基于ICA和ELM的图像识别算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1. 绪论 | 第10-16页 |
| 1.1 图像处理概述 | 第10-11页 |
| 1.2 图像识别的关键技术 | 第11-13页 |
| 1.3 图像识别的主要算法 | 第13-14页 |
| 1.4 本文工作和内容安排 | 第14-16页 |
| 2. 独立成分分析(ICA) | 第16-32页 |
| 2.1 引言 | 第16页 |
| 2.2 ICA的理论基础 | 第16-21页 |
| 2.2.1 ICA | 第16-19页 |
| 2.2.2 PCA | 第19-20页 |
| 2.2.3 2DPCA | 第20-21页 |
| 2.3 ICA用于图像处理 | 第21-23页 |
| 2.3.1 预处理 | 第21-22页 |
| 2.3.2 ICA图像处理 | 第22-23页 |
| 2.3.3 2DPCA图像处理 | 第23页 |
| 2.4 仿真实验 | 第23-30页 |
| 2.4.1 ICA图像重构实验 | 第23-26页 |
| 2.4.2 ICA图像识别实验 | 第26-27页 |
| 2.4.3 2DPCA和ICA彩色图像重构实验 | 第27-30页 |
| 2.5 本章总结 | 第30-32页 |
| 3. 极限学习机(ELM) | 第32-42页 |
| 3.1 引言 | 第32-33页 |
| 3.2 ELM理论基础 | 第33-36页 |
| 3.2.1 ELM的原理结构 | 第33-34页 |
| 3.2.2 ELM的主要步骤 | 第34-36页 |
| 3.3 ELM仿真实验 | 第36-41页 |
| 3.3.1 拟合“SinC”函数 | 第36-39页 |
| 3.3.2 对UCI数据库的回归实验 | 第39-41页 |
| 3.4 本章总结 | 第41-42页 |
| 4. 基于ICA和ELM的图像识别算法 | 第42-62页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于ICA和ELM的快速图像识别算法 | 第43-47页 |
| 4.2.1 基于ICA的传统图像识别模型 | 第43-45页 |
| 4.2.2 基于ICA和ELM的快速图像识别模型 | 第45-47页 |
| 4.3 离线提取过程 | 第47-51页 |
| 4.3.1 图像预处理 | 第47-48页 |
| 4.3.2 离线的ICA图像表示过程 | 第48-51页 |
| 4.4 在线的识别过程 | 第51-56页 |
| 4.4.1 在线的ELM图像表示 | 第52-55页 |
| 4.4.2 ELM用于图像分类 | 第55-56页 |
| 4.5 仿真实验 | 第56-60页 |
| 4.5.1 Yale人脸数据库的实验 | 第56-59页 |
| 4.5.2 MNIST手写体数字的实验 | 第59-60页 |
| 4.6 本章总结 | 第60-62页 |
| 5. 总结展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 个人简历 | 第67-68页 |
| 攻读硕士期间发表的学术论文与研究成果 | 第68页 |
