 支持向量机 | 第35-38页 |
| 3.4.1 硬间隔分类器 | 第35-37页 |
| 3.4.2 软间隔分类器 | 第37页 |
| 3.4.3 核方法 | 第37-38页 |
| 3.5 支持向量机实验结果与分析 | 第38-40页 |
| 3.5.1 惩罚系数对分类准确度的影响 | 第38-39页 |
| 3.5.2 核函数对分类准确度的影响 | 第39-40页 |
| 3.6 基于KNN和SVM的多图像分类实验 | 第40-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 多特征加权融合的图像分类 | 第43-58页 |
| 4.1 多特征加权融合方法 | 第43-45页 |
| 4.2 基于多特征加权融合的分类实验 | 第45-48页 |
| 4.3 基于特征融合的人脸分类实验 | 第48-51页 |
| 4.3.1 人脸分类概述 | 第48-49页 |
| 4.3.2 梯度升决策树 | 第49-50页 |
| 4.3.3 人脸数据集分类实验结果与分析 | 第50-51页 |
| 4.4 彩色图像多通道纹理特征加权融合 | 第51-54页 |
| 4.4.1 HSV空间特征融合方法 | 第52-54页 |
| 4.5 彩色纹理图像的特征融合分类实验 | 第54-57页 |
| 4.5.1 数据集介绍 | 第54-55页 |
| 4.5.2 XGBoost分类器 | 第55-56页 |
| 4.5.3 彩色图像分类结果与分析 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 卷积特征融合的目标检测应用 | 第58-71页 |
| 5.1 深度卷积神经网络概述 | 第58页 |
| 5.2 卷积神经网络结构 | 第58-61页 |
| 5.2.1 卷积层 | 第58-59页 |
| 5.2.2 非线性激活函数 | 第59-60页 |
| 5.2.3 池化层 | 第60-61页 |
| 5.2.4 目标函数层 | 第61页 |
| 5.3 两种经典卷积神经网络 | 第61-64页 |
| 5.3.1 VGG网络 | 第61-62页 |
| 5.3.2 深度残差网络 | 第62-64页 |
| 5.4 目标检测方法 | 第64-68页 |
| 5.4.1 目标检测概述 | 第64-65页 |
| 5.4.2 SSD网络简介 | 第65-67页 |
| 5.4.3 一种改进的SSD网络 | 第67-68页 |
| 5.5 基于SSD的食物的卡路里检测应用 | 第68-70页 |
| 5.5.1 UECFOOD256数据集介绍 | 第68-69页 |
| 5.5.2 不同基础网络的检测实验结果与分析 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 结论与展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附件 | 第78页 |
