| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究意义和目的 | 第7页 |
| 1.2 国内外研究现状 | 第7-8页 |
| 1.3 纹理分析应用 | 第8-9页 |
| 1.4 本文研究内容及结构 | 第9-11页 |
| 第二章 纹理分析方法综述 | 第11-21页 |
| 2.1 纹理基本概念 | 第11-13页 |
| 2.1.1 纹理定义 | 第11-12页 |
| 2.1.2 纹理特性 | 第12-13页 |
| 2.2 纹理特征提取方法 | 第13-18页 |
| 2.2.1 边缘直方图 | 第13-14页 |
| 2.2.2 Gibbs-MRF随机场模型 | 第14-15页 |
| 2.2.3 Gabor滤波器 | 第15-16页 |
| 2.2.4 小波变换 | 第16-18页 |
| 2.3 图像分类方法 | 第18-21页 |
| 2.3.1 距离度量法 | 第18-19页 |
| 2.3.2 K-近邻(KNN) | 第19-20页 |
| 2.3.3 决策树(Decision Tree) | 第20页 |
| 2.3.4 神经网络(Neural Network) | 第20页 |
| 2.3.5 支持向量机(SVM) | 第20-21页 |
| 第三章 纹理特征提取 | 第21-35页 |
| 3.1 引言 | 第21页 |
| 3.2 对数极坐标变换 | 第21-23页 |
| 3.3 共生矩阵特征 | 第23-30页 |
| 3.3.1 灰度共生矩阵 | 第23-25页 |
| 3.3.2 灰度-梯度共生矩阵 | 第25-30页 |
| 3.4 统计几何特征 | 第30-35页 |
| 3.4.1 连通区域统计 | 第30-32页 |
| 3.4.2 二值图像分割和特征提取 | 第32-35页 |
| 第四章 SVM多分类算法研究 | 第35-42页 |
| 4.1 引言 | 第35页 |
| 4.2 支持向量机分类原理 | 第35-40页 |
| 4.2.1 线性可分情况 | 第35-37页 |
| 4.2.2 线性不可分情况 | 第37-38页 |
| 4.2.3 非线性可分情况 | 第38-39页 |
| 4.2.4 核函数及参数 | 第39-40页 |
| 4.3 多分类器算法 | 第40-41页 |
| 4.4 小结 | 第41-42页 |
| 第五章 实验结果及算法比较 | 第42-56页 |
| 5.1 实验纹理库 | 第42-43页 |
| 5.2 样本特征提取 | 第43-44页 |
| 5.3 SVM二分类结果 | 第44-45页 |
| 5.4 SVM粗分类结果 | 第45-46页 |
| 5.5 SVM细分类结果 | 第46-55页 |
| 5.5.1 实验部分一 | 第47-51页 |
| 5.5.2 实验部分二 | 第51-55页 |
| 5.6 小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |