| 第一章 引言 | 第1-12页 |
| 1．1 图像处理与图像识别概述 | 第8-9页 |
| 1．2 手写体笔迹鉴别的国内外研究动态 | 第9-10页 |
| 1．3 论文的研究目的及主要工作 | 第10-12页 |
| 第二章 纹理分析方法的基本概念及其理论 | 第12-21页 |
| 2．1 手写体笔迹图像的纹理特征 | 第12页 |
| 2．2 纹理单元 | 第12-13页 |
| 2．3 纹理谱 | 第13页 |
| 2．4 纹理的特征提取方法 | 第13-18页 |
| 2．4．1 Fourier变换和自相关法 | 第14页 |
| 2．4．2 行程长度统计法 | 第14-16页 |
| 2．4．3 线段谱分解法 | 第16页 |
| 2．4．4 Wigner分布介绍 | 第16-17页 |
| 2．4．5 多通道Gabor滤波方法 | 第17-18页 |
| 2．5 基于纹理特征的图像分类和分割方法 | 第18-21页 |
| 2．5．1 纹理特征马尔柯夫随机场模型的建立 | 第18-19页 |
| 2．5．2 最小距离分类法 | 第19-21页 |
| 第三章 基于纹理谱的纹理分割算法 | 第21-25页 |
| 3．1 基于全局纹理谱纹理分割算法 | 第21-24页 |
| 3．1．1 对于笔迹纹理特征提取方法的探讨 | 第22-23页 |
| 3．1．2 分类识别算法 | 第23-24页 |
| 3．2 对纹理谱分类识别算法的改进 | 第24-25页 |
| 第四章 协同学的基本概念及其理论 | 第25-31页 |
| 4．1 协同学概述 | 第25页 |
| 4．2 基本概念 | 第25-28页 |
| 4．2．1 序参量（orderparameter） | 第25-26页 |
| 4．2．2 原型向量和伴随向量（prototypevectorsandadjoinvectors | 第26-27页 |
| 4．2．3 支配原理（slaveprinciple） | 第27页 |
| 4．2．4 自组织（self-organization） | 第27-28页 |
| 4．3 协同学基本思想与方法 | 第28-31页 |
| 第五章 协同神经网络模式识别模型及算法 | 第31-41页 |
| 5．1 协同神经网络工作的基本原理 | 第31-33页 |
| 5．2 协同神经网络的实现形式 | 第33-34页 |
| 5．3 协同神经网络模式识别的标准模型——PF模型 | 第34页 |
| 5．4 特殊的协同模式识别模型及其对应的算法 | 第34-38页 |
| 5．4．1 PFR模型、协同分类器算法及SCAP算法 | 第35-36页 |
| 5．4．2 PFAP模型、通用协同分类器算法及SCAPAP算法 | 第36-38页 |
| 5．5 纹理特征替代象素的协同模式识别算法 | 第38-41页 |
| 5．5．1 简单的数学平均值选择原型模式算法 | 第39页 |
| 5．5．2 基于信息叠加的迭代原型模式选择算法 | 第39-41页 |
| 第六章 手写体笔迹鉴别分类器设计 | 第41-51页 |
| 6．1 系统的总体设计 | 第41-43页 |
| 6．2 软、硬件平台及环境要求 | 第43页 |
| 6．2．1 硬件平台 | 第43页 |
| 6．2．2 软件平台 | 第43页 |
| 6．3 基于协同神经网络的第一层分类器设计 | 第43-47页 |
| 6．3．1 原型模式的选择 | 第43页 |
| 6．3．2 预处理 | 第43-45页 |
| 6．3．3 学习算法 | 第45-47页 |
| 6．3．3．1 迭代学习算法 | 第45-46页 |
| 6．3．3．2 基于信息叠加的迭代学习算法 | 第46-47页 |
| 6．4 基于纹理谱的第二层分类器设计 | 第47-51页 |
| 6．4．1 样本采集和图像预处理 | 第47-49页 |
| 6．4．2 笔迹纹理特征提取 | 第49-50页 |
| 6．4．3 模式匹配 | 第50-51页 |
| 第七章 实验结果与讨论 | 第51-67页 |
| 7．1 基于协同算法的签名分类 | 第51-55页 |
| 7．2 基于纹理特征的已分类签名鉴别 | 第55-59页 |
| 7．3 基于纹理特征的协同分类 | 第59-62页 |
| 7．4 对实验结果的讨论 | 第62-67页 |
