| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-16页 |
| 1.2 研究现状以及发展趋势 | 第16-18页 |
| 1.3 本文研究内容 | 第18-21页 |
| 第二章 自动图像标注相关技术 | 第21-35页 |
| 2.1 图像分割技术 | 第21-25页 |
| 2.1.1 基于阈值的分割方法 | 第22页 |
| 2.1.2 基于区域的分割方法 | 第22-23页 |
| 2.1.3 基于边缘的分割方法 | 第23页 |
| 2.1.4 基于聚类的分割方法 | 第23-24页 |
| 2.1.5 基于特定理论的分割方法 | 第24-25页 |
| 2.2 图像特征提取 | 第25-30页 |
| 2.2.1 颜色特征 | 第25-28页 |
| 2.2.2 纹理特征 | 第28-30页 |
| 2.3 图像标注模型 | 第30-32页 |
| 2.3.1 基于生成模型的图像标注 | 第30-31页 |
| 2.3.2 基于判别模型的图像标注 | 第31页 |
| 2.3.3 基于图学习的自动图像标注算法 | 第31-32页 |
| 2.4 图像数据集和性能评价标准 | 第32-34页 |
| 2.4.1 经典数据集 | 第32-33页 |
| 2.4.2 性能评价准则 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于Mean Shift和Ncut的改进图像分割算法 | 第35-65页 |
| 3.1 Mean Shift算法介绍 | 第36-46页 |
| 3.1.1 Mean Shift算法原理 | 第37-40页 |
| 3.1.2 Mean Shift算法收敛性 | 第40-42页 |
| 3.1.3 Mean Shift图像分割算法 | 第42-43页 |
| 3.1.4 Mean Shift算法优缺点 | 第43-44页 |
| 3.1.5 实验结果与分析 | 第44-46页 |
| 3.2 Ncut算法介绍 | 第46-53页 |
| 3.2.1 规范化分割准则 | 第46-47页 |
| 3.2.2 规范化割的数学求解 | 第47-49页 |
| 3.2.3 2-way Ncut算法介绍 | 第49-50页 |
| 3.2.4 k-way Ncut算法介绍 | 第50-52页 |
| 3.2.5 Ncut算法优缺点 | 第52页 |
| 3.2.6 实验结果与分析 | 第52-53页 |
| 3.3 基于Mean Shift和Ncut的改进图像分割算法 | 第53-63页 |
| 3.3.1 算法设计思想 | 第53-54页 |
| 3.3.2 基于区域的权值矩阵W的构造 | 第54-55页 |
| 3.3.3 区域合并与分裂算法 | 第55-57页 |
| 3.3.4 改进的MS-NC-RMS算法步骤 | 第57-58页 |
| 3.3.5 实验结果与分析 | 第58-63页 |
| 3.4 本章小结 | 第63-65页 |
| 第四章 基于区域语义相关性的图像标注 | 第65-83页 |
| 4.1 高斯混合模型算法介绍 | 第66-71页 |
| 4.1.1 高斯混合模型 | 第66-68页 |
| 4.1.2 EM算法介绍 | 第68-69页 |
| 4.1.3 基于EM的GMM参数估计 | 第69-71页 |
| 4.2 基于GMM的图像标注 | 第71-77页 |
| 4.2.1 GMM语义标注模型的建立 | 第71-73页 |
| 4.2.2 基于GMM的图像标注方法 | 第73-74页 |
| 4.2.3 基于区域语义相关性的改进GMM | 第74-76页 |
| 4.2.4 基于区域语义相关性的GMM图像标注方法 | 第76-77页 |
| 4.3 实验结果与分析 | 第77-82页 |
| 4.4 本章小结 | 第82-83页 |
| 第五章 总结与展望 | 第83-85页 |
| 5.1 论文研究工作总结 | 第83页 |
| 5.2 对未来的展望 | 第83-85页 |
| 参考文献 | 第85-91页 |
| 致谢 | 第91页 |
