| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 目录 | 第10-13页 |
| 1 绪论 | 第13-25页 |
| ·研究背景与意义 | 第13-14页 |
| ·国内外研究现状 | 第14-20页 |
| ·中国画图像的低层视觉特征提取及表示 | 第15-16页 |
| ·中国画图像的自动分类 | 第16-19页 |
| ·相关的自然图像场景分类算法研究 | 第19-20页 |
| ·该领域存在的主要问题 | 第20-22页 |
| ·研究内容与成果 | 第22-24页 |
| ·论文主要内容与结构安排 | 第24-25页 |
| 2 中国画图像库的构建及介绍 | 第25-33页 |
| ·中国画的发展简介 | 第25-27页 |
| ·中国画图像数字化样本的来源 | 第27-28页 |
| ·中国画数字化图像的语义分类 | 第28-29页 |
| ·标准观察者的组成 | 第29-30页 |
| ·中国画数字化图像管理信息系统简介 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 3 基于矩阵分解的中国画图像显著区域提取 | 第33-47页 |
| ·问题描述 | 第33-35页 |
| ·现有工作介绍与分析 | 第35-37页 |
| ·基于低秩矩阵分解的显著性分析 | 第37-42页 |
| ·低秩矩阵分解理论与显著性关系 | 第37-39页 |
| ·著性分析算法 | 第39-42页 |
| ·实验结果及分析 | 第42-46页 |
| ·数据集和实验设置 | 第42-43页 |
| ·实验结果 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 4 基于语义视觉词包模型的中国画图像分类算法 | 第47-75页 |
| ·问题描述 | 第47-48页 |
| ·现有工作介绍与分析 | 第48-51页 |
| ·自然图像场景分类相关算法 | 第48-49页 |
| ·中国画图像自动分类相关算法 | 第49-51页 |
| ·基于语义视觉词包模型的中国画图像表示及分类 | 第51-64页 |
| ·传统视觉词包模型表示算法分析 | 第53-57页 |
| ·一种简单高效的显著图生成算法 | 第57-59页 |
| ·融合显著性与有监督学习的中国画图像语义词包模型表示 | 第59-64页 |
| ·实验结果分析 | 第64-72页 |
| ·数据集和实验设置 | 第64-66页 |
| ·实验结果分析 | 第66-72页 |
| ·本章小结 | 第72-75页 |
| 5 基于结构化的中国画图像分类 | 第75-101页 |
| ·引言 | 第75-76页 |
| ·相关工作介绍 | 第76-78页 |
| ·基于全局特征算法 | 第76-77页 |
| ·基于局部特征算法 | 第77页 |
| ·存在的问题 | 第77-78页 |
| ·中国画图像的结构化分析 | 第78-87页 |
| ·留白提取 | 第78-80页 |
| ·题跋提取 | 第80-82页 |
| ·印章提取 | 第82-87页 |
| ·基于多任务联合稀疏表示的中国画图像分类 | 第87-95页 |
| ·各结构部分的特征提取 | 第88-93页 |
| ·基于多任务联合稀疏表示的中国画图像分类算法框架 | 第93-95页 |
| ·实验结果与分析 | 第95-99页 |
| ·结构化分析实验 | 第95-98页 |
| ·中国画图像分类实验 | 第98-99页 |
| ·本章小结 | 第99-101页 |
| 6 工作总结与展望 | 第101-105页 |
| ·工作总结 | 第101-102页 |
| ·进一步的工作 | 第102-103页 |
| ·展望 | 第103-105页 |
| 参考文献 | 第105-113页 |
| 攻读博士学位期间发表的学术论文 | 第113-115页 |
| 攻读博士学位期间的其它相关成果 | 第115-119页 |
| 学位论文数据集 | 第119页 |