基于支持向量机与神经网络的图像分类技术研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-12页 |
| ·课题背景与研究意义 | 第8-9页 |
| ·文献综述 | 第9页 |
| ·主要研究内容 | 第9-10页 |
| ·论文结构安排 | 第10-12页 |
| 第2章 支持向量机相关理论及分类算法 | 第12-27页 |
| ·机器学习的基本问题 | 第12-14页 |
| ·机器学习问题的表示 | 第12-13页 |
| ·经验风险最小化 | 第13-14页 |
| ·学习机器的复杂性与推广性 | 第14页 |
| ·统计学习理论 | 第14-18页 |
| ·学习机器的VC维 | 第15-16页 |
| ·推广性的界 | 第16页 |
| ·结构风险最小化 | 第16-18页 |
| ·支持向量机 | 第18-25页 |
| ·线性可分的最优分类面 | 第18-21页 |
| ·线性不可分的最优分类面 | 第21-22页 |
| ·支持向量机 | 第22-24页 |
| ·核函数 | 第24页 |
| ·SVM方法的特点 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 第3章 数字细胞图像预处理 | 第27-37页 |
| ·图像增强处理 | 第27-32页 |
| ·图像直方图法 | 第27-31页 |
| ·直方图均衡化 | 第28页 |
| ·直方图规定化 | 第28-31页 |
| ·中值滤波 | 第31-32页 |
| ·图像分割 | 第32-36页 |
| ·基于区域的分割方法 | 第33-34页 |
| ·阀值法 | 第33页 |
| ·区域生长和分裂合并法 | 第33页 |
| ·聚类分割法 | 第33-34页 |
| ·基于边界的分割方法 | 第34-35页 |
| ·微分算子法 | 第34-35页 |
| ·串行边界技术 | 第35页 |
| ·区域与边界相结合的分割方法 | 第35页 |
| ·基于特定理论的分割方法 | 第35-36页 |
| ·基于数学形态学的边缘检测方法 | 第35-36页 |
| ·基于模糊集理论的方法 | 第36页 |
| ·基于小波变换的方法 | 第36页 |
| ·基于神经网络的分割方法 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第4章 图像特征提取与特征选择 | 第37-45页 |
| ·图像特征提取 | 第37-42页 |
| ·特征提取概述 | 第37-38页 |
| ·课题用到的特征提取方法 | 第38-42页 |
| ·直方图特征提取 | 第38-39页 |
| ·面积特征提取 | 第39页 |
| ·图像欧拉特征提取 | 第39-40页 |
| ·图像的直线特征 | 第40-42页 |
| ·特征选择 | 第42-44页 |
| ·特征归一化 | 第42-43页 |
| ·常见特征选择方法及性能 | 第43-44页 |
| ·本章小节 | 第44-45页 |
| 第5章 二种分类算法的实现 | 第45-54页 |
| ·分类准备工作概述 | 第45-46页 |
| ·支持向量机分类实现 | 第46-50页 |
| ·支持向量机分类算法 | 第46-47页 |
| ·实验结果 | 第47-50页 |
| ·神经网络分类实现 | 第50-53页 |
| ·分类性能对比 | 第53页 |
| ·本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |
