网络纹理样图自动获取算法的研究与实现
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 传统图像纹理特征分析方法 | 第10-11页 |
| 1.2.2 基于卷积神经网络的纹理分析方法 | 第11-12页 |
| 1.2.3 纹理样图获取算法研究 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第2章 网络纹理样图自动获取算法理论框架 | 第16-21页 |
| 2.1 区域采样方法 | 第16-20页 |
| 2.1.1 随机采样 | 第17页 |
| 2.1.2 泊松圆盘采样 | 第17-18页 |
| 2.1.3 选择性搜索算法采样 | 第18-20页 |
| 2.2 特征分析方法 | 第20页 |
| 2.3 度量排序 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于同质性的纹理样图自动获取算法 | 第21-28页 |
| 3.1 理想纹理度量分析 | 第22页 |
| 3.2 基于改进的K-means聚类的数据分析 | 第22-24页 |
| 3.2.1 K-means聚类 | 第22-23页 |
| 3.2.2 改进的K-means聚类纹理特征分析 | 第23-24页 |
| 3.3 基于同质性的度量算法 | 第24-25页 |
| 3.4 缺陷纹理过滤算法 | 第25-26页 |
| 3.5 基于卡方距离的相似性度量 | 第26-27页 |
| 3.6 本章小结 | 第27-28页 |
| 第4章 基于深度学习的纹理样图自动获取算法 | 第28-39页 |
| 4.1 深度学习的相关方法 | 第29页 |
| 4.2 卷积神经网络的结构 | 第29-32页 |
| 4.2.1 卷积层 | 第30-31页 |
| 4.2.2 激励层 | 第31-32页 |
| 4.2.3 池化层 | 第32页 |
| 4.3 基于结构的纹理数据分类与采集 | 第32-34页 |
| 4.4 基于卷积神经网络的纹理特征分析框架 | 第34-36页 |
| 4.5 样图筛选排序方法 | 第36-37页 |
| 4.6 本章小结 | 第37-39页 |
| 第5章 网络纹理样图自动获取系统的实现 | 第39-52页 |
| 5.1 基于同质性的纹理获取算法结果分析 | 第39-43页 |
| 5.2 基于卷积神经网络的纹理获取算法结果分析 | 第43-51页 |
| 5.2.1 分类准确率比较 | 第43-45页 |
| 5.2.2 纹理特征可视化 | 第45-47页 |
| 5.2.3 结果展示与分析 | 第47-50页 |
| 5.2.4 算法运行效率分析 | 第50-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间的研究成果 | 第62页 |
