摘要 | 第4-6页 |
abstract | 第6-7页 |
第1章 绪论 | 第12-21页 |
1.1 课题来源 | 第12页 |
1.2 课题研究背景与意义 | 第12-14页 |
1.3 相关领域国内外研究现状 | 第14-18页 |
1.3.1 图像着色技术国内外研究现状 | 第14-17页 |
1.3.2 图像压缩技术国内外研究现状 | 第17-18页 |
1.4 论文的研究内容及结构 | 第18-21页 |
第2章 基于机器学习的图像色度分量预测算法研究 | 第21-29页 |
2.1 机器学习概述 | 第21-22页 |
2.2 改进的LapRLS算法的理论推导 | 第22-27页 |
2.2.1 拉普拉斯正则化最小二乘法 | 第22-25页 |
2.2.2 流形学习的方差最小化 | 第25-26页 |
2.2.3 基于监督学习的预测误差最小化算法 | 第26-27页 |
2.3 本文算法的关键技术 | 第27-28页 |
2.4 本章小结 | 第28-29页 |
第3章 基于LapRLS改进的图像着色算法研究 | 第29-58页 |
3.1 着色问题概述 | 第29-37页 |
3.1.1 颜色及效果评价 | 第29-33页 |
3.1.2 典型的基于颜色扩散的着色方法 | 第33-37页 |
3.2 半监督学习及核方法映射 | 第37-45页 |
3.2.1 半监督学习与监督学习 | 第37-43页 |
3.2.2 基于核方法的映射 | 第43-45页 |
3.3 基于监督学习的改进型图像着色算法 | 第45-50页 |
3.3.1 基于监督学习的改进型LapRLS图像着色算法 | 第45-49页 |
3.3.2 基于KPCA映射的优化算法 | 第49-50页 |
3.4 着色实验及分析 | 第50-57页 |
3.4.1 着色实验设计 | 第50-52页 |
3.4.2 实验结果及分析 | 第52-57页 |
3.5 本章小结 | 第57-58页 |
第4章 改进的基于LapRLS图像压缩算法研究 | 第58-71页 |
4.1 图像压缩概述 | 第58-60页 |
4.1.1 图像压缩原理 | 第58-59页 |
4.1.2 有损和无损压缩方法 | 第59页 |
4.1.3 压缩方法评价 | 第59-60页 |
4.2 基于监督学习LapRLS算法的改进型图像压缩算法 | 第60-64页 |
4.2.1 传统算法 | 第60-61页 |
4.2.2 基于监督学习压缩算法的模型设计 | 第61-62页 |
4.2.3 基于监督学习压缩算法的实现 | 第62-64页 |
4.3 图像压缩实验及结果分析 | 第64-70页 |
4.3.1 压缩实验设计 | 第64-65页 |
4.3.2 实验结果及分析 | 第65-70页 |
4.4 本章小结 | 第70-71页 |
第5章 全文总结与展望 | 第71-73页 |
5.1 全文总结 | 第71-72页 |
5.2 工作展望 | 第72-73页 |
致谢 | 第73-74页 |
参考文献 | 第74-78页 |
攻读硕士学位期间的研究成果 | 第78页 |