| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第7-13页 |
| ·图像检索技术的发展和现状 | 第7-8页 |
| ·基于文本的图像检索 | 第7-8页 |
| ·基于内容的图像检索 | 第8页 |
| ·国内外研究热点 | 第8-11页 |
| ·已存在的图像检索系统 | 第11-12页 |
| ·主要研究内容 | 第12-13页 |
| 第二章 EM算法的基本原理 | 第13-25页 |
| ·EM算法 | 第13-14页 |
| ·EM算法的含义 | 第13页 |
| ·EM算法的参数估计过程 | 第13-14页 |
| ·高斯混合模型的EM算法的实现 | 第14-19页 |
| ·预备知识 | 第14-16页 |
| ·EM算法推导 | 第16-19页 |
| ·基于EM算法的聚类分析 | 第19-25页 |
| ·基于EM算法的聚类 | 第19-21页 |
| ·BYY学习系统和调和方程 | 第21-22页 |
| ·改进的EM算法 | 第22-23页 |
| ·BYY调和分裂准则 | 第23-24页 |
| ·基于BYY的尺度增加EM算法 | 第24-25页 |
| 第三章 改进的EM算法在图像检索中的应用 | 第25-33页 |
| ·引言 | 第25-26页 |
| ·相关研究存在的问题及本文方法的基本思路 | 第26-27页 |
| ·本文方法描述 | 第27-29页 |
| ·贝叶斯相关反馈算法 | 第27-28页 |
| ·判断是否达到最优 | 第28页 |
| ·EM裂项算法 | 第28-29页 |
| ·实验 | 第29-32页 |
| ·对比算法的选择 | 第29页 |
| ·数据集的选择 | 第29-30页 |
| ·实验安排 | 第30-31页 |
| ·结果与分析 | 第31-32页 |
| ·结论与展望 | 第32-33页 |
| 第四章 结合SVM的改进的EM算法在图像检索中的应用 | 第33-47页 |
| ·统计学习理论 | 第33页 |
| ·线性SVM | 第33-36页 |
| ·线性可分模式的最优超平面的推导过程 | 第34-35页 |
| ·推导最大间隔 | 第35页 |
| ·求最大间隔 | 第35-36页 |
| ·非线性SVM | 第36-38页 |
| ·相关研究及存在的问题 | 第38页 |
| ·本文算法描述 | 第38-41页 |
| ·算法原理 | 第38-39页 |
| ·算法设计 | 第39-41页 |
| ·实验 | 第41-45页 |
| ·对比算法的选择 | 第41页 |
| ·数据集的选择 | 第41页 |
| ·实验安排 | 第41-44页 |
| ·结果与分析 | 第44-45页 |
| ·结论与展望 | 第45-47页 |
| 第五章 总结与展望 | 第47-49页 |
| ·总结 | 第47-48页 |
| ·展望 | 第48-49页 |
| 参考文献 | 第49-54页 |
| 作者简介 | 第54-55页 |
| 致谢 | 第55页 |