基于多特征的图像分类决策树生成方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-19页 |
| ·选题背景 | 第9-10页 |
| ·研究现状 | 第10-15页 |
| ·图像处理 | 第10-11页 |
| ·数据分类 | 第11-14页 |
| ·决策树的生成算法 | 第14-15页 |
| ·关键问题及研究思路 | 第15-18页 |
| ·研究问题的描述 | 第15-17页 |
| ·课题研究思路 | 第17-18页 |
| ·本文工作安排 | 第18-19页 |
| 第二章 面向分类的图像特征 | 第19-29页 |
| ·图像特征提取与分类 | 第19-20页 |
| ·图像颜色特征 | 第20-23页 |
| ·颜色空间 | 第20-21页 |
| ·颜色特征的量化 | 第21-23页 |
| ·图像纹理特征 | 第23-25页 |
| ·Tamura纹理特征 | 第23-24页 |
| ·基于共生矩阵的纹理表示 | 第24-25页 |
| ·图像形状特征 | 第25-27页 |
| ·几何常量特征 | 第25-26页 |
| ·形状轮廓矩特征 | 第26-27页 |
| ·图像特征分析 | 第27-28页 |
| ·图像底层特征总结 | 第27页 |
| ·图像特征与分类 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 决策树分类特征选择 | 第29-39页 |
| ·一般决策树分类特征选择指标 | 第29-30页 |
| ·信息增益 | 第29页 |
| ·基尼指数 | 第29-30页 |
| ·缺点分析 | 第30页 |
| ·分类的特征关系 | 第30-32页 |
| ·单个类的特征值分布 | 第30-31页 |
| ·类间的特征关系 | 第31-32页 |
| ·分类误差 | 第32-34页 |
| ·分类误差的定义 | 第32-33页 |
| ·误差分割点的设定 | 第33-34页 |
| ·类间误差分析表 | 第34页 |
| ·图像特征的匹配 | 第34-35页 |
| ·抽象的符号特征 | 第35页 |
| ·数字化特征 | 第35页 |
| ·分类特征的选取 | 第35-38页 |
| ·共同特征和个性特征 | 第35-36页 |
| ·分类相关特征定义 | 第36-37页 |
| ·分类无关特征的剔除 | 第37页 |
| ·分类冗余特征 | 第37-38页 |
| ·特征的划分能力 | 第38页 |
| ·基于样本整体分布的特征选取指标 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于样本整体分布的决策树算法 | 第39-50页 |
| ·数据分类 | 第39-40页 |
| ·分类器的构造 | 第39页 |
| ·分类方法的评价标准 | 第39-40页 |
| ·分类器的错误率 | 第40页 |
| ·决策树算法改进 | 第40-43页 |
| ·基本过程 | 第40-41页 |
| ·最优算法 | 第41页 |
| ·改进的特征选取函数 | 第41-42页 |
| ·性能分析 | 第42-43页 |
| ·决策树的分析 | 第43-44页 |
| ·特征选取函数的优化 | 第43页 |
| ·对象的增减 | 第43-44页 |
| ·分类规则的提取 | 第44-47页 |
| ·两个特征两个类的分类规则 | 第44-46页 |
| ·多特征两个类的分类规则 | 第46页 |
| ·多特征多个类的分类规则 | 第46-47页 |
| ·先验知识的引入 | 第47-49页 |
| ·先验特征 | 第47-48页 |
| ·启发式分类特征选择 | 第48-49页 |
| ·启发式分类规则 | 第49页 |
| ·本章小结 | 第49-50页 |
| 第五章 图像分类的应用 | 第50-63页 |
| ·实验平台 | 第50页 |
| ·实例分析 | 第50-62页 |
| ·图像特征提取 | 第51-57页 |
| ·决策树生成 | 第57-60页 |
| ·先验知识引入 | 第60-61页 |
| ·分类结果分析 | 第61-62页 |
| ·算法评价 | 第62页 |
| ·本章小结 | 第62-63页 |
| 第六章 总结及展望 | 第63-65页 |
| ·工作总结 | 第63页 |
| ·展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间的主要研究成果 | 第69页 |
