基于支持向量机的图像分割研究综述
| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-21页 |
| ·课题背景 | 第8-9页 |
| ·图像分割综述 | 第9-19页 |
| ·图像分割的定义 | 第9-10页 |
| ·图像分割相关概念 | 第10-14页 |
| ·图像分割技术介绍 | 第14-19页 |
| ·图像分割的发展趋势 | 第19页 |
| ·支持向量机概述 | 第19-20页 |
| ·本论文的主要工作和章节安排 | 第20-21页 |
| 第二章 统计学习理论 | 第21-29页 |
| ·机器学习 | 第21-24页 |
| ·机器学习问题描述 | 第21-23页 |
| ·经验风险 | 第23-24页 |
| ·学习过程一致性 | 第24-25页 |
| ·推广性的界 | 第25页 |
| ·VC维 | 第25-26页 |
| ·结构风险最小化 | 第26-28页 |
| ·结构风险最小化 | 第26-27页 |
| ·SRM原则的实现 | 第27-28页 |
| ·小结 | 第28-29页 |
| 第三章 支持向量机 | 第29-42页 |
| ·支持向量机基本思想 | 第29-36页 |
| ·线性可分的最优分类面 | 第29-33页 |
| ·线性不可分的最优分类面 | 第33-34页 |
| ·支持向量机 | 第34-36页 |
| ·支持向量机的基本算法 | 第36-40页 |
| ·问题的描述 | 第36-37页 |
| ·优化问题的停止条件 | 第37-38页 |
| ·实现算法 | 第38-40页 |
| ·支持向量机方法的特点 | 第40-41页 |
| ·小结 | 第41-42页 |
| 第四章 基于支持向量机的图像分割 | 第42-60页 |
| ·基于SVM的图像分割 | 第43-51页 |
| ·分割样本图 | 第43页 |
| ·输入空间 | 第43-44页 |
| ·训练样本获取 | 第44页 |
| ·模型及窗口尺度选择 | 第44-50页 |
| ·训练样本数对分割性能的影响 | 第50-51页 |
| ·模糊权重支持向量机 | 第51-55页 |
| ·最小二乘支持向量机 | 第55-58页 |
| ·LS-SVM算法 | 第56页 |
| ·LS-SVM的Lagrange算法 | 第56-57页 |
| ·LS-SVM稀疏化 | 第57-58页 |
| ·LS-SVM的图像分割 | 第58页 |
| ·其它支持向量机方法 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 结束语 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66页 |
