生物视觉启发下的特征提取和目标分类方法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-9页 |
| 序 | 第9-12页 |
| 1 引言 | 第12-16页 |
| ·课题的研究背景 | 第12-13页 |
| ·课题的研究意义 | 第13-14页 |
| ·课题的相关研究 | 第14页 |
| ·课题的主要研究内容 | 第14-16页 |
| 2 模拟生物皮层的算法模型改进机理 | 第16-24页 |
| ·视觉处理信号过程 | 第16-23页 |
| ·输入图像预处理 | 第18-19页 |
| ·模拟视皮层ST模型的基本层次 | 第19-23页 |
| ·ST模型原有平台 | 第23页 |
| ·小结 | 第23-24页 |
| 3 ST算法结构设计与实现 | 第24-29页 |
| ·ST模型结构图 | 第24页 |
| ·图像预处理部分 | 第24-25页 |
| ·提取随机的C1特征模块 | 第25-27页 |
| ·初始化C2Gabor滤波器 | 第27页 |
| ·提取C2的特征模块 | 第27-28页 |
| ·组合提取特征 | 第28页 |
| ·小结 | 第28-29页 |
| 4 ST模型中的算法研究 | 第29-38页 |
| ·Gabor滤波器算法理论介绍 | 第29-30页 |
| ·傅立叶变换函数 | 第30-31页 |
| ·二维Gabor滤波器分析 | 第31-32页 |
| ·Gabor变换的实践研究 | 第32-34页 |
| ·Gabor滤波器应用中的优缺点 | 第34-35页 |
| ·在ST算法模型中的应用 | 第35页 |
| ·ST模型中的卷积算法 | 第35-37页 |
| ·小结 | 第37-38页 |
| 5 基于支持向量机的目标分类应用 | 第38-53页 |
| ·SVM原理与参数选取 | 第38-42页 |
| ·最优分类面 | 第38-39页 |
| ·线性可分 | 第39-40页 |
| ·SVM中函数与参数的选取 | 第40页 |
| ·核函数的选取 | 第40-41页 |
| ·实验参数的选取 | 第41-42页 |
| ·SVM数据结构及类库选用 | 第42-46页 |
| ·基于支持向量机的目标分类实验结果 | 第46-52页 |
| ·小结 | 第52-53页 |
| 6 ST模型实现及性能优化 | 第53-59页 |
| ·硬件平台 | 第53页 |
| ·软件平台构成 | 第53-57页 |
| ·算法模型编写总结 | 第57-58页 |
| ·小结 | 第58-59页 |
| 7 结论 | 第59-60页 |
| ·结论 | 第59页 |
| ·展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 作者简历 | 第62-64页 |
| 学位论文数据集 | 第64页 |
