基于竞争学习机制的聚类算法在图像匹配中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 引言 | 第9-11页 |
| 1 绪论 | 第11-16页 |
| 1.1 选题背景与研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 基于灰度的图像匹配方法 | 第12-13页 |
| 1.2.2 基于特征的图像匹配方法 | 第13-14页 |
| 1.3 本文的主要内容和组织结构 | 第14-16页 |
| 2 SIFT 特征提取及匹配算法 | 第16-32页 |
| 2.1 构建尺度空间 | 第17-21页 |
| 2.1.1 构建高斯金字塔 | 第18-19页 |
| 2.1.2 构建高斯差分尺度空间 | 第19-21页 |
| 2.2 检测尺度空间极值点 | 第21-22页 |
| 2.3 精确定位极值点 | 第22-24页 |
| 2.4 为每个关键点指定主方向 | 第24-25页 |
| 2.5 关键点描述符的生成 | 第25-28页 |
| 2.6 特征点匹配算法 | 第28-32页 |
| 2.6.1 KD 树 | 第29-30页 |
| 2.6.2 BBF 查询算法 | 第30-32页 |
| 3 聚类算法与竞争学习 | 第32-40页 |
| 3.1 聚类算法的划分 | 第32-34页 |
| 3.1.1 基于层次的方法 | 第32-33页 |
| 3.1.2 基于划分的方法 | 第33-34页 |
| 3.2 竞争学习 | 第34-35页 |
| 3.3 FSCL 算法 | 第35-36页 |
| 3.4 RPCL 算法 | 第36-37页 |
| 3.5 RPCCL 算法 | 第37-40页 |
| 4 竞争学习算法改进及实验分析 | 第40-59页 |
| 4.1 学习率自适应调整 | 第40-41页 |
| 4.2 可区分的惩罚控制机制 | 第41-46页 |
| 4.3 聚类实验分析 | 第46-50页 |
| 4.3.1 混合高斯数据集实验 | 第46-49页 |
| 4.3.2 UCI 机器学习数据库数据集实验 | 第49-50页 |
| 4.4 引入竞争学习的匹配过程 | 第50-51页 |
| 4.5 图像匹配实验对比 | 第51-59页 |
| 4.5.1 实验环境 | 第51页 |
| 4.5.2 实验结果对比 | 第51-59页 |
| 5 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59-60页 |
| 5.2 本文下一步研究方向 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 在学研究成果 | 第65-66页 |
| 致谢 | 第66页 |
