基于支持向量机的边缘检测算法研究
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-8页 |
| 1 绪论 | 第8-18页 |
| ·图像边缘检测概论 | 第8-14页 |
| ·图像边缘检测的研究背景及意义 | 第8-9页 |
| ·图像边缘检测的基本概念 | 第9-10页 |
| ·图像边缘检测方法的发展过程及研究现状 | 第10-12页 |
| ·图像边缘检测的一般步骤 | 第12-14页 |
| ·边缘检测中常出现的问题 | 第14页 |
| ·实验选用的图像 | 第14-15页 |
| ·论文选题的目的和意义 | 第15-16页 |
| ·论文的主要研究内容及结构安排 | 第16-18页 |
| ·主要研究内容 | 第16页 |
| ·论文结构安排 | 第16-18页 |
| 2 图像边缘检测基本理论与方法 | 第18-37页 |
| ·引言 | 第18-19页 |
| ·边缘检测算法经典算子的理论介绍 | 第19-22页 |
| ·梯度理论 | 第19-21页 |
| ·卷积运算 | 第21-22页 |
| ·传统边缘检测算法 | 第22-31页 |
| ·基于灰度直方图的阈值法边缘检测 | 第22页 |
| ·基于梯度的边缘检测 | 第22-26页 |
| ·Laplacian 边缘算子和LOG 边缘算子 | 第26-27页 |
| ·几种传统的微分算子各自性能特点的比较 | 第27-31页 |
| ·沈俊算子 | 第31页 |
| ·Canny 边缘检测算子 | 第31-35页 |
| ·多尺度边缘检测算子 | 第35页 |
| ·本章小结 | 第35-37页 |
| 3 支持向量机理论基础 | 第37-49页 |
| ·引言 | 第37-38页 |
| ·支持向量机原理 | 第38-42页 |
| ·线性可分问题 | 第38-39页 |
| ·线性不可分问题 | 第39-41页 |
| ·核函数 | 第41-42页 |
| ·支持向量机的性质 | 第42-43页 |
| ·C-支持向量分类机 | 第43-44页 |
| ·C-支持向量分类机原理 | 第43页 |
| ·C-支持向量分类机算法 | 第43-44页 |
| ·ε－支持向量回归机 | 第44-45页 |
| ·ε－支持向量回归机原理 | 第44-45页 |
| ·ε－支持向量回归机算法 | 第45页 |
| ·最小二乘支持向量机 | 第45-47页 |
| ·最小二乘支持向量分类机原理及算法 | 第45-46页 |
| ·最小二乘支持向量回归机原理及算法 | 第46-47页 |
| ·最小二乘支持向量机的性质 | 第47页 |
| ·其他类型的支持向量机 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 4 多尺度自适应滤波器及双阈值的选取 | 第49-56页 |
| ·引言 | 第49-50页 |
| ·高斯滤波参数及滤波尺度的设置 | 第50-53页 |
| ·实验结果 | 第51-53页 |
| ·双阈值的选取 | 第53-55页 |
| ·实验结果 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 5 基于支持向量机的图像边缘检测 | 第56-72页 |
| ·传统的基于LS-SVM 的图像边缘检测 | 第56-58页 |
| ·LS-SVM 拟合图像的原理 | 第56页 |
| ·图像的梯度算子与零交叉算子的计算 | 第56-58页 |
| ·基于PSVM 的边缘检测算法 | 第58-62页 |
| ·PSVM 的原理与算法 | 第58-60页 |
| ·PSVM 在边缘检测中的应用 | 第60-62页 |
| ·基于支持向量分类机(SVC)的边缘检测 | 第62-64页 |
| ·本文实施方案流程图 | 第64页 |
| ·算法描述 | 第64-65页 |
| ·实验及结果分析 | 第65-71页 |
| ·本章小结 | 第71-72页 |
| 6 结论 | 第72-74页 |
| ·总结 | 第72页 |
| ·展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 附录 | 第78-79页 |
