基于SVM的食物图像分类算法的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 课题背景及研究意义 | 第14-15页 |
| 1.2 食物自动识别技术线路总览 | 第15-16页 |
| 1.3 图像分类识别技术及国内外研究现状 | 第16-19页 |
| 1.3.1 基于图像颜色特征 | 第16-17页 |
| 1.3.2 基于图像的纹理特征 | 第17-18页 |
| 1.3.3 基于图像形状特征 | 第18页 |
| 1.3.4 基于局部不变性特征 | 第18-19页 |
| 1.3.5 基于SVM的图像分类识别 | 第19页 |
| 1.4 本文主要研究内容以及结构安排 | 第19-22页 |
| 1.4.1 本文主要研究内容 | 第19-20页 |
| 1.4.2 本文结构安排 | 第20-22页 |
| 第二章 GrabCut在图像分割中的应用 | 第22-38页 |
| 2.1 基于Graph Cuts的图像分割原理 | 第22-28页 |
| 2.1.2 构造能量函数 | 第23-25页 |
| 2.1.3 构造s-t网络 | 第25-26页 |
| 2.1.4 最大流-最小割定理 | 第26-27页 |
| 2.1.5 能量函数的最小化 | 第27页 |
| 2.1.6 最大流-最小割算法的实现 | 第27-28页 |
| 2.2 GrabCut算法介绍 | 第28-35页 |
| 2.2.1 颜色模型 | 第29-30页 |
| 2.2.2 迭代能量最小化分割算法 | 第30-32页 |
| 2.2.3 Grab Cut分割实验 | 第32-35页 |
| 2.3 本章小结 | 第35-38页 |
| 第三章 图像特征提取 | 第38-68页 |
| 3.1 图像特征介绍 | 第38-40页 |
| 3.1.1 颜色特征 | 第38-39页 |
| 3.1.2 纹理特征 | 第39页 |
| 3.1.3 形状特征 | 第39页 |
| 3.1.4 局部图像特征 | 第39-40页 |
| 3.2 颜色特征提取 | 第40-50页 |
| 3.2.1 颜色空间及量化 | 第40-42页 |
| 3.2.2 颜色直方图 | 第42-45页 |
| 3.2.3 颜色矩表示法 | 第45-48页 |
| 3.2.4 颜色自相关图 | 第48-50页 |
| 3.3 局部图像特征介绍 | 第50-64页 |
| 3.3.1 SURF特征点 | 第50-57页 |
| 3.3.2 HoG特征 | 第57-59页 |
| 3.3.3 PHoG特征 | 第59-61页 |
| 3.3.4 Gabor特征提取 | 第61-64页 |
| 3.4 本章小结 | 第64-68页 |
| 第四章 基于SVM的分类算法 | 第68-76页 |
| 4.1 统计学方法 | 第68-71页 |
| 4.1.1 统计学习理论 | 第68-71页 |
| 4.2 SVM的提出 | 第71-75页 |
| 4.2.1 SVM分类原理 | 第71-73页 |
| 4.2.2 核函数 | 第73-75页 |
| 4.3 本章小结 | 第75-76页 |
| 第五章 基于SVM的食物图像分类实验 | 第76-88页 |
| 5.1 图像分类框架概述 | 第76-79页 |
| 5.2 图像特征提取 | 第79-80页 |
| 5.3 图像分割 | 第80-82页 |
| 5.4 分类器设计 | 第82-86页 |
| 5.5 实验总结 | 第86-88页 |
| 第六章 总结与展望 | 第88-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-96页 |
| 作者简介 | 第96-97页 |
