基于支持向量机的图像分割方法的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 前言 | 第8-12页 |
| ·课题的提出、目的及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·本文的主要工作和行文结构 | 第10-12页 |
| 第二章 统计学习理论 | 第12-22页 |
| ·机器学习的基本问题 | 第12-15页 |
| ·机器学习问题的表示 | 第12-13页 |
| ·经验风险最小化 | 第13-14页 |
| ·复杂性与推广能力 | 第14-15页 |
| ·统计学习理论 | 第15-18页 |
| ·学习机器的VC 维 | 第15-16页 |
| ·推广性的界 | 第16-17页 |
| ·结构风险最小化 | 第17-18页 |
| ·最优化问题及其基本理论 | 第18-21页 |
| ·最优化问题 | 第19-20页 |
| ·KKT 条件 | 第20页 |
| ·对偶理论 | 第20-21页 |
| ·小结 | 第21-22页 |
| 第三章 支持向量机 | 第22-32页 |
| ·支持向量机的基本思想 | 第22-23页 |
| ·支持向量机 | 第23-30页 |
| ·线性支持向量机 | 第23-24页 |
| ·非线性支持向量机 | 第24-26页 |
| ·算法实现 | 第26-29页 |
| ·支持向量机方法的特点 | 第29-30页 |
| ·支持向量机算法研究 | 第30-31页 |
| ·小结 | 第31-32页 |
| 第四章 图像分割概述 | 第32-38页 |
| ·图像分割定义 | 第32页 |
| ·图像分割方法简介 | 第32-35页 |
| ·基于边缘的分割技术 | 第33页 |
| ·基于区域特性的分割技术 | 第33-34页 |
| ·基于特定理论的分割技术 | 第34-35页 |
| ·指纹图像与背景区域分割方法简介 | 第35-37页 |
| ·小结 | 第37-38页 |
| 第五章 基于支持向量机的指纹图像的分割方法 | 第38-59页 |
| ·特征提取 | 第38-45页 |
| ·块对比度计算及初分割 | 第38-42页 |
| ·块灰度均值计算 | 第42页 |
| ·块灰度方差 | 第42页 |
| ·块梯度一致性 | 第42-43页 |
| ·块主能量比 | 第43-45页 |
| ·分类 | 第45-52页 |
| ·定义分类器 | 第45页 |
| ·样本选择 | 第45-47页 |
| ·SVM 模型参数的确定 | 第47-50页 |
| ·特征选择 | 第50-51页 |
| ·形态学后处理 | 第51-52页 |
| ·算法流程 | 第52-55页 |
| ·实验结果 | 第55-58页 |
| ·小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间取得的学术成果 | 第64-65页 |
| 致谢 | 第65页 |
