基于多特征结合与支持向量机集成的噪声检测与图像去噪
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-14页 |
| ·选题背景及研究意义 | 第8-9页 |
| ·研究现状及发展趋势 | 第9-12页 |
| ·数字图像去噪的研究现状 | 第9-10页 |
| ·支持向量机集成的研究现状 | 第10-11页 |
| ·发展趋势 | 第11-12页 |
| ·研究内容和组织结构 | 第12-14页 |
| 2 数字图像与图像去噪基础 | 第14-20页 |
| ·数字图像基础 | 第14-15页 |
| ·数字图像的表示方法 | 第14页 |
| ·空间与灰度级分辨率 | 第14-15页 |
| ·图像去噪基础 | 第15-19页 |
| ·图像去噪原理 | 第15-16页 |
| ·噪声 | 第16-17页 |
| ·传统的图像去噪方法 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 3 支持向量机与集成学习 | 第20-31页 |
| ·统计学习理论的核心内容 | 第20-22页 |
| ·VC 维 | 第20-21页 |
| ·推广性的界 | 第21-22页 |
| ·结构风险最小化 | 第22页 |
| ·支持向量机 | 第22-27页 |
| ·支持向量分类机 | 第23-25页 |
| ·支持向量回归机 | 第25-26页 |
| ·核函数 | 第26-27页 |
| ·集成学习 | 第27-30页 |
| ·集成学习的基本理论 | 第27-28页 |
| ·支持向量机集成 | 第28-29页 |
| ·Bagging 算法的基本原理 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 4 基于多特征结合与支持向量机的图像去噪 | 第31-56页 |
| ·基于多特征结合与支持向量机的图像去噪方法 | 第31页 |
| ·多特征 | 第31-35页 |
| ·灰度特征 | 第31-33页 |
| ·纹理特征 | 第33页 |
| ·椒盐噪声特征 | 第33-34页 |
| ·方向信息测度 | 第34页 |
| ·邻域差分统计特征 | 第34-35页 |
| ·基于多特征结合与支持向量机的图像去噪实验 | 第35-54页 |
| ·实验平台及SVM 分类器的选择 | 第35页 |
| ·实验对象 | 第35-37页 |
| ·实验结果评价标准 | 第37-38页 |
| ·去噪步骤 | 第38页 |
| ·多特征提取 | 第38-39页 |
| ·样本的选择 | 第39-40页 |
| ·分类模型与回归模型的构造及模型参数的选择 | 第40页 |
| ·实验结果的对比与分析 | 第40-54页 |
| ·本章小结 | 第54-56页 |
| 5 基于多特征结合与支持向量机集成的图像去噪 | 第56-71页 |
| ·基于多特征结合与支持向量机集成的图像去噪方法 | 第56-58页 |
| ·支持向量机集成分类器的构成方法 | 第58页 |
| ·基于多特征结合与支持向量机集成的图像去噪实验 | 第58-70页 |
| ·实验平台及实验相关工作 | 第58-59页 |
| ·去噪步骤 | 第59页 |
| ·实验结果的对比与分析 | 第59-70页 |
| ·本章小结 | 第70-71页 |
| 6 结论 | 第71-73页 |
| ·本文工作总结 | 第71-72页 |
| ·未来工作展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 附录 | 第78页 |
