基于语义的图像分类研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-16页 |
| ·研究背景和意义 | 第11页 |
| ·图像检索技术的发展 | 第11-14页 |
| ·基于文本的图像检索 | 第11-12页 |
| ·基于内容的图像检索 | 第12-13页 |
| ·基于语义的图像检索 | 第13-14页 |
| ·论文的主要工作 | 第14-15页 |
| ·论文的组织结构 | 第15-16页 |
| 第2章 图像语义概述 | 第16-21页 |
| ·图像的语义层次 | 第16-17页 |
| ·图像语义表示 | 第17-18页 |
| ·图像语义提取 | 第18-21页 |
| 第3章 数字图像特征提取 | 第21-30页 |
| ·颜色特征提取 | 第21-25页 |
| ·颜色直方图 | 第22-24页 |
| ·累积颜色直方图 | 第24页 |
| ·颜色矩 | 第24-25页 |
| ·纹理特征提取 | 第25-27页 |
| ·形状特征提取 | 第27-29页 |
| ·特征归一化 | 第29-30页 |
| 第4章 特征选择 | 第30-37页 |
| ·特征选择的四个要素 | 第30-32页 |
| ·搜索起点 | 第30-31页 |
| ·搜索策略 | 第31-32页 |
| ·评估方法 | 第32页 |
| ·特征选择的终止条件 | 第32页 |
| ·改进的SFFS算法 | 第32-34页 |
| ·实验和结论 | 第34-37页 |
| 第5章 基于特征选择和支持向量机的图像语义分类 | 第37-58页 |
| ·统计学习理论 | 第37-39页 |
| ·支持向量机 | 第39-44页 |
| ·最优分类超平面 | 第39-41页 |
| ·广义最优分类超平面 | 第41-42页 |
| ·非线性支持向量机 | 第42页 |
| ·核函数 | 第42-43页 |
| ·多分类SVM | 第43-44页 |
| ·基于特征选择和支持向量机的图像分类 | 第44-51页 |
| ·支持向量机参数确定 | 第44-45页 |
| ·不同特征子集下分类效果比较 | 第45-51页 |
| ·基于反馈的增量学习 | 第51-58页 |
| ·支持向量集的概念和特点 | 第52页 |
| ·增量学习过程中支持向量集的变化 | 第52-53页 |
| ·增量学习中训练样本的选择 | 第53-56页 |
| ·图像语义分类系统中的增量学习 | 第56-58页 |
| 第6章 图像语义分类原型系统实现 | 第58-65页 |
| ·原型系统结构和界面 | 第58-62页 |
| ·原型系统分类实验 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 结论与展望 | 第65-67页 |
| 1. 本文总结 | 第65页 |
| 2. 进一步的工作 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间发表的论文 | 第73页 |
