采用稀疏表示的大规模图像检索技术研究
| 中文摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第1章 绪论 | 第11-21页 |
| ·研究背景及意义 | 第11-12页 |
| ·基于内容的图像检索 | 第12-15页 |
| ·基于内容的图像检索框架 | 第12-14页 |
| ·基于内容的图像检索的热点和难点 | 第14-15页 |
| ·相关技术的国内外研究现状 | 第15-18页 |
| ·基于内容的图像检索研究现状 | 第15-17页 |
| ·图像分类研究现状 | 第17页 |
| ·大规模图像数据处理研究现状 | 第17-18页 |
| ·本文的主要研究工作 | 第18-21页 |
| ·研究内容及贡献 | 第18-20页 |
| ·本文的结构安排 | 第20-21页 |
| 第2章 图像特征描述与融合研究 | 第21-42页 |
| ·图像特征 | 第21-25页 |
| ·颜色特征 | 第22-23页 |
| ·纹理特征 | 第23-24页 |
| ·形状特征 | 第24-25页 |
| ·基于相对误差距离的优化颜色匹配算法 | 第25-30页 |
| ·颜色空间的选用 | 第25-27页 |
| ·改进的主颜色匹配方法 | 第27-30页 |
| ·基于 NSCT 的空频多特征纹理表示方法 | 第30-38页 |
| ·Contourlet 简介 | 第30-33页 |
| ·基于 NSCT 的高频特征提取 | 第33-36页 |
| ·采用灰度共生矩阵的低频特征提取 | 第36-38页 |
| ·多特征融合和匹配研究 | 第38-41页 |
| ·纹理特征内的归一化与匹配 | 第39-40页 |
| ·颜色与纹理特征的融合 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第3章 采用稀疏表示的图像分类方法 | 第42-55页 |
| ·常用图像分类方法 | 第42-45页 |
| ·贝叶斯分类方法 | 第42-43页 |
| ·决策树分类方法 | 第43页 |
| ·人工神经网络分类方法 | 第43-44页 |
| ·SVM 分类方法 | 第44页 |
| ·遗传算法 | 第44-45页 |
| ·一种采用稀疏表示的图像分类方法 | 第45-51页 |
| ·稀疏表示 | 第45-47页 |
| ·本文的图像分类框架 | 第47-48页 |
| ·稀疏表示分类器的使用 | 第48-51页 |
| ·实验及结果分析 | 第51-54页 |
| ·稀疏字典的构建和分类分析 | 第51-53页 |
| ·本文分类方法的对比分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第4章 大规模图像数据检索技术实现 | 第55-72页 |
| ·基于层次 K 均值的图像聚类方法 | 第55-58页 |
| ·图像聚类分析方法 | 第55-56页 |
| ·采用 K 均值聚类的层次图像聚类方法 | 第56-58页 |
| ·图像聚类并行计算的实现 | 第58-60页 |
| ·存在问题和解决方案 | 第58-59页 |
| ·采用并行计算的图像聚类方法 | 第59-60页 |
| ·实验及结果分析 | 第60-70页 |
| ·实验数据及实验环境 | 第60-61页 |
| ·相似度匹配方法和评价方法 | 第61-63页 |
| ·颜色描述方法的实验和分析 | 第63-65页 |
| ·纹理描述方法的实验和分析 | 第65-67页 |
| ·大规模检索实验设计和分析 | 第67-70页 |
| ·本章小结 | 第70-72页 |
| 第5章 总结与展望 | 第72-75页 |
| ·工作总结 | 第72-73页 |
| ·工作创新 | 第73页 |
| ·工作展望 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 攻读学位期间公开发表的论文与参与的科研项目 | 第80-81页 |
| 致谢 | 第81-82页 |
