图像语义自动标注过程研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-20页 |
| 1.1 图像语义自动标注技术的研究背景及意义 | 第9-12页 |
| 1.2 图像语义自动标注过程研究热点 | 第12-13页 |
| 1.3 语义自动标注模型研究现状 | 第13-18页 |
| 1.3.1 基于生成模型的图像标注 | 第14-16页 |
| 1.3.2 基于判别模型的图像标注 | 第16-17页 |
| 1.3.3 其它图像标注模型 | 第17-18页 |
| 1.4 本文主要研究工作 | 第18-19页 |
| 1.5 本文内容安排 | 第19-20页 |
| 2 自动标注预处理过程相关算法综述 | 第20-32页 |
| 2.1 基于颜色的特征提取 | 第20-24页 |
| 2.2 基于纹理的特征提取 | 第24-27页 |
| 2.3 基于形状的特征提取 | 第27-31页 |
| 2.3.1 Hu矩 | 第27-29页 |
| 2.3.2 小波轮廓描述子 | 第29-31页 |
| 2.4 本文视觉特征的选择 | 第31-32页 |
| 3 改进的 2D视觉特征聚类分析 | 第32-44页 |
| 3.1 聚类分析基本理论和研究现状 | 第32-34页 |
| 3.1.1 划分聚类法 | 第32-33页 |
| 3.1.2 凝聚型层次方法 | 第33页 |
| 3.1.3 基于混合密度的方法 | 第33-34页 |
| 3.1.4 基于密度和网格的方法 | 第34页 |
| 3.2 基于类内类间距离的特征加权算法 | 第34-39页 |
| 3.2.1 基于类内类间距离的特征加权算法 | 第35-37页 |
| 3.2.2 评价准则 | 第37页 |
| 3.2.3 实验分析 | 第37-39页 |
| 3.3 基于 2D的聚类算法 | 第39-44页 |
| 3.3.1 回顾并分析K-means算法 | 第39页 |
| 3.3.2 基于 2D聚类算法分析 | 第39-44页 |
| 4 基于语义再聚类算法和语义提取 | 第44-62页 |
| 4.1 语义再聚类算法 | 第45-51页 |
| 4.1.1 CMRM概率模型 | 第46-48页 |
| 4.1.2 基于语义的再聚类算法 | 第48-51页 |
| 4.2 SR算法和语义标注 | 第51-55页 |
| 4.2.1 SR显著度分析 | 第53-54页 |
| 4.2.2 基于再聚类和SR的语义标注 | 第54-55页 |
| 4.3 基于Apriori算法的图像语义提取 | 第55-62页 |
| 4.3.1 基于概率分布函数的标注选择 | 第55-57页 |
| 4.3.2 语义关联规则简介 | 第57-58页 |
| 4.3.3 语义关联规则挖掘算法 | 第58-62页 |
| 5 实验结果与分析 | 第62-66页 |
| 5.1 数据库 | 第62页 |
| 5.2 评价指标 | 第62-63页 |
| 5.3 实验结果 | 第63-66页 |
| 6 总结与展望 | 第66-68页 |
| 6.1 论文总结 | 第66-67页 |
| 6.2 展望未来 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73页 |
