基于支持向量机与集成学习的纹理合成及分类
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 1 绪论 | 第10-14页 |
| ·课题研究背景及现状 | 第10-12页 |
| ·本研究工作的内容 | 第12-13页 |
| ·本研究的创新点 | 第13-14页 |
| 2 文献综述 | 第14-25页 |
| ·相似性度量 | 第14-15页 |
| ·二维纹理合成 | 第15-20页 |
| ·基于点合成的二维纹理合成 | 第15-17页 |
| ·基于片合成的二维纹理合成 | 第17-20页 |
| ·模式识别简介 | 第20-25页 |
| ·特征提取和选择 | 第20-21页 |
| ·分类器 | 第21-23页 |
| ·纹理分类概述 | 第23-25页 |
| 3 基于支持向量机和多种子块的纹理合成算法 | 第25-44页 |
| ·基于支持向量机的纹理合成 | 第25-30页 |
| ·支持向量机 | 第25-28页 |
| ·基于支持向量机的二维纹理合成 | 第28-30页 |
| ·基于支持向量机和多种子块的二维纹理合成 | 第30-35页 |
| ·三维表面纹理合成 | 第35-43页 |
| ·朗伯模型和3I 方法 | 第36-40页 |
| ·三维表面纹理合成步骤 | 第40-41页 |
| ·实验结果 | 第41-43页 |
| ·结论 | 第43-44页 |
| 4 基于 SVM 的三维表面纹理分类 | 第44-49页 |
| ·纹理分类简介 | 第44-45页 |
| ·纹理特征提取方法 | 第44-45页 |
| ·纹理分类方法 | 第45页 |
| ·基于SVM 的纹理分类方法 | 第45-49页 |
| ·纹理特征提取 | 第45-47页 |
| ·分类实验结果 | 第47-48页 |
| ·结论 | 第48-49页 |
| 5 基于 Bagging 集成学习方法的特征选择 | 第49-59页 |
| ·集成学习 | 第49-53页 |
| ·集成学习简介 | 第49-50页 |
| ·集成学习方法分类 | 第50-53页 |
| ·Bagging 集成学习方法 | 第53-54页 |
| ·Bagging 方法 | 第53页 |
| ·分类回归树 | 第53-54页 |
| ·基于Bagging 的特征选择 | 第54-58页 |
| ·特征选择 | 第54-55页 |
| ·实验结果 | 第55-58页 |
| ·结论 | 第58-59页 |
| 6 总结及展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 个人简历 | 第65页 |
| 发表的学术论文 | 第65页 |
