基于SVM的图像内容分析算法设计
| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题背景 | 第9-10页 |
| ·机器学习 | 第9页 |
| ·统计学习理论和支持向量机 | 第9-10页 |
| ·支持向量机的应用优势 | 第10-12页 |
| ·作者工作及论文安排 | 第12-14页 |
| ·作者工作 | 第12页 |
| ·论文安排 | 第12-14页 |
| 第二章 支持向量机的基本原理 | 第14-27页 |
| ·机器学习 | 第14-19页 |
| ·机器学习系统的基本模型 | 第14-15页 |
| ·机器学习的主要学习算法 | 第15-19页 |
| ·统计学理论 | 第19-23页 |
| ·统计学习方法概述 | 第19-21页 |
| ·统计学习理论 | 第21页 |
| ·VC 维 | 第21-22页 |
| ·推广性的界 | 第22页 |
| ·结构风险最小化 | 第22-23页 |
| ·支持向量机 | 第23-26页 |
| ·线性分类器 | 第23页 |
| ·最大间隔超平面 | 第23-25页 |
| ·支持向量机 | 第25-26页 |
| ·核函数 | 第26页 |
| ·本章小结 | 第26-27页 |
| 第三章 应用支持向量机的视频字幕检测分类器设计 | 第27-46页 |
| ·视频字幕检测中引入支持向量机方法的依据 | 第27-28页 |
| ·视频字幕检测算法设计 | 第28-29页 |
| ·建立视频字幕检测分类器的特征分析 | 第29-35页 |
| ·角点密度特征 | 第29-31页 |
| ·边缘强度比特征 | 第31页 |
| ·小波分解 | 第31-34页 |
| ·灰度共生矩阵特征 | 第34-35页 |
| ·支持向量机在视频字幕检测模型中的应用 | 第35-39页 |
| ·训练样本的选择 | 第36-38页 |
| ·训练核函数的选择 | 第38页 |
| ·c、g 参数的寻优 | 第38-39页 |
| ·应用训练模型对输入图片进行预测 | 第39-41页 |
| ·实验结果与分析 | 第41-45页 |
| ·实验环境与实验测试数据 | 第41-42页 |
| ·实验结果分析 | 第42-43页 |
| ·本文算法与其他算法的比较 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 应用支持向量机的图像主体显著性判断方法 | 第46-56页 |
| ·主体显著性判断中引入支持向量机方法的依据 | 第47页 |
| ·主体视觉显著性模型算法设计 | 第47-48页 |
| ·建立视觉显著度分类模型的特征分析 | 第48-51页 |
| ·颜色特征提取 | 第48-49页 |
| ·梯度特征提取 | 第49页 |
| ·纹理特征提取 | 第49-50页 |
| ·视觉显著图提取 | 第50-51页 |
| ·支持向量机在视觉显著度分类模型中的应用 | 第51-53页 |
| ·训练样本的选择 | 第51-52页 |
| ·训练模型的参数确定 | 第52页 |
| ·应用训练模型对输入图片进行预测 | 第52-53页 |
| ·实验结果与分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| ·总结 | 第56-57页 |
| ·展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 发表论文和参加科研情况说明 | 第61-62页 |
| 致谢 | 第62页 |
