自然景物识别(一)--毕业论文.doc
约72页DOC格式手机打开展开
自然景物识别(一)--毕业论文,自然景物识别（一）--毕业论文本资料共包括了毕业论文，答辩ppt，中英文翻译，程序代码四个部分，此为其中的论文部分1。72页2。2万多一点字3。摘要：近年来，基于内容图像搜索的课题逐渐成为机器学习和模式识别的热点及难点，并逐步开始被广泛应用，其中就涉及到了自然景物识别。本文就这个问题展开研究。首先在绪论部分介绍了背景知...
内容介绍
此文档由会员 forsake0120 发布
自然景物识别（一）--毕业论文
本资料共包括了毕业论文，答辩PPT，中英文翻译，程序代码四个部分，此为其中的论文部分
1。72页
2。2万多一点字
3。摘要：
近年来，基于内容图像搜索的课题逐渐成为机器学习和模式识别的热点及难点，并逐步开始被广泛应用，其中就涉及到了自然景物识别。本文就这个问题展开研究。
首先在绪论部分介绍了背景知识以及部分基本概念，然后介绍了一种基于mean shift算法的图像分割算法及其优缺点，随后提出了改进方法，在第四章介绍了k-means聚类算法并提出了不足，随后介绍了一种基于k-means的无监督学习聚类，第五章着重介绍了利用互信息的特征选择算法，并在随后介绍了一种基于A*算法的图编辑距离的算法以及支撑向量机的使用。
在每一个章节，均详细的介绍了该算法的理论依据并加以说明，而后以程序流程的方式说明了本文中程序的编写方式，最后在实验章节得出结论。
本文在文中对几个重点算法（图像分割算法，聚类算法以及图编辑距离算法）进行了比较细致的讨论，并利用支撑向量机所得出的结论印证算法的可靠性并指出不足，为以后的研究明确了方向。
关键词：自然景物识别，图像分割，无监督学习的k-means聚类，图编辑距离
4。目录：
摘要 1
ABSTRACT 2
1.绪论 6
1.1 开发背景及应用 6
1.2 编程软件介绍 7
1.3 基本概念 7
2． 程序概述 9
2.1 方法概要 9
2.2 主要流程 10
3． 图像分割及其算法 12
3.1 分割的预处理 12
3.1.1 meanshiftsmooth 12
3.1.2 滤波函数 12
3.2 图像分割算法 13
3.2.1 mean shift分割理论 13
3.2.2 mean shift的算法流程及解释 14
3.2.3 选择区域的理论及算法流程 16
3.2.4 吞噬内部区域理论 18
3.2.5 吞噬内部区域算法 19
3.3 重复分割理论与流程 20
4.1 统计算法 22
4.2 类聚算法理论及流程： 23
4.2.1 k-means算法理论： 23
4.2.2基本流程： 24
4.2.3 缺点 25
4.3 无监督类聚算法理论 26
4.3.1 概述： 26
4.3.2 聚类有效性的判断规则 26
4.3.3 聚类数确定 27
4.4 无监督类聚算法流程 28
4.5 熵与特征选择 29
4.5.1 区域词典 29
4.5.2 区域词典的结构及建立 29
4.5.3 熵: 30
4.5.4 条件熵 31
4.5.5联合熵 31
4.5.6 熵的特性 31
4.5.7 信息量的计算 31
4.5.8 信息量的用途 32
4.5.9 边合并的原则 32
4.6 特征选择算法 32
5． 图核及其算法 34
5.1 A*（A-STAR）算法简述 34
5.1.1 A*算法介绍 34
5.1.2 A*算法主要搜索过程： 34
5.1.3 分析： 35
5.2 图编辑距离 35
5.3 图编辑距离算法 36
5.3.1 算法简述 36
5.3.2 p,g(p),h(p)的定义： 37
5.3.3 open, close,cost三个集合的定义与结构 38
5.3.4 g(p),h(p)的衡量： 38
5.3.5 搜索树的构造 39
5.3.6 算法流程： 40
5.4 边的操作及算法 43
5.4.1 边的操作 43
5.4.2 开销的计算 43
5.4.3 算法流程 43
5.5 产生图核矩阵的算法 44
5.5.1 图核的结构 44
5.5.2 核矩阵的修正 45
5.5.3 算法流程 45
6.支持向量机（SUPPORT VECTOR MACHINES）技术简介 47
6.1支撑向量机简介 47
6.2支撑向量机方法介绍 48
6.3核函数 50
6.4 支撑向量机的特点 51
6.5 支撑向量机的研究现状 52
6.5.1 支持向量机的理论研究 52
6.5.2 支持向量机的训练算法 52
6.5.3 支撑向量机的应用及发展方向 52
7.实验结果 54
7.1 图像分割 54
7.2 非监督K-MEANS算法 58
7.3 图的构造 59
7.4 图编辑距离 61
7.5边操作 63
7.6支撑向量机 65
7.6.1 产生核矩阵的过程 65
7.6.2 支撑向量机 66
结论 70
图像分割总结 70
非监督学习总结 70
图编辑距离总结 70
致谢 71
参考文献 72
关键词：自然景物识别，图像分割，无监督学习的k-means聚类，图编辑距离
参考文献：
[1]冈萨雷斯等，数字图像处理（第二版）[M]. 第一版，电子工业出版社
[2] Bertrand Le Saux and Horst Bunke. Feature Selection for Graph-Based Image Classifiers[J] J.S. Marques et al.(Eds.): IbPRIA 2005, LNCS 3523, pp. 147-154, 2005
[3] Le Saux, B., Boujemaa, N.: Unsupervised robust clustering for image database categorization. In: Proceedings of ICPR, Quebec, Canada (2002) 259–262
[4] Le Saux, B., Amato, G.: Image recognition for digital libraries. In: ACM Multimedia/International Workshop on Multimedia Information Retrieval. (2004)
[5]张莉，孙钢，郭军. 基于K-均值聚类的无监督的特征选择方法[J]. 计算机应用，第三期，23-24,42
[6]Kaspar Riesen and Horst Bunke. Approximate graph edit distance computation by means of bipartite graph matching[J]. Image and Vision Computing, Volume 27, Issue 7, 4 June 2009, Pages 950-959
[7]伊怀锋，黄贤武. 基于均值偏移的彩色图像分割方法. 计算机应用 Vol 26 No.7 2006. 1605-1606,1610
论文都是自己写的，程序也都是自己写的，大家支持一下。刚刚答辩完不是写手，请大家放心。
排版什么的都修改好了，可以直接用。
本资料共包括了毕业论文，答辩PPT，中英文翻译，程序代码四个部分，此为其中的论文部分
1。72页
2。2万多一点字
3。摘要：
近年来，基于内容图像搜索的课题逐渐成为机器学习和模式识别的热点及难点，并逐步开始被广泛应用，其中就涉及到了自然景物识别。本文就这个问题展开研究。
首先在绪论部分介绍了背景知识以及部分基本概念，然后介绍了一种基于mean shift算法的图像分割算法及其优缺点，随后提出了改进方法，在第四章介绍了k-means聚类算法并提出了不足，随后介绍了一种基于k-means的无监督学习聚类，第五章着重介绍了利用互信息的特征选择算法，并在随后介绍了一种基于A*算法的图编辑距离的算法以及支撑向量机的使用。
在每一个章节，均详细的介绍了该算法的理论依据并加以说明，而后以程序流程的方式说明了本文中程序的编写方式，最后在实验章节得出结论。
本文在文中对几个重点算法（图像分割算法，聚类算法以及图编辑距离算法）进行了比较细致的讨论，并利用支撑向量机所得出的结论印证算法的可靠性并指出不足，为以后的研究明确了方向。
关键词：自然景物识别，图像分割，无监督学习的k-means聚类，图编辑距离
4。目录：
摘要 1
ABSTRACT 2
1.绪论 6
1.1 开发背景及应用 6
1.2 编程软件介绍 7
1.3 基本概念 7
2． 程序概述 9
2.1 方法概要 9
2.2 主要流程 10
3． 图像分割及其算法 12
3.1 分割的预处理 12
3.1.1 meanshiftsmooth 12
3.1.2 滤波函数 12
3.2 图像分割算法 13
3.2.1 mean shift分割理论 13
3.2.2 mean shift的算法流程及解释 14
3.2.3 选择区域的理论及算法流程 16
3.2.4 吞噬内部区域理论 18
3.2.5 吞噬内部区域算法 19
3.3 重复分割理论与流程 20
4.1 统计算法 22
4.2 类聚算法理论及流程： 23
4.2.1 k-means算法理论： 23
4.2.2基本流程： 24
4.2.3 缺点 25
4.3 无监督类聚算法理论 26
4.3.1 概述： 26
4.3.2 聚类有效性的判断规则 26
4.3.3 聚类数确定 27
4.4 无监督类聚算法流程 28
4.5 熵与特征选择 29
4.5.1 区域词典 29
4.5.2 区域词典的结构及建立 29
4.5.3 熵: 30
4.5.4 条件熵 31
4.5.5联合熵 31
4.5.6 熵的特性 31
4.5.7 信息量的计算 31
4.5.8 信息量的用途 32
4.5.9 边合并的原则 32
4.6 特征选择算法 32
5． 图核及其算法 34
5.1 A*（A-STAR）算法简述 34
5.1.1 A*算法介绍 34
5.1.2 A*算法主要搜索过程： 34
5.1.3 分析： 35
5.2 图编辑距离 35
5.3 图编辑距离算法 36
5.3.1 算法简述 36
5.3.2 p,g(p),h(p)的定义： 37
5.3.3 open, close,cost三个集合的定义与结构 38
5.3.4 g(p),h(p)的衡量： 38
5.3.5 搜索树的构造 39
5.3.6 算法流程： 40
5.4 边的操作及算法 43
5.4.1 边的操作 43
5.4.2 开销的计算 43
5.4.3 算法流程 43
5.5 产生图核矩阵的算法 44
5.5.1 图核的结构 44
5.5.2 核矩阵的修正 45
5.5.3 算法流程 45
6.支持向量机（SUPPORT VECTOR MACHINES）技术简介 47
6.1支撑向量机简介 47
6.2支撑向量机方法介绍 48
6.3核函数 50
6.4 支撑向量机的特点 51
6.5 支撑向量机的研究现状 52
6.5.1 支持向量机的理论研究 52
6.5.2 支持向量机的训练算法 52
6.5.3 支撑向量机的应用及发展方向 52
7.实验结果 54
7.1 图像分割 54
7.2 非监督K-MEANS算法 58
7.3 图的构造 59
7.4 图编辑距离 61
7.5边操作 63
7.6支撑向量机 65
7.6.1 产生核矩阵的过程 65
7.6.2 支撑向量机 66
结论 70
图像分割总结 70
非监督学习总结 70
图编辑距离总结 70
致谢 71
参考文献 72
关键词：自然景物识别，图像分割，无监督学习的k-means聚类，图编辑距离
参考文献：
[1]冈萨雷斯等，数字图像处理（第二版）[M]. 第一版，电子工业出版社
[2] Bertrand Le Saux and Horst Bunke. Feature Selection for Graph-Based Image Classifiers[J] J.S. Marques et al.(Eds.): IbPRIA 2005, LNCS 3523, pp. 147-154, 2005
[3] Le Saux, B., Boujemaa, N.: Unsupervised robust clustering for image database categorization. In: Proceedings of ICPR, Quebec, Canada (2002) 259–262
[4] Le Saux, B., Amato, G.: Image recognition for digital libraries. In: ACM Multimedia/International Workshop on Multimedia Information Retrieval. (2004)
[5]张莉，孙钢，郭军. 基于K-均值聚类的无监督的特征选择方法[J]. 计算机应用，第三期，23-24,42
[6]Kaspar Riesen and Horst Bunke. Approximate graph edit distance computation by means of bipartite graph matching[J]. Image and Vision Computing, Volume 27, Issue 7, 4 June 2009, Pages 950-959
[7]伊怀锋，黄贤武. 基于均值偏移的彩色图像分割方法. 计算机应用 Vol 26 No.7 2006. 1605-1606,1610
论文都是自己写的，程序也都是自己写的，大家支持一下。刚刚答辩完不是写手，请大家放心。
排版什么的都修改好了，可以直接用。
