| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和研究意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 数字图像质量评价研究现状 | 第13-14页 |
| 1.2.2 支持向量机发展概述 | 第14-16页 |
| 1.3 研究内容和论文组织结构 | 第16-17页 |
| 1.3.1 研究内容 | 第16页 |
| 1.3.2 论文组织结构 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第二章 相关理论和技术概述 | 第18-32页 |
| 2.1 机器学习理论 | 第18-22页 |
| 2.1.1 机器学习的相关学科背景 | 第18页 |
| 2.1.2 学习问题的一般表述 | 第18-20页 |
| 2.1.3 常用的机器学习方法 | 第20-22页 |
| 2.2 支持向量机理论 | 第22-28页 |
| 2.2.1 线性支持向量机 | 第22-24页 |
| 2.2.2 非线性支持向量机 | 第24-26页 |
| 2.2.3 核函数 | 第26-28页 |
| 2.2.4 SVM学习算法步骤 | 第28页 |
| 2.3 视频图像故障诊断相关技术 | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 图像故障特征的提取 | 第32-42页 |
| 3.1 图像清晰度故障特征的提取 | 第32-37页 |
| 3.1.1 常用的图像清晰度评价函数 | 第32-34页 |
| 3.1.2 图像清晰度故障特征的表示 | 第34-36页 |
| 3.1.3 图像清晰度故障特征提取实验 | 第36-37页 |
| 3.2 图像色偏故障特征的提取 | 第37-41页 |
| 3.2.1 常用的图像色偏评价方法 | 第37-38页 |
| 3.2.2 图像色偏故障特征的表示 | 第38-40页 |
| 3.2.3 图像色偏故障特征提取实验 | 第40-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 基于SVM的视频图像故障识别模型 | 第42-55页 |
| 4.1 SVM的模型选择问题 | 第42-44页 |
| 4.1.1 核函数选择 | 第42页 |
| 4.1.2 核参数选择 | 第42页 |
| 4.1.3 多类分类问题 | 第42-44页 |
| 4.2 基于SVM的视频图像故障识别模型的设计与实验 | 第44-50页 |
| 4.2.1 基于SVM的图像故障识别模型的设计 | 第44-47页 |
| 4.2.2 基于SVM的图像故障识别模型的实验结果分析 | 第47-50页 |
| 4.3 基于SVM的图像故障识别模型在视频故障识别中的应用 | 第50-54页 |
| 4.3.1 视频故障识别处理流程 | 第50-51页 |
| 4.3.2 视频故障识别实验结果与分析 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于SVM的视频图像故障识别系统的设计与实现 | 第55-65页 |
| 5.1 基于SVM的视频图像故障识别系统框架设计 | 第55-56页 |
| 5.2 系统开发环境介绍 | 第56-57页 |
| 5.3 图像故障特征提取的实现 | 第57-58页 |
| 5.3.1 图像清晰度故障特征提取的实现 | 第57-58页 |
| 5.3.2 图像色偏故障特征提取的实现 | 第58页 |
| 5.4 基于SVM的视频图像故障识别模型的实现 | 第58-61页 |
| 5.4.1 特征归一化的实现 | 第58页 |
| 5.4.2 网格搜索参数选优的实现 | 第58-60页 |
| 5.4.3 模型更新的实现 | 第60页 |
| 5.4.4 视频故障识别的实现 | 第60-61页 |
| 5.5 系统实现效果 | 第61-64页 |
| 5.6 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65页 |
| 6.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 在校期间发表的论文、科研成果等 | 第70-71页 |
| 致谢 | 第71页 |
