| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-13页 |
| ·选题背景及研究意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文的研究内容 | 第11-12页 |
| ·本文的组织结构 | 第12-13页 |
| 2 支持向量机与集成学习 | 第13-25页 |
| ·支持向量机 | 第13-16页 |
| ·结构风险最小化原则 | 第13-14页 |
| ·两类支持向量机 | 第14-15页 |
| ·核函数 | 第15页 |
| ·多类支持向量机 | 第15-16页 |
| ·集成学习 | 第16-21页 |
| ·集成学习概述 | 第16-19页 |
| ·成员分类器 | 第19-20页 |
| ·集成学习方法Bagging | 第20-21页 |
| ·支持向量机集成 | 第21-24页 |
| ·支持向量机集成机理 | 第21-22页 |
| ·支持向量机集成算法RBaggSVM | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 3 图像内容的描述和特征提取 | 第25-37页 |
| ·图像内容的描述模型 | 第25页 |
| ·颜色特征提取 | 第25-29页 |
| ·颜色空间 | 第25-28页 |
| ·环形颜色直方图 | 第28-29页 |
| ·纹理特征提取 | 第29-33页 |
| ·纹理描述 | 第29页 |
| ·基于灰度共生矩阵的纹理特征 | 第29-31页 |
| ·基于小波变换的纹理特征 | 第31-33页 |
| ·形状特征提取 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 4 基于多特征结合和SVM的图像分类 | 第37-53页 |
| ·基于多特征结合和SVM的图像分类方法 | 第37-38页 |
| ·综合特征提取 | 第38页 |
| ·特征归一化 | 第38-39页 |
| ·多类支持向量机训练与测试 | 第39-41页 |
| ·实验结果及分析 | 第41-52页 |
| ·实验数据及环境 | 第41-42页 |
| ·图像分类效果评价指标 | 第42页 |
| ·综合特征提取过程及结果 | 第42-49页 |
| ·综合特征归一化结果 | 第49-50页 |
| ·支持向量机核函数选择的实验结果对比及分析 | 第50-51页 |
| ·两种图像分类方法的实验结果对比及分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 5 基于多特征结合和PCA-RBaggSVM的图像分类 | 第53-66页 |
| ·基于多特征结合和PCA-RBaggSVM的图像分类方法 | 第53-54页 |
| ·PCA-RBaggSVM算法 | 第54-59页 |
| ·主成分分析 | 第54-55页 |
| ·PCA-RBaggSVM算法描述 | 第55页 |
| ·PCA-RBaggSVM算法实现 | 第55-59页 |
| ·实验结果及分析 | 第59-65页 |
| ·主成分分析降维结果 | 第59-61页 |
| ·四种算法的图像分类性能对比及分析 | 第61-62页 |
| ·主成分累计贡献率对PCA-RBaggSVM算法性能的影响 | 第62-63页 |
| ·成员分类器数量对PCA-RBaggSVM算法性能的影响 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 6 基于内容的图像分类原型系统的设计与实现 | 第66-79页 |
| ·原型系统框架设计 | 第66-68页 |
| ·原型系统模块功能设计 | 第68页 |
| ·原型系统流程图 | 第68-71页 |
| ·原型系统实现 | 第71-76页 |
| ·原型系统分类实验 | 第76-78页 |
| ·本章小结 | 第78-79页 |
| 7 结论 | 第79-80页 |
| ·总结 | 第79页 |
| ·展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 附录 | 第85页 |
