| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与研究意义 | 第10-12页 |
| 1.1.1 图像分类 | 第10-11页 |
| 1.1.2 主动学习 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 图像分类 | 第12-13页 |
| 1.2.2 主动学习 | 第13-14页 |
| 1.2.3 基于多特征分类研究 | 第14页 |
| 1.3 本文主要研究工作 | 第14-15页 |
| 1.4 论文章节安排 | 第15-16页 |
| 第2章 图像特征 | 第16-27页 |
| 2.1 颜色特征 | 第16-19页 |
| 2.1.1 颜色空间 | 第16-18页 |
| 2.1.2 颜色特征提取 | 第18-19页 |
| 2.2 纹理特征 | 第19-24页 |
| 2.2.1 基于灰度共生矩阵的纹理特征 | 第19-21页 |
| 2.2.2 基于小波变换的纹理特征 | 第21-22页 |
| 2.2.3 Tamura纹理特征 | 第22-24页 |
| 2.3 形状特征 | 第24-26页 |
| 2.3.1 傅立叶形状描述子 | 第24-25页 |
| 2.3.2 形状无关矩 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 改进的EPD多特征选取方法 | 第27-39页 |
| 3.1 基于多特征的SVM集成 | 第27-30页 |
| 3.1.1 SVM分类器 | 第27-28页 |
| 3.1.2 集成学习 | 第28-30页 |
| 3.1.3 基于多特征的SVM集成 | 第30页 |
| 3.2 改进的EPD多特征选取方法 | 第30-33页 |
| 3.2.1 EPD方法的改进 | 第32-33页 |
| 3.2.2 算法描述 | 第33页 |
| 3.3 实验验证与结果分析 | 第33-38页 |
| 3.3.1 实验数据 | 第34-35页 |
| 3.3.2 Corel数据集的实验结果分析 | 第35-36页 |
| 3.3.3 NUS-WIDE-CATEGORY数据集的实验结果分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于多特征的主动学习方法 | 第39-54页 |
| 4.1 主动学习方法 | 第39-45页 |
| 4.1.1 主动学习方法简介 | 第39-41页 |
| 4.1.2 基于委员会主动学习方法 | 第41-43页 |
| 4.1.3 基于后验概率主动学习方法 | 第43-44页 |
| 4.1.4 基于边缘采样主动学习方法 | 第44-45页 |
| 4.2 基于多SVM边缘采样的主动学习方法 | 第45-49页 |
| 4.2.1 改进方法的提出 | 第45-46页 |
| 4.2.2 多SVM边缘采样策略 | 第46-49页 |
| 4.2.3 算法描述 | 第49页 |
| 4.3 实验验证与结果分析 | 第49-53页 |
| 4.3.1 Corel数据集的实验结果分析 | 第49-51页 |
| 4.3.2 NUS-WIDE-CATEGORY数据集的实验结果分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 结论与展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 作者简介 | 第61页 |
| 攻读硕士学位期间发表的论文和科研成果 | 第61-62页 |