| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 空间目标识别技术概述 | 第11-13页 |
| 1.2.2 图像分类识别技术国内外研究现状 | 第13-15页 |
| 1.3 论文的主要工作与结构安排 | 第15-18页 |
| 1.3.1 论文主要工作 | 第15-16页 |
| 1.3.2 论文结构安排 | 第16-18页 |
| 第二章 图像分类中局部特征建模的关键技术 | 第18-32页 |
| 2.1 局部特征提取 | 第18-22页 |
| 2.1.1 局部特征检测和描述 | 第18-19页 |
| 2.1.2 SIFT特征 | 第19-22页 |
| 2.2 图像的局部特征建模方法 | 第22-28页 |
| 2.2.1 传统词袋模型 | 第22-25页 |
| 2.2.2 稀疏编码 | 第25-27页 |
| 2.2.3 空间金子塔匹配 | 第27-28页 |
| 2.3 分类器 | 第28-29页 |
| 2.4 空间目标图像数据库 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于密集SIFT特征和稀疏编码的图像分类 | 第32-47页 |
| 3.1 密集SIFT特征 | 第32-34页 |
| 3.2 词典生成模型 | 第34-37页 |
| 3.3 稀疏编码的正交匹配追踪算法 | 第37-41页 |
| 3.3.0 基于l_1范数正则化的稀疏编码模型 | 第37页 |
| 3.3.1 匹配追踪算法 | 第37-38页 |
| 3.3.2 正交匹配追踪算法 | 第38-41页 |
| 3.4 空间目标分类识别实验仿真 | 第41-46页 |
| 3.4.1 基于密集SIFT特征和稀疏编码的图像分类方法 | 第41页 |
| 3.4.2 稀疏编码BoF模型表示 | 第41-44页 |
| 3.4.3 分类对比实验 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于显著性加权的空间金字塔图像分类 | 第47-67页 |
| 4.1 基于视觉显著性的图像预处理 | 第47-54页 |
| 4.1.1 局部结构特征检测 | 第50-52页 |
| 4.1.2 显著性计算和显著图融合优化 | 第52-54页 |
| 4.2 显著性加权空间金字塔 | 第54-58页 |
| 4.2.1 特征加权空间金字塔 | 第55-56页 |
| 4.2.2 改进空间金字塔 | 第56-58页 |
| 4.3 SVM分类器及核函数选择 | 第58-61页 |
| 4.3.1 支持向量机（SVM） | 第58-60页 |
| 4.3.2 核函数 | 第60-61页 |
| 4.4 空间目标分类识别实验仿真 | 第61-65页 |
| 4.4.1 图像的显著性加权金字塔表示 | 第61-64页 |
| 4.4.2 旋转不变性识别对比 | 第64-65页 |
| 4.4.3 不同分类器参数下分类实验对比 | 第65页 |
| 4.5 本章小结 | 第65-67页 |
| 结束语 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 作者在学期间取得的学术成果 | 第73页 |