| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1 绪论 | 第10-14页 |
| ·课题研究背景及现状 | 第10-12页 |
| ·论文主要内容安排 | 第12-13页 |
| ·论文主要创新点 | 第13-14页 |
| 2 文献综述 | 第14-23页 |
| ·纹理的分析方法 | 第14-15页 |
| ·相似性度量 | 第15-16页 |
| ·机器学习 | 第16-18页 |
| ·模式识别 | 第18-23页 |
| ·特征提取和选择 | 第19-20页 |
| ·分类器 | 第20-23页 |
| 3 三维表面纹理表示 | 第23-27页 |
| ·朗伯模型和光度立体 | 第24-25页 |
| ·三维表面纹理数据获取 | 第25-27页 |
| 4 基于SVM 和ADABOOST 的三维表面纹理分类 | 第27-46页 |
| ·基于小波包分解的特征提取 | 第27-32页 |
| ·小波变换 | 第27-28页 |
| ·小波包分解 | 第28-29页 |
| ·小波包提取特征 | 第29-31页 |
| ·小波包提取特征算法及实验结果 | 第31-32页 |
| ·基于SVM 的分类方法 | 第32-39页 |
| ·广义最优分类面 | 第32-34页 |
| ·支持向量机 | 第34-35页 |
| ·核函数 | 第35-36页 |
| ·多值分类支持向量机 | 第36-37页 |
| ·生成训练集 | 第37-38页 |
| ·SVM 分类算法主要过程 | 第38-39页 |
| ·ADABOOST 方法纹理分类 | 第39-43页 |
| ·Boosting 策略 | 第39-40页 |
| ·Adaboost 算法原理 | 第40-42页 |
| ·Adaboost 算法在本实验中的应用 | 第42-43页 |
| ·分类实验结果 | 第43-45页 |
| ·结论 | 第45-46页 |
| 5 光照方向判断 | 第46-64页 |
| ·特征提取 | 第46-49页 |
| ·Haar 特征 | 第46-48页 |
| ·改进的Active Haar 特征 | 第48-49页 |
| ·基于ACTIVE HAAR 特征提取方法 | 第49-55页 |
| ·Gabor 滤波器 | 第49-51页 |
| ·Active Basis 的模型表示 | 第51-53页 |
| ·Shared Matching Pursuit 算法及实验结果 | 第53-55页 |
| ·光照方向特征提取 | 第55-59页 |
| ·实验结果和结论 | 第59-64页 |
| 6 总结及展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 个人简历 | 第70-71页 |
| 发表的学术论文 | 第71页 |