| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-18页 |
| ·课题背景 | 第11页 |
| ·纹理的基本概念 | 第11-13页 |
| ·纹理分析 | 第13-15页 |
| ·纹理分类 | 第15-16页 |
| ·纹理分类的研究现状 | 第16-17页 |
| ·本文结构安排 | 第17-18页 |
| 第2章 纹理图像分类常用算法 | 第18-28页 |
| ·特征提取 | 第18-23页 |
| ·灰度共生矩阵 | 第18-21页 |
| ·Gabor 小波 | 第21-23页 |
| ·分类算法 | 第23-27页 |
| ·距离分类法 | 第24页 |
| ·贝叶斯分类法 | 第24-25页 |
| ·人工神经网络 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 独立分量分析 | 第28-49页 |
| ·鸡尾酒会问题 | 第28页 |
| ·独立分量分析的定义和约束条件 | 第28-31页 |
| ·独立分量分析的发展简史 | 第31页 |
| ·独立分量分析的相关数学知识 | 第31-40页 |
| ·概率论知识 | 第32-33页 |
| ·统计知识 | 第33-36页 |
| ·信息论知识 | 第36-40页 |
| ·独立分量分析独立性的度量 | 第40-42页 |
| ·非高斯性极大 | 第40-41页 |
| ·互信息最小 | 第41页 |
| ·非线性不相关 | 第41-42页 |
| ·独立分量分析算法 | 第42-48页 |
| ·数据的预处理 | 第43-44页 |
| ·FastICA 算法 | 第44-48页 |
| ·独立分量分析算法的选择 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第4章 支持向量机 | 第49-60页 |
| ·概述 | 第49页 |
| ·统计学习理论 | 第49-51页 |
| ·VC 维 | 第51-52页 |
| ·结构风险最小化 | 第52-54页 |
| ·支持向量机 | 第54-59页 |
| ·线性可分的最优分类面 | 第55-56页 |
| ·线性不可分的最优分类面 | 第56-57页 |
| ·支持向量机 | 第57-58页 |
| ·核函数 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 基于 FastICA 和 SVM 的纹理图像分类 | 第60-71页 |
| ·算法流程 | 第60-66页 |
| ·分类实验 | 第66-69页 |
| ·本章小结 | 第69-71页 |
| 结论 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间发表的学术论文 | 第75-76页 |
| 致谢 | 第76页 |