| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1. 课题的背景和意义 | 第11-13页 |
| 1.2. 国内外研究现状 | 第13-17页 |
| 1.3. 本文的研究工作及创新之处 | 第17-18页 |
| 1.4. 本文的组织结构 | 第18-19页 |
| 第二章 相关工作 | 第19-35页 |
| 2.1. 特征提取 | 第19-29页 |
| 2.1.1. 边缘检测 | 第20-21页 |
| 2.1.2. 纹理特征提取 | 第21-25页 |
| 2.1.3. 主成分分析 | 第25-26页 |
| 2.1.4. 线性判别分析 | 第26-27页 |
| 2.1.5. 基于流形学习的方法 | 第27-29页 |
| 2.2. 分类方法 | 第29-31页 |
| 2.2.1. K近邻算法 | 第30页 |
| 2.2.2. 人工神经网络 | 第30-31页 |
| 2.2.3. 支持向量机 | 第31页 |
| 2.2.4. 贝叶斯判别 | 第31页 |
| 2.3. 超图 | 第31-35页 |
| 2.3.1. 超图结构 | 第32页 |
| 2.3.2. 超图的构建方法 | 第32-35页 |
| 第三章 基于超图结构的流形学习算法 | 第35-39页 |
| 3.1. 弹性网络超图的构建 | 第35-36页 |
| 3.2. 基于超图结构的局部保持投影算法 | 第36-39页 |
| 第四章 实验验证 | 第39-53页 |
| 4.1. 数据集介绍 | 第39-42页 |
| 4.2. 对比实验 | 第42-53页 |
| 4.2.1. 与基于特征提取的分类方法比较 | 第42-46页 |
| 4.2.1.1. HLPP VS基于形状的特征提取算法 | 第43-44页 |
| 4.2.1.2. HLPP VS基于纹理的特征提取算法 | 第44-46页 |
| 4.2.2. 与基于图的降维算法比较 | 第46-53页 |
| 第五章 总结与展望 | 第53-57页 |
| 5.1. 总结 | 第53-54页 |
| 5.2. 展望 | 第54-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-64页 |