| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·图像分类概述 | 第7-11页 |
| ·图像分类的应用前景 | 第7-8页 |
| ·图像分类的研究难点 | 第8-9页 |
| ·图像分类的研究方法和现状 | 第9-11页 |
| ·有关图像分类的图像特征空间学习方法概述 | 第11-12页 |
| ·论文研究内容及章节安排 | 第12-13页 |
| 第二章 图像分类的相关技术 | 第13-23页 |
| ·基于高斯差分算子的图像描述子特征 | 第13-16页 |
| ·稀疏编码 | 第16-17页 |
| ·空间金字塔最大化池 | 第17-19页 |
| ·图像分类的分类方法 | 第19-20页 |
| ·图像分类的数据集 | 第20-22页 |
| ·Caltech-101 数据集 | 第20-21页 |
| ·Caltech-256 数据集 | 第21-22页 |
| ·15-Scenes 数据集 | 第22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于局部化高斯埃尔米特矩的图像描述子 | 第23-33页 |
| ·基于局部化高斯埃尔米特矩的图像轮廓特征提取 | 第23-28页 |
| ·高斯埃尔米特多项式 | 第24-25页 |
| ·高斯埃尔米特矩 | 第25页 |
| ·局部化的高斯埃尔米特矩 | 第25-28页 |
| ·基于局部化高斯埃尔米特矩的图像描述子构建 | 第28-29页 |
| ·基于局部化高斯埃尔米特矩的 SIFT 描述子 | 第28-29页 |
| ·基于局部化高斯埃尔米特矩的 KDES 描述子 | 第29页 |
| ·实验过程及参数设置 | 第29-30页 |
| ·实验结果 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于非负性和相关性约束的稀疏编码 | 第33-45页 |
| ·非负矩阵分解 | 第33-34页 |
| ·图拉普拉斯算子 | 第34页 |
| ·基于非负性约束和相关性约束的稀疏编码 | 第34-40页 |
| ·非负字典学习 | 第34-39页 |
| ·拉普拉斯非负稀疏编码 | 第39-40页 |
| ·参数选择及实验结果 | 第40-44页 |
| ·参数选择 | 第41-42页 |
| ·实验结果 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 基于稀疏编码的自适应加权空间金字塔最大化池 | 第45-53页 |
| ·加权空间金字塔 | 第45-46页 |
| ·自适应加权空间金字塔最大化池方法框架 | 第46-47页 |
| ·自适应权值的设置 | 第47-49页 |
| ·实验及结果 | 第49-51页 |
| ·本章小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| ·总结 | 第53-54页 |
| ·展望 | 第54-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 硕士期间成果 | 第61-62页 |