| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 课题研究的意义 | 第7-9页 |
| 1.2 国内外研究现状及发展趋势 | 第9-12页 |
| 1.3 本文的主要研究工作 | 第12页 |
| 1.4 论文结构安排 | 第12-14页 |
| 第二章 图像标注基本原理 | 第14-22页 |
| 2.1 基于分类模型的图像标注基本框架 | 第14-15页 |
| 2.2 图像视觉特征表示 | 第15-18页 |
| 2.2.1 图像分割基本原理 | 第15-16页 |
| 2.2.2 图像分割算法 | 第16页 |
| 2.2.3 特征描述 | 第16-18页 |
| 2.2.4 图像的相似性度量 | 第18页 |
| 2.3 SVM分类算法 | 第18-20页 |
| 2.4 评价指标 | 第20-21页 |
| 2.4.1 图像分割评价指标 | 第20-21页 |
| 2.4.2 图像标注评价指标 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于相似性和统计性的超像素图像分割 | 第22-32页 |
| 3.1 基于相似性和统计性的超像素图像分割的基本原理 | 第22-26页 |
| 3.1.1 SLIC超像素分割 | 第22-24页 |
| 3.1.2 区域合并准则 | 第24-25页 |
| 3.1.3 超像素区域相似性和区域统计特性检验 | 第25-26页 |
| 3.2 算法实现步骤 | 第26-27页 |
| 3.3 仿真实验与结果分析 | 第27-30页 |
| 3.4 本章小结 | 第30-32页 |
| 第四章 基于超像素词包模型与SVM分类的图像标注 | 第32-45页 |
| 4.1 基于超像素词包模型与SVM分类的图像标注原理 | 第32-35页 |
| 4.1.1 特征提取 | 第32-33页 |
| 4.1.2 视觉词典 | 第33-34页 |
| 4.1.3 超像素区域生成与区域特征表示 | 第34-35页 |
| 4.1.4 SVM分类与结果统计 | 第35页 |
| 4.2 算法实现步骤 | 第35-37页 |
| 4.3 仿真实验与结果分析 | 第37-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于局部约束稀疏编码多尺度空间的图像标注 | 第45-55页 |
| 5.1 基于超像素和区域合并的多尺度空间划分原理 | 第45-47页 |
| 5.1.1 基于空间金子塔划分的词包模型 | 第45-46页 |
| 5.1.2 基于超像素和区域合并的多尺度空间划分 | 第46-47页 |
| 5.2 稀疏编码 | 第47-49页 |
| 5.2.1 局部约束稀疏编码 | 第47-48页 |
| 5.2.2 近似局部约束稀疏编码 | 第48-49页 |
| 5.3 算法实现步骤 | 第49-50页 |
| 5.4 仿真实验与结果分析 | 第50-53页 |
| 5.5 本章小结 | 第53-55页 |
| 主要结论与展望 | 第55-57页 |
| 主要结论 | 第55页 |
| 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第61页 |