| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 引言 | 第8-13页 |
| ·论文研究背景 | 第8-9页 |
| ·图像分类的研究背景 | 第8-9页 |
| ·极限学习机的研究背景 | 第9页 |
| ·国内外研究现状 | 第9页 |
| ·研究创新点及意义 | 第9-10页 |
| ·本文研究技术路线 | 第10-11页 |
| ·本文的结构 | 第11-13页 |
| 第二章 图像分类理论 | 第13-28页 |
| ·图像分类概述 | 第13-16页 |
| ·分类任务简介 | 第13-14页 |
| ·图像分类中的常见问题 | 第14-16页 |
| ·图像分类流程之图像预处理 | 第16-18页 |
| ·图像去噪声处理 | 第16-17页 |
| ·图像去光照处理 | 第17页 |
| ·图像增强、压缩和复原 | 第17-18页 |
| ·图像分类之图像特征提取和选择 | 第18-22页 |
| ·图像常用特征简介 | 第19页 |
| ·颜色特征简介 | 第19-20页 |
| ·形状特征简介 | 第20页 |
| ·纹理特征及其常见提取方法 | 第20-22页 |
| ·图像分类之数据预处理 | 第22-23页 |
| ·分类器设计与图像分类方法介绍 | 第23-27页 |
| ·分类器设计与分类决策 | 第23-24页 |
| ·图像分类方法介绍 | 第24-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 极限学习机概述 | 第28-47页 |
| ·人工神经网络简介 | 第28-35页 |
| ·生物神经元 | 第28-29页 |
| ·神经元的数学模型 | 第29-32页 |
| ·人工神经网络模型 | 第32-33页 |
| ·人工神经网络的特点及其应用 | 第33-35页 |
| ·极限学习机理论基础及其原理 | 第35-42页 |
| ·前馈神经网络的函数逼近能力 | 第35-37页 |
| ·ELM算法概述 | 第37-42页 |
| ·ELM的研究与发展 | 第42-46页 |
| ·网络结构的优化 | 第42-44页 |
| ·网络参数的优化 | 第44页 |
| ·在线序列ELM算法 | 第44-45页 |
| ·集成的ELM算法 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 基于极限学习机的图像分类算法 | 第47-65页 |
| ·基于改进LBP和DLA的纹理特征提取 | 第47-52页 |
| ·局部二值模式(Local Binary Patterns,LBP) | 第47-49页 |
| ·基于单一分块的LBP特征提取 | 第49页 |
| ·DLA(Discriminative Locality Alignmen) | 第49-51页 |
| ·改进LBP和DLA混合模式特征提取流程 | 第51-52页 |
| ·基于改进ELM的图像分类算法 | 第52-56页 |
| ·准确在线连续极限学习机(Accurate Online Sequential ELM) | 第53-54页 |
| ·AOS-ELM算法流程 | 第54-56页 |
| ·仿真实验及结果分析 | 第56-64页 |
| ·图像特征提取方法对比实验结果分析 | 第57-58页 |
| ·图像分类对比实验结果分析 | 第58-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 个人简历 | 第71-72页 |
| 在学期间的研究成果及发表的学术论文 | 第72页 |
