基于可合成性度量的网络纹理自动获取算法研究与实现
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 图像纹理特征 | 第14-15页 |
| 1.2.2 基于样图的纹理合成 | 第15-17页 |
| 1.3 本文的主要研究内容 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-19页 |
| 第2章 网络纹理自动获取算法理论框架 | 第19-27页 |
| 2.1 网络爬虫获取自然图片 | 第20-21页 |
| 2.1.1 主题网络爬虫 | 第20页 |
| 2.1.2 网络自然图片库搜集 | 第20-21页 |
| 2.2 简单随机采样 | 第21-22页 |
| 2.3 泊松盘采样 | 第22-25页 |
| 2.3.1 生成泊松盘采样点 | 第22-23页 |
| 2.3.2 泊松盘采样的效果 | 第23-25页 |
| 2.4 本文提出的三种纹理特征 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于纹理性的纹理样图自动获取算法 | 第27-35页 |
| 3.1 图像特征提取 | 第27-29页 |
| 3.1.1 图像的PHOG特征提取 | 第27-28页 |
| 3.1.2 图像的Gist特征提取 | 第28-29页 |
| 3.2 基于线性SVM的分类训练 | 第29-33页 |
| 3.2.1 纹理分类概述 | 第29-31页 |
| 3.2.2 支持向量机 | 第31-32页 |
| 3.2.3 纹理分类实验结果与分析 | 第32-33页 |
| 3.3 基于Gist特征的纹理性算法 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于同质性的纹理样图自动获取算法 | 第35-39页 |
| 4.1 基于聚类的数据分类 | 第35-37页 |
| 4.1.1 基于欧式距离的相似性度量 | 第35页 |
| 4.1.2 K-means聚类算法 | 第35-36页 |
| 4.1.3 使用的分类算法 | 第36-37页 |
| 4.1.4 基于聚类的数据分类方法 | 第37页 |
| 4.2 基于可合成性度量的同质性算法 | 第37-38页 |
| 4.3 本章小结 | 第38-39页 |
| 第5章 基于重复性的纹理样图自动获取算法 | 第39-42页 |
| 5.1 基于卷积的NCC匹配算法 | 第39-40页 |
| 5.2 基于可合成性度量的重复性算法 | 第40-41页 |
| 5.3 本章小结 | 第41-42页 |
| 第6章 网络纹理获取系统的实现 | 第42-52页 |
| 6.1 网络纹理系统设计 | 第42-43页 |
| 6.2 实验结果与分析 | 第43-51页 |
| 6.2.1 三种特征算法的实验结果 | 第43-47页 |
| 6.2.2 实验结果分析 | 第47-51页 |
| 6.3 本章小结 | 第51-52页 |
| 第7章 总结与展望 | 第52-54页 |
| 7.1 总结 | 第52-53页 |
| 7.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间的研究成果 | 第59页 |
