| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究的目的和意义 | 第9页 |
| 1.2 场景图像的分类应用 | 第9-10页 |
| 1.3 国内外研究进展 | 第10-11页 |
| 1.4 主要研究内容 | 第11-12页 |
| 1.5 论文章节安排 | 第12-13页 |
| 第二章 场景图像分类基本原理 | 第13-24页 |
| 2.1 Bag of Words模型在图像中应用 | 第13-16页 |
| 2.2 图像底层局部特征的表示 | 第16-17页 |
| 2.3 图像的高层局部特征表示原理 | 第17-19页 |
| 2.3.1 视觉词典编码原理 | 第17-18页 |
| 2.3.2 金字塔匹配模型原理 | 第18-19页 |
| 2.4 训练分类器 | 第19-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 底层局部特征提取算法的优化 | 第24-35页 |
| 3.1 SIFT特征描述子 | 第24-29页 |
| 3.1.1 尺度空间的构建 | 第24-26页 |
| 3.1.2 尺度空间中关键点确定 | 第26-28页 |
| 3.1.3 生成关键点的描述子 | 第28-29页 |
| 3.2 基于密集尺度不变特征变换的局部特征提取优化 | 第29-31页 |
| 3.3 实验结果及分析 | 第31-34页 |
| 3.3.1 数据集介绍 | 第31-32页 |
| 3.3.2 实验结果 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 高层局部特征提取算法的优化 | 第35-45页 |
| 4.1 视觉词典的构造 | 第35-39页 |
| 4.1.1 k-means构建初始词典 | 第35-36页 |
| 4.1.2 稀疏编码的实现 | 第36-39页 |
| 4.2 池化算法的优化 | 第39-42页 |
| 4.2.1 在图像中应用金字塔匹配模型 | 第39-40页 |
| 4.2.2 基于SPM的最优池化算法确定 | 第40-42页 |
| 4.3 实验结果 | 第42-44页 |
| 4.3.1 视觉词典参数优化结果 | 第42-43页 |
| 4.3.2 池化算法优化结果 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于空间的全局颜色特征算法的优化 | 第45-54页 |
| 5.1 颜色特征的提取 | 第45-48页 |
| 5.1.1 颜色空间 | 第45-47页 |
| 5.1.2 颜色特征的量化 | 第47页 |
| 5.1.3 颜色特征的表示 | 第47-48页 |
| 5.2 基于空间的颜色特征优化 | 第48-51页 |
| 5.2.1 颜色空间金字塔的构建 | 第49-50页 |
| 5.2.2 基于特征提取的场景图像算法优化框架 | 第50-51页 |
| 5.3 实验的结果和分析 | 第51-52页 |
| 5.3.1 不同颜色层级下的实验结果 | 第51页 |
| 5.3.2 彩色图像与非彩色图像准确率的对比 | 第51-52页 |
| 5.4 整体实验结果及分析 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |