| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·图像分类的研究背景与意义 | 第10页 |
| ·图像语义层次模型 | 第10-12页 |
| ·图像语义的提取方法 | 第12-14页 |
| ·对象和空间关系语义的提取方法 | 第12-13页 |
| ·场景和行为语义提取 | 第13-14页 |
| ·情感语义提取 | 第14页 |
| ·图像语义表示法 | 第14-16页 |
| ·文本表示法 | 第15页 |
| ·基于人工智能的知识表示法 | 第15页 |
| ·MPEG-7 | 第15-16页 |
| ·本文的研究内容与章节安排 | 第16-17页 |
| 第二章 基于语义的图像分类 | 第17-22页 |
| ·图像分类研究现状 | 第17-18页 |
| ·本文采用的语义建模方法 | 第18-21页 |
| ·图像网格分割 | 第19-20页 |
| ·局部图像语义的提取 | 第20页 |
| ·空间上下文关系优化语义判决 | 第20页 |
| ·局部语义到全图语义的映射 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 图像低层特征提取 | 第22-41页 |
| ·颜色特征提取 | 第22-26页 |
| ·RGB色彩空间和HSV色彩空间 | 第22-24页 |
| ·基于HSV空间的颜色直方图特征提取 | 第24-26页 |
| ·颜色矩特征提取 | 第26页 |
| ·纹理特征提取 | 第26-37页 |
| ·Tamura特征提取 | 第27-30页 |
| ·Gabor特征提取 | 第30-33页 |
| ·灰度共生矩阵特征提取 | 第33-37页 |
| ·形状特征提取 | 第37-40页 |
| ·边缘方向直方图特征提取 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 Adaboost分类算法 | 第41-50页 |
| ·Adaboost分类算法概述 | 第41-43页 |
| ·Adaboost分类算法简介 | 第41-42页 |
| ·Adaboost分类算法性能分析 | 第42-43页 |
| ·Adaboost分类算法实现 | 第43-49页 |
| ·Adaboost两类分类算法实现 | 第43-46页 |
| ·Adaboost多类分类算法实现 | 第46-47页 |
| ·弱分类器设计 | 第47-49页 |
| ·Adaboost分类器结合投票算法 | 第49页 |
| ·本章小结 | 第49-50页 |
| 第五章 空间上下文关系优化及全图语义提取 | 第50-58页 |
| ·语义滤波规则 | 第51-52页 |
| ·sky-water水平分界线规则 | 第52-53页 |
| ·天空的相对位置规则 | 第53-55页 |
| ·提取局部语义分布特征 | 第55-57页 |
| ·统计局部语义占整幅图像的百分比 | 第55页 |
| ·按“上-中-下”统计局部语义所占百分比 | 第55-56页 |
| ·按“中心-四周”统计局部语义所占百分比 | 第56-57页 |
| ·三种局部语义百分比提取方法的综合 | 第57页 |
| ·本章小结 | 第57-58页 |
| 第六章 系统实验结果及分析 | 第58-73页 |
| ·系统开发环境 | 第58页 |
| ·实验准备 | 第58-60页 |
| ·局部图像识别结果及分析 | 第60-65页 |
| ·Adaboost多类分类器与Adaboost两两分类+投票算法比较 | 第61-62页 |
| ·Adaboost算法和SVM算法比较 | 第62-63页 |
| ·局部图像识别率分析 | 第63-65页 |
| ·空间上下文关系优化效果 | 第65-67页 |
| ·全图识别结果及分析 | 第67-72页 |
| ·四种提取局部语义概率特征方法的比较 | 第67-69页 |
| ·全图识别率分析 | 第69-72页 |
| ·本章小结 | 第72-73页 |
| 结论 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |