石材纹理图像识别方法
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 选题背景与意义 | 第8-9页 |
| 1.2 国内外研究现状分析 | 第9-10页 |
| 1.2.1 纹理图像识别的国内外研究现状 | 第9-10页 |
| 1.2.2 石材识别的国内外研究现状 | 第10页 |
| 1.3 主要内容和创新点 | 第10-11页 |
| 1.4 组织结构 | 第11-13页 |
| 第2章 相关技术简介 | 第13-22页 |
| 2.1 Gabor滤波器介绍 | 第13-15页 |
| 2.1.1 Gabor变换的提出 | 第13-14页 |
| 2.1.2 Gabor滤波器 | 第14-15页 |
| 2.2 灰度共生矩阵(GLCM) | 第15-17页 |
| 2.3 支持向量机 | 第17-19页 |
| 2.4 多核学习 | 第19-21页 |
| 2.4.1 多线性组合合成方法 | 第19-21页 |
| 2.4.2 多核拓展合成方法 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 石材图像纹理特征提取 | 第22-37页 |
| 3.1 引言 | 第22页 |
| 3.2 石材图像的纹理增强 | 第22-24页 |
| 3.2.1 高斯差分滤波器 | 第22-23页 |
| 3.2.2 直方图均衡化 | 第23-24页 |
| 3.3 Gabor特征提取 | 第24-26页 |
| 3.4 灰度共生矩阵(GLCM)特征提取 | 第26-32页 |
| 3.4.1 灰度级数的选择 | 第27-30页 |
| 3.4.2 移动方向的选择 | 第30页 |
| 3.4.3 移动步长的确定 | 第30-32页 |
| 3.5 HSV特征提取 | 第32-34页 |
| 3.6 数据集 | 第34-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第4章 基于单核分类器的石材图像识别方法 | 第37-48页 |
| 4.1 引言 | 第37-38页 |
| 4.2 遗传算法 | 第38-40页 |
| 4.3 支持向量机核函数及其参数选取 | 第40-42页 |
| 4.3.1 支持向量机核函数选取 | 第40-41页 |
| 4.3.2 基于遗传算法的支持向量机参数选取 | 第41-42页 |
| 4.4 仿真实验及结果分析 | 第42-47页 |
| 4.4.1 实验的建立 | 第42页 |
| 4.4.2 结果分析 | 第42-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 基于多核学习的石材图像识别方法 | 第48-60页 |
| 5.1 引言 | 第48页 |
| 5.2 简单多核学习 | 第48-52页 |
| 5.3 仿真实验及结果分析 | 第52-58页 |
| 5.3.1 实验的建立 | 第52-56页 |
| 5.3.2 结果分析 | 第56-58页 |
| 5.4 本章小结 | 第58-60页 |
| 第6章 单核学习方法与多核学习方法的比较分析 | 第60-63页 |
| 第7章 基于本文方法的APP应用 | 第63-66页 |
| 总结与展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 个人简历 | 第73-74页 |
| 在校期间的研究成果以及发表的学术论文 | 第74页 |
