基于改进词袋模型的图像分类算法
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-12页 |
| 1.3 本文研究工作 | 第12-13页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 研究方法 | 第13页 |
| 1.4 论文结构及创新点 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 基于词袋模型的图像分类技术 | 第15-23页 |
| 2.1 词袋模型 | 第15-18页 |
| 2.1.1 词袋模型背景简介 | 第15-17页 |
| 2.1.2 词袋模型的构建 | 第17-18页 |
| 2.2 SVM支持向量机 | 第18-21页 |
| 2.2.1 SVM简介 | 第18页 |
| 2.2.2 SVM原理 | 第18-20页 |
| 2.2.3 SVM核函数 | 第20-21页 |
| 2.3 图像的SVM分类识别 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于BSIFT的图像匹配 | 第23-36页 |
| 3.1 SIFT算法简介 | 第23-24页 |
| 3.2 尺度空间极值点检测 | 第24-26页 |
| 3.3 特征点的精确定位 | 第26-27页 |
| 3.4 特征点方向分配 | 第27页 |
| 3.5 特征描述 | 第27-28页 |
| 3.6 BSIFT技术 | 第28-31页 |
| 3.7 实验结果及分析 | 第31-35页 |
| 3.8 本章小结 | 第35-36页 |
| 第4章 基于高鉴别力SIFT特征的视觉单词构建 | 第36-44页 |
| 4.1 Fisher线性判别分析 | 第36-37页 |
| 4.1.1 Fisher线性判别简介 | 第36页 |
| 4.1.2 Fisher判别法原理 | 第36-37页 |
| 4.2 K-means算法简介 | 第37-38页 |
| 4.3 图像的视觉单词构建 | 第38-42页 |
| 4.3.1 SIFT特征点鉴别力计算 | 第38-40页 |
| 4.3.2 高鉴别力SIFT特征点筛选 | 第40-42页 |
| 4.4 图像的视觉单词直方图表示 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 基于最小生成树的视觉词组构建 | 第44-58页 |
| 5.1 KNN算法简介 | 第44页 |
| 5.2 图像的视觉词组构建 | 第44-49页 |
| 5.2.1 最小生成树算法简介 | 第44-46页 |
| 5.2.2 构建高鉴别力SIFT特征点对 | 第46-49页 |
| 5.3 图像的视觉词组直方图表示 | 第49-50页 |
| 5.4 确定最优权值及联合直方图构建 | 第50-53页 |
| 5.5 图像的SVM分类识别 | 第53-55页 |
| 5.6 实验结果及分析 | 第55-57页 |
| 5.7 本章小结 | 第57-58页 |
| 第6章 结论与展望 | 第58-60页 |
| 6.1 结论 | 第58-59页 |
| 6.2 进一步工作的方向 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读学位期间取得的研究成果 | 第65-66页 |
| 致谢 | 第66页 |
