基于权重自动分配和视觉主题的图像语义标注研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文研究思路 | 第10-12页 |
| 第2章 图像语义相关基础概述 | 第12-26页 |
| 2.1 图像底层特征 | 第12-17页 |
| 2.1.1 图像颜色特征 | 第12页 |
| 2.1.2 图像纹理特征 | 第12-15页 |
| 2.1.3 图像形状特征 | 第15-17页 |
| 2.2 图像特征的融合 | 第17-19页 |
| 2.2.1 颜色与纹理特征的融合 | 第18页 |
| 2.2.2 颜色和形状特征的融合 | 第18-19页 |
| 2.3 遗传算法 | 第19-20页 |
| 2.3.1 基本思想和特点 | 第19页 |
| 2.3.2 遗传算法的基本流程 | 第19-20页 |
| 2.4 支持向量机 | 第20-23页 |
| 2.4.1 SVM的基本原理 | 第20-21页 |
| 2.4.2 线性可分与不可分 | 第21-22页 |
| 2.4.3 核函数 | 第22-23页 |
| 2.5 评价标准 | 第23-26页 |
| 2.5.1 相似性比较 | 第23-24页 |
| 2.5.2 性能评价标准 | 第24-26页 |
| 第3章 基于特征融合的权重自动分配算法 | 第26-41页 |
| 3.1 图像特征的提取 | 第26-31页 |
| 3.1.1 提取颜色特征 | 第26-28页 |
| 3.1.2 提取纹理特征 | 第28-29页 |
| 3.1.3 提取形状特征 | 第29-31页 |
| 3.2 加权图像特征融合 | 第31-32页 |
| 3.2.1 图像特征融合 | 第31页 |
| 3.2.2 图像特征加权 | 第31-32页 |
| 3.3 基于特征融合的权重自动分配算法设计 | 第32-36页 |
| 3.3.1 初始权重的种群设定 | 第32-33页 |
| 3.3.2 适应度函数的选择 | 第33页 |
| 3.3.3 权重的调整 | 第33-34页 |
| 3.3.4 权重自动分配的图像特征融合算法 | 第34-36页 |
| 3.4 实验结果与分析 | 第36-40页 |
| 3.4.1 图像数据集 | 第36-37页 |
| 3.4.2 实验结果与分析 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于图像视觉主题的图像语义标注方法 | 第41-51页 |
| 4.1 图像视觉主题 | 第41-43页 |
| 4.1.1 图像视觉主题的概念 | 第41-42页 |
| 4.1.2 标注词和图像区域 | 第42-43页 |
| 4.2 基于K-means的图像聚类 | 第43-44页 |
| 4.2.1 K-means聚类算法 | 第43-44页 |
| 4.2.2 基于K-means的图像聚类算法 | 第44页 |
| 4.3 词间关系 | 第44-45页 |
| 4.4 基于图像视觉主题的图像语义标注的方法 | 第45-47页 |
| 4.5 实验结果与分析 | 第47-50页 |
| 4.5.1 图像数据集 | 第47页 |
| 4.5.2 实验结果与分析 | 第47-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
